这是15年的文章，具有科普的性质。

摘要部分

第一段

传统的遥感影像处理技术在分析高光谱影像时面临许多问题和挑战：如何解决高维数据小样本识别分类问题、如何实现高维数据的实时处理、如何提升光谱类似地物的区分能力等等

面临的问题：

高维数据小样本识别分类问题
高维数据的实时处理
提升光谱类似地物的区分能力

尤其是小样本问题，是我目前面临的最大问题。

本论文通过对高光谱影像自身特性的深入分析，在总结高光谱图像处理研究现状的基础上，研究了多种高性能的特征提取与分类识别技术，并用多个高光谱遥感应用实例验证了本文提出的多种方法。

可以看出文章大概的思路：

高光谱影像的特性的深入分析
总结高光谱图像处理研究现状
多种高性能的特征提取与分类识别技术
多个高光谱遥感应用实例

第二段

对于高光谱影像特征提取，本文提出了一种基于图像融合与递归滤波的方法。该方法通过图像融合与递归滤波有效去除高光谱影像中的噪声，强化地物的形状与轮廓等显著空间结构，从而有效降低类内差异，同时增大类间差异。

基于图像融合与递归滤波的方法：

原理：通过图像融合与递归滤波有效去除高光谱影像中的噪声，强化地物的形状与轮廓等显著空间结构。
结果：降低类内差异，增大类间差异。

第三段

光谱反射值是高光谱影像的关键特征，然而受到传感器成像机理、拍摄环境以及气候条件等因素的影响，遥感高光谱影像中的光谱反射值往往并不纯净甚至可能包含严重的失真与畸变。

这反映了高光谱图像采样时的问题：容易收到外界环境的干扰（在使用同一种采样器的情况下，不考虑采样器带来的差异）。这也是我的导师说的不同批次的采样数据最好不要混用的原因。

按照论文的意思，我觉得可以这么理解：最终采样得到的高光谱图像的光谱反射值主要有两部分组成：

光谱反射值：反应被采样数据的属性，不随采样条件改变。
随机误差：反应采样条件的改变，随采样条件的不同而不同。

针对这一问题，我们提出了一种基于本质图像分解的高光谱影像特征提取算法。基于人眼视觉感知模型，利用人眼区分亮度特征与光谱反射特征的能力，将高光谱影像分解为亮度成份与光谱反射成份，并将通过本质图像分解获取的影像纯净光谱反射成份用于地物识别分类。
实验中，我们将本质图像分解特征应用于高光谱遥感应用实例并与多种现有的高光谱影像特征提取方法进行了比较。结果显示：基于本质图像分解的特征提取方法能够有效消除多种不利因素(如：场景光照、阴影以及成像噪声等)对影像光谱反射值的影响，提供了更高的分类精度。

方法：基于本质图像分解的高光谱影像特征提取。
原理：人眼视觉感知模型，利用人眼区分亮度特征与光谱反射特征的能力。
理论结果：将高光谱影像分解为亮度成份与光谱反射成份，并将通过本质图像分解获取的影像纯净光谱反射成份用于地物识别分类
实际结果：有效消除
多种不利因素(如：场景光照、阴影以及成像噪声等)对影像光谱反射值的影响，提供了更高的分类精度。

…………先略吧，看不下去了。

第一章绪论

1.1 研究背景与意义

介绍了高光谱图像的发展情况及其意义：
遥感影像光谱分辨率可达到纳米数量级，其光谱通道多达数十甚至数百，地物的成像范围也延伸到人类肉眼不可见的近红外、中红外甚至远红外光谱区间。
这意味着高光谱影像不仅可提供地物的空问几何信息，同时也包含丰富的反映地物特有物理性状的光谱信息。

