高光谱图像解混 数据集 Samon

preview
共3个文件
fig：2个
mat：1个
数据集
star 3星 · 超过75%的资源 需积分: 50 43 下载量 22 浏览量 2017-11-12 21:41:29 上传 评论 3 收藏 9.94MB RAR 举报
iaxiaoq
  • 粉丝: 5
  • 资源: 18
上传资源 快速赚钱
voice
center-task 前往需求广场，查看用户热搜

相关推荐

zip

高光谱解混数据集（Samson）

高光谱解混数据集（Samson），具有156个通道的Matlab 格式数据，原始数据有952x 952像素。每个像素记录在156个通道上，覆盖401nm 至889nm的波长。光谱分辨率高达3.13 nm。由于原始图像太大，这在计算成本方面非常昂贵，因此使用95×95像素的区域。它从原始图像中的第（252,332）像素开始。此数据不会被空白通道或严重噪声通道降级。具体而言，该图像中有三个目标，分别
zip

高光谱数据集

包含常用的高光谱数据集，IndianPines,Paviau,salinas,Simu
star 3星 · 编辑精心推荐
rar

Samson

Samson
zip

高光谱遥感数据集

高光谱图像数据集，包含Indian,Pavia。每类数据集里包含图像原始信息，以及相对应的ground truth
zip

高光谱/遥感图像常用数据集

内有常用的高光谱图像（HSI）数据集，有常用的Indian,Pavia。每类数据集里包含图像原始信息，以及相对应的地面真实数据的类别标签。因文件大小限制，只能传这两个数据集，还有Salinas等数据集，大家需要的话可留言。
star 5星 · 资源好评率100%
zip

高光谱解混数据集（Japser Ridge ）

高光谱解混数据集（Japser Ridge），matlab的mat文件。原始数据有512 x 614 个像素。每个像素记录在范围从380nm到2500nm的224个通道中。光谱分辨率高达9.46nm。由于这个高光谱图像太复杂而无法得到基本事实，因此我们考虑100 x 100像素的子图像。第一像素从原始图像中的第（105,269）像素开始。在移除通道1--3,108-112,154-166和220-
star 5星 · 资源好评率100%
zip

高光谱解混数据集（Cuprite，矿区图）

Cuprite（矿区图）是高光谱解混研究的最基准数据集，涵盖美国内华达州拉斯维加斯的Cuprite矿区，原始数据有224个波段，从370nm至2480nm。在移除有噪声的通道（1--2和221-224）和吸水通道（104-113和148-167）后，仍然有188个通道。250×190个像素的区域被认为存在14种矿物。由于类似矿物的变体之间存在细微差别，最终确定为12名成员，总结如下"#1 Alun
mat

Pavia University 高光谱数据

该数据是高光谱图像处理中常用的数据之一，对高光谱图像算法性能的验证具有通用性
star 5星 · 资源好评率100%
rar

Pavia University高光谱数据和地面验证数据

Pavia University高光谱数据和地面验证数据，MATLAB版本
zip

帕维亚大学高光谱数据

用于高光谱图像处理实验等，经典的HSI高光谱数据，MATLAB数据格式
zip

多光谱图像CAVE数据集

我们提供了用于模拟GAP相机的多光谱图像数据库。这些图像包含各种现实世界的材料和物体。我们正在将该数据库提供给研究社区。适用于科研人员以及大学生毕业论文的算法构建。感兴趣的人可用尝试。
pdf

基于ANN端元估计的高光谱图像解混算法

针对高光谱图像解混问题进行研究，发现传统解混算法在保持端元数目不变的情况下，得到的解混精度不高。为此，基于人工神经网络（artificial neural network，ANN）提出一种估计单像素点中端元数目和类别的解混算法。首先利用人工神经网络对遥感图像中各个像素的端元数目和类别进行估计；之后依据估计结果确定解混算法的目标函数，并引入改进的差分搜索算法对目标函数进行优化求解；最终获取地物丰度和
pdf

结合分层和ADMM的高光谱图像解混方法

高光谱图像有较高的光谱分辨率，但是单个像元覆盖的面积比较大，导致单个像元中出现多于一种地物的现象，即混合像元。混合像元的存在严重影响了高光谱数据的后续利用。高光谱图像解混技术的目的就是将混合像元中存在的地物种类(端元)以及各个地物种类所对应的比例(丰度)精确地表示出来。高光谱数据覆盖的范围比较大，不可避免存在端元变异的现象。为了应对端元变异现象，利用扩展的线性混合模型对高光谱数据进行建模。在基于分
pdf

