高光谱数据集下载Indian_pines, Salinas, Pavia Centre and University, Cuprite, Kennedy Space Center, Botswana等

最新推荐文章于 2024-05-01 22:54:24 发布
最新推荐文章于 2024-05-01 22:54:24 发布
阅读量1.3w 收藏 31
点赞数 9
文章标签： 高光谱数据集下载地址
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39393430/article/details/88640908
版权

该网址包含 Indian_pines, Salinas, Pavia Centre and University, Cuprite, Kennedy Space Center, Botswana等常用高光谱数据及其标签，数据格式为mat
网址链接：Hyperspectral Remote Sensing Scenes

数据目录
在这里插入图片描述

wild kindom
关注
  • 9
    点赞
  • 踩
  • 31
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
高光谱遥感数据集下载及简介
haoji007的博客
08-15 9153
参考以下网址：数据分享07期|高光谱遥感数据集下载IP/UP/Salinas等数据集 文章目录 1. IP数据集简介 2. UP数据集简介 3. PC数据集简介 4. Salinas-A数据集简介（6类） 5. Salinas数据集简介（对于corrected数据，OSError: could not read bytes） 6. KSC数据集简介 1. IP数据集简介 print(IP.keys())#dict_keys(['__header__', ...
高光谱数据Indian_pines
11-20
高光谱数据indian_pines，包括原始数据，分类后的数据，以及标签，其中gt.mat文件为标签文件，correct.mat为分类后的数据文件
高光谱cuprite数据集
11-11
为了大家更好学习高光谱编程，讲一些常用的高光谱数据集上传，仅仅针对MATLAB用户，直接load就能使用。
光谱数据集划分（基于python）
最新发布
qq_42629547的博客
05-01 1040
本文介绍了高光谱数据集划分的三种常用方法：随机划分、SPXY算法划分和Kennard-Stone算法划分,并给出了相应的Python实现代码。这些方法可以帮助我们合理地划分数据集，有助后续的模型训练、建立和评估。在实际应用中,我们可以根据具体数据集来选择适合的划分方法。
Indian_pines.rar
04-28
压缩包包括三个数据：印度松树（6.0 MB）纠正印度松树（5.7 MB）标签 （1.1 KB）
常见的高光谱数据集-Botswana、HoustonU、Idian_pines、KSC、Pavia、Salinas、Xiong'an、Xuzhou
09-23
常见的高光谱数据集-Botswana、HoustonU、Idian_pines、KSC、Pavia、Salinas、Xiong'an、Xuzhou，包含光谱数据以及标注信息，伪色彩图和标注图像，格式均为.mat格式。由于文件超过上传限制，所以使用是百度云盘。
Indian_pines数据.rar
12-11
ndian Pines 是最早的用于高光谱图像分类的测试数据，由机载可视红外成像光谱仪（AVIRIS）于 1992 年对美国印第安纳州一块印度松树进行成像，然后截取尺寸为 145×145 的大小进行标注作为高光谱图像分类测试用途。 AVIRIS 成像光谱仪成像波长范围为 0.4-2.5μm，是在连续的 220 个波段对地物连续成像的，但是由于第 104-108，第 150-163 和第 220 个波段不能被水反射，因此，我们一般使用的是剔除了这 20 个波段后剩下的 200 个波段作为研究的对象
Indian_高光谱数据集_高光谱数据_高光谱公开数据集indian_pines_
10-02
"Indian_pines"是著名的高光谱数据集之一，它在遥感和机器学习领域中被广泛用于研究和实验。高光谱成像是一个技术，它能捕捉到多个连续的窄波段，提供了丰富的地物信息，对于环境监测、资源探测、农业分析等多个领域...
高光谱数据集 包括Indian、Pavia 和 PaviaU
04-29
本数据集包括了Indian_pines、Pavia以及PaviaU三个著名的高光谱图像样本。 1. **Indian_pines数据集**：该数据集源自美国印第安纳州的一片针叶林地区，由Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)...
高光谱遥感数据集Indian Pines
10-23
高光谱遥感数据集Indian Pines是遥感领域中一个广泛应用的数据集，主要用于地物分类和模式识别的研究。这个数据集源自美国印第安皮恩斯地区的一次实际高光谱遥感图像采集，因此得名“Indian Pines”。在遥感科学中，...
Indian_pines-pavia数据集
07-28
高光谱图像通用数据集，文件小，占用内存少、验证速度快，适合学生党。注意在python环境下采用load_data1 = sio.loadmat(PaviaU_path)、data2 = load_data1['paviaU']打开
高光谱遥感数据集Salinas
12-05
Salinas数据集，用于高光谱遥感图像分类，非常常用。ke'yi
Indian_pines.mat
03-05
Indian Pines高光谱遥感数据集 波段数200，数据大小145*145*200 This scene was gathered by AVIRIS sensor over the Indian Pines test site in North-western Indiana and consists of 145\times145 pixels and 224 spectral reflectance bands in the wavelength range 0.4–2.5 10^(-6) meters. This scene is a subset of a larger one. The Indian Pines scene contains two-thirds agriculture, and one-third forest or other natural perennial vegetation. There are two major dual lane highways, a rail line, as well as some low density housing, other built structures, and smaller roads. Since the scene is taken in June some of the crops present, corn, soybeans, are in early stages of growth with less than 5% coverage. The ground truth available is designated into sixteen classes and is not all mutually exclusive. We have also reduced the number of bands to 200 by removing bands covering the region of water absorption: [104-108], [150-163], 220. Indian Pines data are available through Pursue's univeristy MultiSpec site