统计了国内外现有的主要高光谱成像传感系统：
略

1.2 国内外研究现状

1.2.1 高光谱遥感影像特点与面I临的挑战

特点：

光谱响应范围广，波段多，采样间隔小，分辨率高。
高覆盖的光谱范围与精细的光谱分辨率意味着地物光谱的全局特征将更加完整而局部细微特征将更加明显。
“谱像合一”。
以波段数为横轴，灰度值为纵轴建立坐标系，高光谱影像的每个像元在各个通道的灰度值均能表示为一条完整连续的光谱曲线，即所谓的“谱像合一”。
信息冗余度大。
高光谱影像数据量大，且相邻高光谱波段的相关性高。
高光谱遥感影像空间辨率通常较低，部分光谱范围内的波段会出现信息丢失或包含严重的影像噪声。
成像技术的局限性，大气湿度、场景光照等环境因素影响。

挑战：

“Hughes”现象：
即指在高维数据分析过程中，随着数据维数的增加，分类精度先增加后下降的现象。

采用统计模式识别方法对多维数据进行分析时，通常假定每一种模式在特征空间均服从正态分布，通过己知的训练样本，估计统计模型分布的参数值，从而建立分类器。当数据维数较低时，训练样本相对于空间维数占较大比重，因此可以得到比较准确的参数估计。然而，当使用该类识别方法处理包含数百个波段的高光谱影像时，训练样本的数目将不能满足特征空间维数增加的要求，参数估计的精确性也因此难以保证。比如某些重要的地物覆盖，由于在图像中所占的面积较小，无法提供足够数量的训练样本，往往难以得到满意的分类结果。

我的理解是：采用统计模式识别方法（我觉得和统计的原理有关系，但具体不清楚）时，数据维度和训练样本数应该是正相关。
就像论文说的：“当数据维数较低时，训练样本相对于空间维数占较大比重，因此可以得到比较准确的参数估计。……然而，当使用该类识别方法处理包含数百个波段的高光谱影像时，训练样本的数目将不能满足特征空间维数增加的要求，参数估计的精确性也因此难以保证。”
“直接将高维数据作为分类器输入显然不是最聪明的做法”

高光谱影像蕴含着近乎连续的地物光谱信息——“异物同谱”和“同物异谱”
“异物同谱”：
受光照、气候变化、云层厚度以及像元不纯净等因素的影响，高光谱影像存在地物光谱性状混淆与畸变的问题。不同地物的光谱曲线在表现出区分性的同时，也具备极大相似性。
“同物异谱”：
相似地，属于同种地物的像素的光谱曲线也可能受环境因素如光照、阴影与噪声影响，而出现较大差异。

对于这一类识别问题，逐像素的根据地物光谱性状进行识别很容易出现误分的情况。
空谱特征提取与分类方法在利用地物光谱信息进行分类的同时，考虑了像素与其周围像素的空间上下文信息，因此能够有效降低“同物异谱”与“异物同谱”对识别精度的影响。

探索联合高光谱影像空间与光谱信息的特征提取与识别方法是当前高光谱遥感领域研究的焦点。

1.2.2 研究现状与存在的问题

图1.3显示了现有高光谱影像分类识别技术的基本框架：输入一幅高光谱影像，首先需要获取影像的光谱特征与空间特征，然后通过对光谱与空间特征进行选择与组合并输入分类器进行识别，最后利用影像的空间信息对分类结果进行优化得到最终的分类结果。
针对上节所述的高光谱影像维度高、数据量大以及由此产生的影像特征提取与识别分类上的问题，大量研究结果显示：要进一步提升地物识别分类精度，必须联合高光谱影像的光谱与空间信息。换言之，目前高光谱影像识别分类的研究焦点主要集中在图1.3所示的高光谱影像空间特征提取与空间优化环节。

这一段话说明了现有高光谱影像分类识别技术的基本框架，直接看图就好了不再赘述。
另外还说了一点：光谱特征与空间特征都包含有信息，两者应该相互结合，才能使得提高分类效果。

