排序方式： 共有8条查询结果，搜索用时 15 毫秒
1
1.
基于峭度指标的FastICA算法具有较快的收敛速度和较高的计算效率，被广泛应用于多光谱图像的特征提取。经典的FastICA算法基于固定点迭代法得到图像的各个独立成分，在迭代过程中，每一个独立成分的求解都需要所有像元的参与。因此，当数据量较大或图像中像元较多时，FastICA的计算量很大，此时它的速度优势就会大打折扣。遥感数据一般都具有较大的尺寸，因此如何将FastICA直接应用于遥感数据，是一个具有实际意义的问题。通过引入多光谱图像协峭度张量的概念，将FastICA的固定点迭代问题转化为代数形式的张量计算，避免每次迭代过程中需所有像元参与的缺陷，因而大大降低计算复杂度。多光谱图像实验结果表明，该算法明显快于传统的基于峭度指标的FastICA算法。 相似文献
2.
基于奇异值分解（SVD）的相位相关法是一种经典的具有亚像素级精度的图像配准算法，但当两幅待配准图的平移量较大或噪声较强时，该配准算法中的积分法得到的相位解缠结果往往不可靠。根据线性相位的单调变化特性，提出一种改进的相位解缠算法，通过比较相邻相位差和趋势斜率的一致性判断是否进行校正，从而得到真实相位值。针对真实光学图像的实验表明，该方法可以有效地对积分法所得到的结果进行校正，进而提高匹配精度。 相似文献
3.
在利用主动学习方法进行高光谱图像分类时，往往存在空-谱特征不能得到有效利用和样本需要进行手动标注的问题。针对这些问题，提出一种结合卷积神经网络的主动学习方法进行高光谱图像分类。该方法首先提取像素的空间邻域组成训练样本，通过卷积神经网络对样本的空间特征和光谱特征进行学习并对数据进行初步分类；然后，基于高光谱图像的空间相似性和光谱相似性，对无标注样本进行标注，并将其加入标注训练集以提高分类器的分类精度。在Salinas、PaviaU和Indian Pines这3个高光谱数据上的实验结果表明，该方法能在较少标注样本的情况下，有效提高高光谱图像的分类精度。 相似文献
4.
结合K-means算法和谱聚类方法的优点，提出一种新的高光谱图像聚类方法。该方法在对高光谱图像数据进行特征降维的基础上，采用K-means算法对图像进行粗聚类处理，然后采用谱聚类方法对粗聚类结果进行较高精度的聚类。与K-means聚类算法相比，该方法有效提高了高光谱图像聚类的分类精度。对模拟数据和真实的高光谱数据的对比实验表明，相对于K-means和谱聚类方法，该方法具有良好的聚类性能。 相似文献
5.
现有的高光谱图像目标检测算法大都把各个波段不加区分地对待,从而不能充分利用图像波段的物理信息。将高光谱图像按照成像机理的不同首先分为几个不同的波段范围（比如可见光、近红外、短波红外等）,并通过将高光谱图像的不同波段范围与多时相遥感数据的时相维进行对应,将最近发展的一个多时相目标检测算法——滤波张量分析（filter tensor analysis,FTA）引入高光谱目标检测中,提出一种面向单时相高光谱图像的分波段FTA算法。针对高光谱图像的实验表明,与传统的单时相目标检测算法相比,分波段FTA算法取得了很好的检测效果。 相似文献
6.
线性混合模型(linear mixture model,LMM)在端元提取中起着至关重要的作用.在LMM假设下,理想的端元提取效果需要重建误差最小.但是在实际的高光谱数据集中噪声是不可避免的,单纯追求重建误差最小化可能会导致最终结果偏离真实端元.为平衡重建误差与噪声的影响,使用几何优化模型计算重建误差,通过约束重建误差... 相似文献
7.
针对传统空域增强算法的不足,LDR （layered difference representation）算法构造一种二维直方图,该直方图包含像素间上下文信息。基于此,提出一种基于LDR的改进算法。该算法将视觉特性引入直方图,构造二维视觉差异直方图,再利用该直方图和LDR进行初步增强。最后采用灰度补偿方法改善过增强现象。实验结果显示该算法可产生更好的视觉效果,并适当提高整体亮度和对比度,消除人工伪影,且无需调整参数,满足实时处理的要求。 相似文献
8.
随着遥感技术的快速发展,遥感图像得到广泛的应用,其中目标检测是遥感图像众多应用中非常重要的一个分支。目前大多数目标检测算法都是基于单时相遥感图像,对于多时相遥感数据的处理方法较少。最近发表的多时相目标检测算法有滤波张量分析,其将多重线性函数与张量相对应的关系应用于遥感图像目标检测,但该算法只能进行单目标检测,无法同时检测多个目标。本文借鉴多目标约束能量最小化算法中对于多个目标输出能量的约束和滤波张量分析中对于应用张量滤波器的思想,提出多目标滤波张量分析算法,能够在多时相遥感数据中实现同时检测多个目标。模拟和真实数据实验结果均表明,该算法可以有效地提高多时相图像中多目标检测精度。 相似文献
1