Indian Pines.zip
07-22
资源包含：Indian_pines_gt.mat、Indian_pines_corrected.mat、Indian_pines.mat
高光谱遥感数据集Botswana
02-08
The NASA EO-1 satellite acquired a sequence of data over the Okavango Delta, Botswana in 2001-2004. The Hyperion sensor on EO-1 acquires data at 30 m pixel resolution over a 7.7 km strip in 242 bands covering the 400-2500 nm portion of the spectrum in 10 nm windows. Preprocessing of the data was performed by the UT Center for Space Research to mitigate the effects of bad detectors, inter-detector miscalibration, and intermittent anomalies. Uncalibrated and noisy bands that cover water absorption features were removed, and the remaining 145 bands were included as candidate features: [10-55, 82-97, 102-119, 134-164, 187-220]. The data analyzed in this study, acquired May 31, 2001, consist of observations from 14 identified classes representing the land cover types in seasonal swamps, occasional swamps, and drier woodlands located in the distal portion of the Delta.
Indian pines高光谱数据集
01-11
Indian pines印第安农场高光谱数据集，波段数200，数据大小145*145*200。
高光谱数据集
haoji007的博客
07-22 3万+
该网址包含 Indian_pines, Salinas, Pavia Centre and University, Cuprite, Kennedy Space Center, Botswana等常用高光谱数据及其标签，数据格式为mat 网址链接：Hyperspectral Remote Sensing Scenes 数据目录 ...
常用机器学习遥感与其他数据集
haoji007的博客
08-15 1063
版权 高光谱遥感数据 Indian Pines Salinas scene/Salinas-A scene Pavia Centre scene/Pavia University scene/Cuprite Kennedy Space Center (KSC) Botswana NWPU-RESISC45 dataset UC Merced Land Use Dataset DataSet: WHU-RS19 另一些高光谱遥感数据 别人总结的：zhangbin总结的遥感数据集（比较全）
水果数据集(Fruit-Dataset )+水果分类识别训练代码(支持googlenet, resnet, inception_v3, mobilenet_v2)
热门推荐
AI吃大瓜的博客
08-27 4万+
水果数据集，水果分类识别，水果识别，本项目将采用深度学习的方法，搭建一个水果分类识别的训练和测试系统，实现一个简单的水果图像分类识别系统。目前，基于ResNet18的水果分类识别，支持262种水果分类识别，在水果数据集Fruit-Dataset上，训练集的Accuracy在94%左右，测试集的Accuracy在82%左右，骨干网络，可支持googlenet, resnet[18,34,50], inception_v3，mobilenet_v2...
把Indian_pines数据集进行划分，其中1-10类为训练集，11-13类为验证集，14-16类为测试集
04-06
可以按照以下步骤将Indian_pines数据集进行划分： 1. 下载并解压Indian_pines数据集。 2. 加载数据集并将其分成类别矩阵和数据矩阵。 3. 创建三个空矩阵，分别用于存储训练集、验证集和测试集的数据。 4. 根据类别矩阵将数据矩阵划分为1-10类、11-13类和14-16类。 5. 将1-10类的数据存储到训练集矩阵中，将11-13类的数据存储到验证集矩阵中，将14-16类的数据存储到测试集矩阵中。 6. 返回三个矩阵。 下面是Python代码示例： ```python import numpy as np import scipy.io as sio # 加载Indian_pines数据集 data = sio.loadmat('Indian_pines_corrected.mat')['indian_pines_corrected'] labels = sio.loadmat('Indian_pines_gt.mat')['indian_pines_gt'] # 将数据矩阵和类别矩阵展开成一维数组 data = np.reshape(data, (-1, data.shape[-1])) labels = np.reshape(labels, -1) # 创建训练集、验证集和测试集矩阵 train_data = np.zeros((0, data.shape[-1])) val_data = np.zeros((0, data.shape[-1])) test_data = np.zeros((0, data.shape[-1])) # 根据类别矩阵将数据矩阵划分为1-10类、11-13类和14-16类 class_1_10 = (labels >= 1) & (labels <= 10) class_11_13 = (labels >= 11) & (labels <= 13) class_14_16 = (labels >= 14) & (labels <= 16) # 将1-10类的数据存储到训练集矩阵中，将11-13类的数据存储到验证集矩阵中，将14-16类的数据存储到测试集矩阵中 train_data = np.vstack((train_data, data[class_1_10])) val_data = np.vstack((val_data, data[class_11_13])) test_data = np.vstack((test_data, data[class_14_16])) # 返回三个矩阵 return train_data, val_data, test_data ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

wild kindom

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值