简介:摘要:高光谱图像的波段多、维度高,图像中蕴含着丰富的信息,在军事、农业、食品和医学等领域具有重要的应用价值。高光谱图像分类是高光谱领域的研究热点,对于促进经济发展和改善民生福祉具有重要意义。然而,由于高光谱图像存在数据冗余性大和标记样本数量不足等问题,严重影响分类精度的进一步提高。因此,为了充分提取高光谱图像中的判别性特征,在有限的标签样本和较低的计算成本下取得较好的分类结果,本文的主要研究了针对高光谱图像的判别性特征提取难度大以及计算冗余的问题,提出了一种基于密集非对称卷积与空洞卷积空闲块网络的高光谱图像分类算法。
简介:尤其是能够以ROI压缩方式实现对图像中感兴趣区域的压缩,图6是ROI区域在原图像中的位置和大小,本文使用JPEG2000标准的Maxshift法对单幅数字医学图像的感兴趣区域做ROI压缩
简介:摘要:高光谱图像分类一直是遥感领域的研究热点。由于高精度光谱特征的遥感对象图像富含深层次特征的光谱信息和空间信息,以及待捕捉特征的光谱信息与高精度光谱遥感数据采集对象之间的非线性空间关系,这些传统分类方法无法对特征进行准确分类,如何利用这些光谱信息对深层次特征进行准确分类识别,如何准确提取地物的深层特征并使其更容易分类,是高精度光谱遥感图像特征分类领域下一步技术研究的热点。目前,卷积神经网络模型作为工业深度学习的主要技术模型,已经发展成为工业图像分析处理的重要技术应用。深度机器学习特征方法系统作为一种强大的特征提取器,广泛应用于高精度光谱度的图像特征分类和分析任务。如何针对具体问题搭建网络,也是深度学习的研究内容之一。