图1.4直观的说明了空间结构信息对高光谱影像分类识别的重要性。如图所示，遥感影像中的地物通常具备明显的空间形状结构。如果我们在进行图像分类时没有利用相邻像素的这种空间相关性，逐像素光谱分类很有可能把属于同一类别的像素识别为不同类型的地物。换言之，单纯根据像素的光谱信息进行分类是不合理的．识别算法在决定一个像素的地物覆盖类别时，不仅需要考虑该像素的光谱信息，同时也需要考虑与之相邻的像素的光谱信息以及更深层次的影像中的空间形状、纹理与布局。

我的理解是，空间特征其实显示了相邻像素之间的联系，不考虑这种连续性（也就算不考虑空间特征），单纯根据光谱特征逐像素分类会出现将相邻的一类分成多类的问题。
算是，详细解释了为什么要将光谱特征与空间特征结合，来进行分类识别。

近年来国内与国际关于如何联合影像空间与光谱信息进行识别的研究总体上分成如下两个主要研宄方向：一是构建联合影像空间与光谱信息的高光谱影像空谱特征提取算法，另一个是以图像分割、概率优化等手段为代表的对逐像素光谱分类结果进行优化的空谱分类方法。

上面这段话说的是，为了联合影像空间与光谱信息，产生的两个研究方向：

构建联合影像空间与光谱信息的高光谱影像空谱特征提取算法。
以图像分割、概率优化等手段为代表的对逐像素光谱分类结果进行优化的空谱分类方法。

高光谱影像特征提取

如何提取有效的反映不同模式的特征是高光谱影像处理与分析的关键技术。直接将高光谱数据作为模式识别分类器的输入，明显不是最佳的选择。抛开高维数据带来的计算负担不说，机器学习方法在处理高维数据时也会面临很大的挑战，如上节所述的“Hughes”现象。

提取有效的反映不同模式的特征（？？？），可不可以理解成根据这个特征我能区分不同的模式（或者叫类）。
另外这段话的一个主要意思是：直接将高光谱数据作为模式识别分类器的输入是不可行的，（要将高维数据进行降维处理，或想办法增加训练样本数，或采用新的训练方法）（？？？括号内是我的想法）。

大量研究结果说明：利用未标记样本的半监督学习与主动构建新样本的主动学习方法是解决高维数据训练样本不足问题的两种有效解决途径。但是，作为另一种更为直接的解决方案，如何降低数据的维数，将高光谱影像从高维特征空间转换至低维空间一直是高光谱影像分析的研究热点。

这段话首先提了两种解决高维数据训练样本不足问题的方法：

未标记样本的半监督学习（？？？）
主动构建新样本的主动学习（？？？）

另外作者又提出了将高维数据降维的思路：“作为另一种更为直接的解决方案，如何降低数据的维数，将高光谱影像从高维特征空间转换至低维空间一直是高光谱影像分析的研究热点”。

我的理解是高维数据本身会带来计算量的增加，另外维度的提高也会带来对训练样本数数量的要求，即更高的数据维数需要更多的训练样本。前面的两种思路是改变训练方法。作者提出的方法是降低维度。

应用最为广泛的光谱特征提取方法是基于数据变换的方法。这一类方法通过将高维高光谱数据映射到一个低维的特征空间，实现数据的降维。常见的有基于主成份分析(PrincipalComponentAnalysis，PCA)与基于独立成份分析的方法(IndependentComponentAnalysis，ICA)。
主成份分析通过将高维特征向量的多维变量进行线性变换，从中选出少数几个或几十个方差最大的特征向量用于识别分类。主成份分析降维的优势在于数据降维过程中保持了数据中对方差贡献最大的特征。其缺点在于包含信息量最多的特征向量并不一定包含能够区分不同模式的有用信息。
独立成份分析假设反映不同地物材质的光谱信号源是统计独立的。基于该假设，独立成份分析通过少数尽可能独立的特征向量对高光谱影像进行表征。根据数据独立性标准和求解方法的不同，研究人员们提出了多种不同的独立成份分析方法，并将其应用于高光谱影像特征提取。Nicola等人深入研究了不同独立成份分析方法对高光谱影像特征提取性能的影响。