分组寻优的多端元高光谱图像解混方法

为了对高光谱图像中出现的混合像元进行分解，在分层解混方法的基础上从一个新的角度出发，提出了一种新的高光谱图像解混方法。该方法根据整体和部分之间的关系，首先利用各种地物的端元组对混合像元分别进行解混，然后利用根均方误差（RMSE）选出每个端元组中反演误差最小的那个端元。该方法可以降低计算的复杂度，有效地抑制噪声的影响，迭代次数减少了1 900次。
rar

indian高光谱数据集

主要提供了高光谱数据集，包括两副高光谱图像，分别是pavia university and indian Pines
txt

高光谱图像通用数据集下载大全(数据太大，提供百度云链接)

资源包括99.9%的常用的实验高光谱图像数据，全部是.mat文件，到手即用(数据集和标签都有，部分还有的图像)数据集包括:Indian pines，pavia university，pavia center,botswana,Houston_2013,Houston_2018,KSC,Salinas,xuzhou,xiongan，由于数据量过大，本资源提供百度云链接，请自行下载
star 5星 · 资源好评率100%
zip

高光谱/遥感图像常用数据集（2）

该包提供了遥感图像分析中常用的Salinas数据集，为mat格式，包括各波段信息，及对应的地面真实数据的标签。
star 5星 · 资源好评率100%
mat

高光谱数据Pavia.mat

高光谱数据Pavia.mat
zip

高光谱遥感图像数据集Pavia

深度学习高光谱遥感图像数据集，光谱波段数为102，图像像素1096*1096
zip

Pavia高光谱遥感分类数据集

高光谱遥感分类数据集，PaviaUniversity。文件中有.mat格式的数据和ENVI原影像。如需要其他高光谱遥感分类数据集可与本人联系。
rar

PaviaC和PaviaU的数据

高光谱遥感PaviaC和PaviaU的数据，包括原始高光谱数据和地物分类数据。只有.mat文件，没有图片。
rar

五种高光谱数据集.rar

包含常用的几种高光谱数据，可以用于遥感图像分类。Washington DC Mal,Indian Pine等。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。Pavia  University 数据是由德国的机载反射
star 5星 · 资源好评率100%
pdf

基于差分搜索的高光谱图像解混算法 (2016年)

针对高光谱图像解混问题进行研究，发现高光谱图像中各个端元的分布不完全独立，不能将盲源分离方法直接应用于高光谱图像解混。为此，提出了一种基于差分搜索的高光谱图像解混算法。该算法根据高光谱图像丰度非负和丰度和为一特性构造相应的约束项，与互信息相结合作为目标函数，利用差分搜索算法对该目标函数进行优化求解来实现高光谱图像解混。仿真数据和实际数据实验表明，该算法能够有效解决高光谱图像解混问题，与已有其他算法
pdf

基于非负矩阵高光谱图像解混算法研究

Nonnegative Matrix Factorization (NMF) factorizes a nonnegative matrix into product of two positive matrixes, which is widely used in hyperspectral unmixing. However, the convergence speed of NMF is c
pdf

 一种有效的无监督高光谱图像解混方法

 传统的非负矩阵分解方法应用在高光谱像元分解时，混合像元分解用到的初始值是随机产生的，会影响像元的解混效果。为了解决该问题，本文通过改进获得初始值的方法，提出了一种基于改进非负矩阵分解的高光谱图像解混方法。本方法不需要任何先验知识，只需要对输入数据集进行迭代计算得到合适的初始值，即可达到光谱解混的目的。仿真数据和真实数据的实验结果都证明了该算法的有效性。
rar

ica.rar_matlab 光谱_解混_高光谱 解混_高光谱图像_高光谱解混

高光谱遥感图像光谱解混的独立成分分析技术
pdf

超像素分割在高光谱图像稀疏解混中的应用

超像素分割在高光谱图像稀疏解混中的应用，崔颖，王恒，经典的协同稀疏解混算法认为高光谱图像中的所有像元共享相同的端元集,对求解的丰度矩阵添加全局协同稀疏限制。但由于高光谱图像�
zip

【高光谱图像数据集】Indian Pines

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
zip

高光谱数据Indian_pines

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