文献学习

最新推荐文章于 2024-12-20 05:00:00 发布

原创

最新推荐文章于 2024-12-20 05:00:00 发布 · 625 阅读

·

1

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#深度学习 #机器学习

本文介绍了基于多尺度协方差图的高光谱图像特征提取方法，首先应用MNF（最大噪声分离）进行降维与去噪，随后通过计算不同尺度的协方差矩阵增强空间信息，以提高图像分类效果。

文献阅读《Feature Extraction With Multiscale Covariance Maps for Hyperspectral Image Classification》

文章目录

一、文献介绍
二、文章摘要
MNF方法
Mutiscale Covariance Maps
总结
参考文献

一、文献介绍

于2019年发表在IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING上
在这里插入图片描述

二、文章摘要

提出了一种基于多尺度协方差图的特征提取方法，然后利用CNN来改进高光谱图像的分类。本文暂且不介绍后面的2D-CNN部分。
首先，通过MNF方法对原始的HSI降维与去噪。
在这里插入图片描述

MNF方法

MNF（最大噪声分离）是一种常用的高光谱图像降维方法，与PCA不同的是，它旨在最大化图像的SNR（信噪比）而不是方差；PCA在降维时是把方差最大的分量作为主成分分量，而在HSI中这样做最后只会保留小部分的PC分量，这些保留下来的分量无法保证大部分重要的光谱特征没有丢失。
根据信噪比来衡量图像质量的好坏，MNF将噪声分数较大的作为图像的主成分分量，公式如下：
在这里插入图片描述
其中，a是变换矩阵，SN是噪声的协方差矩阵，S是原始图像矩阵。
下面展示matlab代码。

% Maximun Noise Fraction Based Dimensionality Reduction
% img: input 3D HSI imag

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。