高光谱图像分类(三)分类流程
来源:互联网 发布:linux查所有进程命令 编辑:程序博客网 时间:2024/06/05 10:28
如何利用稀疏表示进行高光谱图像分类呢?
前面我们已经了解了高光谱图像分类的一些基本概念,那这篇文章当中将讲解高光谱图像分类具体的流程是怎么样的。
以下是高光谱图像分类的具体详细步骤:
1.导入indian_pines高光谱图像三维数据(具体数据可以网上下载),将三维图像数据转换成二维图像矩阵,二维矩阵中每一列是一个样本。
2.导入indian_pines_gt高光谱图像的二维样本标定图,在图中按比例为每个类选取训练样本的位置,并到1步中选取二维矩阵中选取对应的列作为训练样本。剩下别的位置就作为测试样本了。
3.为每个测试样本求解稀疏表示系数。具体方法有OMP算法等,该方法网上可查,或者参考一些国外大牛的论文(最好不要看中国人写的文献,我现在觉得国人为了刷分类精度,论文灌水太严重,自己没搞清算法就开始瞎掰搞论文)。
4.根据稀疏表示系数,还原测试样本信号。原始样本与复原样本在每一类情况下的误差,选误差最小的类作为最佳分类结果。
5.将测试样本的结果,覆盖样本标定图中对应位置的值,显示出分类后的结果。以下贴出一张标定图和用OMP算法做出的结果图。
http://u.163.com/HyxE9auF 提取码: fHr5WIFc
2 0
- 高光谱图像分类(三)分类流程
- 高光谱图像分类(一)入门
- 高光谱图像分类(二)稀疏表示
- 用于高光谱图像分类的深度卷积神经网络
- 基于主动学习的高光谱图像分类方法研究
- 高光谱遥感图像处理(15)----ENVI使用教程之监督分类参数说明
- 高光谱遥感图像处理(14)-----ENVI使用教程之监督分类与非监督分类
- 光谱空间特征提取用来高光谱图像分类:维度约减和深度学习方法
- 使用深卷积神经网络的高光谱图像的光谱空间分类
- 基于libsvm的高光谱影像分类
- 基于PCA和SVM的高光谱遥感图像分类研究
- 高光谱遥感分类与信息提取综述
- 使用python对高光谱数据进行处理和分类
- 高光谱图像综述
- 极化 SAR 图像分类流程
- 高光谱遥感图像处理(9)-----ENVI使用教程之光谱曲线界面修改
- 高光谱遥感图像处理(1)-----基础
- 高光谱遥感图像处理(3)-----ENVI进阶知识
- 零基础HTML与CSS编码(二)
- Building Your First App笔记
- 我的学习
- linux入门:磁盘空间清理
- SharedPreference使用的正确姿势
- 高光谱图像分类(三)分类流程
- ubnutu16.04下安装android-studio和配置 android 7.0开发环境
- Spring使用p名称空间配置属性
- Android上实现弹性ScrollView
- storm本地模式下开启多个supervisor,为什么ui上只显示一个supervisor
- ubuntu下安装ipython notebook
- https协议
- 堆排序
- 解决: 模块计算机类型“x64”与目标计算机类型“X86”冲突