上面的方法是将高维数据映射到低维特征空间。

主成分分析：

优点：数据降维过程中保持了数据中对方差贡献最大的特征。
缺点：包含信息量最多的特征向量并不一定包含能够区分不同模式的有用信息。

独立成分分析：

假设的前提：不同地物材质的光谱信号源是统计独立的。
做法：通过少数尽可能独立的特征向量对高光谱影像进行表征。

除上述的线性特征提取方法外，非线性特征提取同样是数据降维领域的研究焦点。……流形学习这一类非线性方法的优势是它们是从观测到的现象中去寻找事物的本质，因此有可能找到产生数据的内在规律。

非线性特征提取和流形学习（不太懂，但我觉得目前我也用不着）。

综上所述，关于高光谱影像光谱特征提取的研究一直是该领域的研究热点。其主要目的是降低数据维数的同时，保留数据中的模式可分信息。然而，单一的光谱特征提取无法有效描述影像的空间信息，也无法实现对地物光谱性状与地物空问结构特征的统一认知，因此其对识别精度的提升存在着明显的性能瓶颈。……然而近年来随着高光谱遥感研究的不断深入，越来越多的研究开始关注如何在降低数据维度的同时，利用影像的空间上下文信息，进一步增强高光谱数据的模式可分性。空谱特征提取已经成为高光谱影像特征提取领域的一个重要分支。

这段话有三个点：

数据降维的目的：
在降低数据维数的同时，保留数据中的模式可分信息。（我的理解是，首先维度一定要降低，但是要保留足够的用于分类的信息，使得分类任务得以完成）
单一的光谱特征提取的局限性：
无法有效描述影像的空间信息，也无法实现对地物光谱性状与地物空问结构特征的统一认知，因此其对识别精度的提升存在着明显的性能瓶颈。
现在的方向：
在降低数据维度的同时，利用影像的空间上下文信息，进一步增强高光谱数据的模式可分性。

灰度共生矩阵……

这一章在这之后的都没看。

1.3 论文研究内容与章节安排

从高光谱遥感影像出发，一方面我们从特征的角度来分析高光谱影像；另一方面，本文通过空谱分类的方式，提升逐像素高光谱影像分类精度。

本文的两个重点：

从特征的角度来分析高光谱影像。
通过空谱分类的方式，提升逐像素高光谱影像分类精度。

论文脉络如下：

从特征的角度来分析高光谱影像：

(1)对于光谱特征，我们尝试使用图像融合来降低高光谱影像的数据维数，去除高光谱影像相邻波段中的冗余信息。该方法的优势在于降维后的高光谱数据中的波段依然对应场景在某个光谱区间内的反射特性。
(2)对于高光谱影像而言，形状、轮廓等显著空间结构特征是人眼判别地物覆盖边界最为直接的手段。我们尝试联合图像融合与递归滤波方法，提出了一种基于局部空间滤波的特征提取算法。该方法能够去除高光谱影像的噪声信息，增强影像中的形状以及地物轮廓等结构信息。
(3)光谱反射值是高光谱影像的关键特征，然而受拍摄条件影响，遥感高光谱影像中的光谱反射值往往并不纯净。针对这一问题，我们提出了一种基于本质图像分解的高光谱影像特征提取算法。该方法通过模拟人眼区分亮度信息与光谱反射信息的能力，将高光谱影像分解为亮度成份与光谱反射成份，并将本质图像分解获取的影像的纯净光谱反射成份用于地物识别分类。与传统空谱特征提取方法不同，该方法最终目的是要提取出影像中纯净的不受阴影与光照等因素影响的光谱反射信息。但是在本质图像分解的过程中，该方法利用了影像的空间上下文信息，因此也是一种空谱特征提取方法。

