![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
MBD
文章平均质量分 75
清纯世纪
知识的搬运工
展开
-
基于图卷积神经网络(GCN)的高光谱图像分类详细教程(含python代码)
高光谱图像通常包含数百个甚至数千个连续的频谱波段,每个波段对应一个光谱特征,这使得传统的卷积神经网络在处理高光谱图像时面临困难,因为它们无法有效地捕获像素之间的空间关系。总体来说,图卷积神经网络通过充分利用高光谱图像中像素之间的空间关系,有效地提升了分类性能,并在遥感图像分析和其他高维数据的处理中展现出了广阔的应用前景。:将高光谱图像中的像素视为图中的节点,像素之间的空间关系(例如邻近关系)作为图的边,这样就能够在整个图上利用节点的局部和全局信息。下面我们以IP数据集为例子进行展开讲解。原创 2024-07-28 17:52:09 · 1137 阅读 · 0 评论 -
【光谱特征选择】竞争性自适应重加权算法CARS(含python代码)
CARS通过模拟“生物进化”过程,自适应地对光谱波段进行重加权和选择,逐步淘汰冗余和不重要的波段。具体而言,CARS利用回归系数的绝对值作为权重,通过迭代过程不断调整和优化波段选择,从而保留对模型预测最有贡献的波段。该算法具有较好的稳定性和鲁棒性,能够显著提高模型的预测性能,减少数据维度,降低计算复杂度,广泛应用于化学计量学、食品检测、环境监测等领域的光谱分析。最后返回被选择波段的索引以为后续使用。原创 2024-06-04 20:31:06 · 1043 阅读 · 1 评论 -
【光谱特征选择】连续投影算法SPA(含python代码)
例如,可以用SPA来提取农田中的不同作物类型的光谱特征,或者识别环境中的污染物成分。其通过逐步选择互相正交的光谱向量,能够很好地分离出混合光谱数据中的纯物质光谱。连续投影算法(Successive Projection Algorithm,SPA)是一种用于光谱分离的简单且有效的算法。它主要应用于高光谱图像处理,用于提取混合光谱数据中的端元(endmembers)。端元是指在高光谱图像中存在的纯物质的光谱签名,这些签名在混合像元的光谱数据中有重要的影响。这些向量作为端元,可以用来分解和解释混合光谱数据。原创 2024-06-04 20:18:50 · 1765 阅读 · 0 评论 -
基于深度学习的语义分割教程(含python代码)
目录一、遥感数据介绍二、代码实现1、UNet网络2、数据集划分3、超参数设置4、数据加载5、训练6、结果出图三、项目代码2、数据集划分指定训练集、验证集、测试集的大小3、超参数设置4、数据加载支持多波段数据,支持tif、png、jpg等格式。定义数据后缀即可5、训练数据预测结果由于训练次数少,使用的数据仅为20个用于测试,因此精度较低,结果不太理想。有需要的可以自行增加数据和迭代次数。由于网络使用的0,1,2,3的但波段灰度标签。如果我们是RGB色彩的三波原创 2024-05-16 16:04:53 · 1386 阅读 · 0 评论 -
基于随机森林与支持向量机的高光谱图像分类(含python代码)
随机森林以其强大的集成学习能力,通过构建多个决策树并汇总它们的预测结果,能够有效地处理高维数据,捕捉到数据中的复杂模式。相比之下,支持向量机通过寻找能够最大化不同类别之间间隔的超平面来进行分类,它在处理高维数据时同样表现出色,尤其是在数据线性可分或通过核技巧转换为线性可分的情况下。在高光谱图像分类中,SVM能够通过选择合适的核函数和参数,有效地识别出不同地物的光谱特征,实现高精度的分类。这里以窗口为25的大小,训练集和测试集的占比分别为20%的训练,80%的验证。将下载的数据加载进内存,便于后续处理。原创 2024-05-08 12:37:58 · 1483 阅读 · 0 评论 -
基于卷积神经网络的高光谱图像分类详细教程(含python代码)
CNNs通过其特有的卷积层、池化层和全连接层结构,能够自动提取图像中的空间和光谱特征,有效地捕捉到高光谱数据中的复杂模式。此外,通过引入迁移学习、数据增强和正则化等技术,可以进一步提高模型的泛化能力和分类性能,使得卷积神经网络成为高光谱图像分析领域的一项重要工具。深度学习是机器学习的一个分支,它通过构建多层的神经网络来模拟人脑处理信息的方式,从而实现对复杂数据的高效处理和模式识别。这里以窗口为25的大小,训练集和测试集的占比分别为20%的训练,80%的验证。将下载的数据加载进内存,便于后续处理。原创 2024-05-08 11:07:27 · 3220 阅读 · 1 评论 -
Python shp矢量提取多波段栅格图像的均值、提取采样点数值
一般我们在利用Arcgis进行按shp提取多波段的均值或者采样点的数值,这是非常麻烦的。如果图像非常大,当shp的采样点非常多的时候,根本出不了结果。因此,开发python用于数据提取,效果非常好,速度快。例如下面的例子:1、提取采样点的数据对于这种非常多的样点,加上图大,用arcgis根本不现实2、提取区域的均值等例如这种进行密度分割的,同样如此。原创 2024-03-27 11:07:34 · 828 阅读 · 0 评论 -
Python批量提取图像灰度共生矩阵(GLCM)、支持批量处理、任意图像格式
灰度共生矩阵(Grey Level Co-occurrenceMatrix)也叫做空间灰度级依赖矩阵(SGLDM),它是一种基于统计的纹理特征提取的方法。(a,b)=(1,0),像素对是水平的,即0度扫描;(a,b)=(0,1),像素对是垂直的,即90度扫描;(a,b)=(1,1),像素对是右对角线的,即45度扫描;(a,b)=(-1,1),像素对是左对角线,即135度扫描。一般包括8个常用特征:均值、方差、角二阶矩、熵、对比度、相关性、Homogeneity、Dissimilarity。原创 2024-03-27 10:18:53 · 1229 阅读 · 0 评论