高光譜圖像分類技術(shù)

第 1 章 高光譜圖像分類概述 1
1.1　高光譜圖像　1
1.2　高光譜圖像分類現(xiàn)狀　3
1.2.1　高光譜圖像特征提取方法　3
1.2.2　高光譜分類器設(shè)計方法　7
1.2.3　高光譜圖像特征提取及分類難點分析　11
參考文獻　13

第 2　章 高光譜顯微圖像維度約減及分類　19
2.1　高光譜顯微圖像成像系統(tǒng)及數(shù)據(jù)采集19
2.1.1　高光譜顯微圖像成像系統(tǒng)　19
2.1.2　膜性腎病病理組織標準化數(shù)據(jù)采集及預(yù)處理　20
2.2　基于空譜密度峰值的高光譜顯微圖像維度約減25
2.2.1　引言　25
2.2.2　相關(guān)原理與方法　26
2.2.3　基于空譜密度峰值的維度約減方法　27
2.2.4　實驗內(nèi)容及結(jié)果分析　30
2.3　基于張量表示的高光譜顯微圖像多特征提取39
2.3.1　引言　39
2.3.2　張量相關(guān)原理與知識　39
2.3.3　基于判別張量的多特征融合提取算法　39
2.3.4　實驗內(nèi)容及結(jié)果分析　43
2.4　基于張量回歸分析的高光譜顯微圖像分類52
2.4.1　引言　52
2.4.2　最小二乘回歸分析方法　52
2.4.3　基于張量塊的判別線性回歸分析方法　52
2.4.4　實驗內(nèi)容及結(jié)果分析　55
參考文獻　60

第3　章 高光譜顯微圖像多尺度深度學習分類　63
3.1　基于深度學習的高光譜顯微圖像膜性腎病分類63
3.1.1　圖像數(shù)據(jù)預(yù)處理　63
3.1.2　膜性腎病分類模型　68
3.1.3　實驗內(nèi)容及結(jié)果分析　74
3.2　基于深度特征融合網(wǎng)絡(luò)的高光譜顯微圖像分類83
3.2.1　深度特征融合網(wǎng)絡(luò)　84
3.2.2　實驗內(nèi)容及結(jié)果分析　88
3.3　基于Gabor 引導CNN 的高光譜顯微圖像分類93
3.3.1　基于CNN 和Gabor 濾波器的分類算法　94
3.3.2　實驗內(nèi)容及結(jié)果分析　97
參考文獻　102

第4　章 高光譜圖像結(jié)構(gòu)感知學習模型及分類　104
4.1　基于結(jié)構(gòu)感知協(xié)同表示的高光譜圖像分類　104
4.1.1　引言　104
4.1.2　SaCRT 模型　105
4.1.3　實驗內(nèi)容及結(jié)果分析　109
4.2　基于DMLSR 的高光譜圖像分類　123
4.2.1　引言　123
4.2.2　DMLSR 模型　124
4.2.3　實驗內(nèi)容及結(jié)果分析　126
4.3　基于ICS-DLSR 的濱海濕地數(shù)據(jù)樣本空間變換　140
4.3.1　引言　140
4.3.2　濱海濕地典型地物高光譜遙感數(shù)據(jù)特征分析　141
4.3.3　基于回歸表示的樣本空間變換及ICS-DLSR 模型　143
4.3.4　濱海濕地數(shù)據(jù)樣本空間變換效果分析　145
4.4　基于SPCRGE 的高光譜圖像分類　149
4.4.1　引言　149
4.4.2　模型基礎(chǔ)　151
4.4.3　SPCRGE 模型　153
4.4.4　實驗內(nèi)容及結(jié)果分析　155
參考文獻　169

第5　章 高光譜圖像空間信息提取及分類　173
5.1　基于多形變體輸入的深度學習高光譜圖像分類　173
5.1.1　DR-CNN 模型　173
5.1.2　多形變體輸入及特征提取　175
5.1.3　DR-CNN 模型訓練　180
5.1.4　實驗內(nèi)容及結(jié)果分析　181
5.2　基于像素對的數(shù)據(jù)增強及高光譜圖像分類　194
5.2.1　像素配對模型　195
5.2.2　基于像素對輸入的深度特征提取　195
5.2.3　實驗內(nèi)容及結(jié)果分析　196
5.3　基于像素塊配對的高光譜圖像深度網(wǎng)絡(luò)分類　202
5.3.1　基于數(shù)據(jù)增強的CNN 分類模型　203
5.3.2　傳統(tǒng)樣本擴充方法　204
5.3.3　基于像素塊配對的樣本擴充方法　205
5.3.4　實驗內(nèi)容及結(jié)果分析　208
參考文獻　213

第6　章 高光譜多源數(shù)據(jù)融合分類　216
6.1　多源遙感融合分類研究現(xiàn)狀　216
6.1.1　多源傳感器融合分類研究現(xiàn)狀　216
6.1.2　基于高光譜的多源遙感融合分類研究現(xiàn)狀　218
6.2　基于CNN 的高光譜多源數(shù)據(jù)融合分類　220
6.2.1　雙通道CNN 與級聯(lián)CNN　221
6.2.2　雙分支CNN 訓練及分析　223
6.2.3　實驗內(nèi)容及結(jié)果分析　224
6.3　基于結(jié)構(gòu)信息聚合的HSI 與LiDAR 數(shù)據(jù)的融合分類　232
6.3.1　基于IP-CNN 的結(jié)構(gòu)信息聚合分類模型　233
6.3.2　語義信息導向的分類模型及訓練策略　234
6.3.3　HSI 協(xié)同LiDAR 數(shù)據(jù)分類實驗　235
參考文獻　242