降低数据维数
方法： 图像融合。
效果： 去除高光谱影像相邻波段中的冗余信息。
优点： 降维后的高光谱数据中的波段依然对应场景在某个光谱区间内的反射特性。
特征提取算法
方法： 联合图像融合与递归滤波方法，，提出了一种基于局部空间滤波的特征提取算法。
效果： 去除高光谱影像的噪声信息，增强影像中的形状以及地物轮廓等结构信息。
光谱反射信息提取
方法： 基于本质图像分解的高光谱影像特征提取算法。
效果： 将高光谱影像分解为亮度成份与光谱反射成份，并将本质图像分解获取的影像的纯净光谱反射成份用于地物识别分类。

本文提出的特征提取算法均具有不同的特性，比如基于图像融合与递归滤波的方法具有计算复杂度低分类精度高的特点。而基于本质图像分解的方法，在物理含义上更能准确描述高光谱特征提取的关键所在。尽管算法复杂度较高，但同等条件下，总是能获得比前者更高的分类精度。此外，在处理小样本分类问题上，基于本质图像分解的特征提取方法，性能明显优于基于递归滤波的方法。

……

通过空谱分类的方式，提升逐像素高光谱影像分类精度：

(1)基于概率优化的空谱分类是高光谱遥感领域的一个重要研究方向。然而传统的全局优化算法如马尔可夫随机场计算复杂度高且处理效率低。针对这一问题，我们提出了一种快速有效的基于边缘保持滤波的空谱分类算法，该算法无需迭代，通过实时的边缘保持滤波联合影像空谱信息，可极大提升分类精度。
(2)基于边缘保持滤波的局部优化方法无法模拟影像更深层次的空间上下文关系，因此在小样本高维数据分类问题上，存在性能瓶颈。针对这一问题，我们提出了基于随机行走的高光谱影像空谱分类算法。通过求解联合影像空谱信息的随机行走能量函数实现对高光谱影像的精确解译。结果显示该方法突破了传统空谱分类方法在小样本高维数据分类问题上的性能瓶颈，显著提升了分类精度。

空谱分类
方法： 基于边缘保持滤波的空谱分类算法。
效果： 该算法无需迭代，通过实时的边缘保持滤波联合影像空谱信息，可极大提升分类精度。
优化小样本高维数据分类问题
方法： 基于随机行走的高光谱影像空谱分类算法。通过求解联合影像空谱信息的随机行走能量函数实现对高光谱影像的精确解译。
效果： 该方法突破了传统空谱分类方法在小样本高维数据分类问题上的性能瓶颈，显著提升了分类精度。

1.3.1 研究内容

论文的主要研究内容包括：

(1)基于图像融合与递归滤波的高光谱影像特征提取
提出一种基于图像融合与递归滤波的高光谱影像空谱特征并将其应用于精细农业制图与城市分类。通过与常用的空谱特征提取与分类识别方法的比较，测试提出的基于图像融合与递归滤波的空谱特征的优势。

基于：图像融合与递归滤波
用于：特征提取

(2)基于本质图像分解的高光谱影像特征提取
基于人眼的感知特性，提出一种基于本质图像分解的高光谱影像特征。通过估计高光谱影像的本质光谱反射成份，减少噪声、阴影与场景亮度变化对影像记录的光谱反射值的影响。在实验中，通过和常用的空谱特征提取与分类识别方法的比较，测试本质图像分解特征提取技术在解决小样本识别分类问题上的优势。

基于：本质图像分解
用于：特征提取

(3)基于边缘保持滤波的高光谱影像识别分类
针对现有空谱分类方法计算复杂度高的问题，提出一种基于局部边缘保持滤波的空谱高光谱影像空谱分类算法。用支持向量机获取像素级分类结果，然后通过边缘保持滤波对初始分类结果进行局部优化，得到空谱分类结果。在实验中，我们分析了不同边缘保持滤波器对算法性能的影响。

基于：边缘保持滤波
用于：识别分类

(4)基于扩展随机行走的高光谱影像识别分类
针对局部优化算法和现有全局优化算法的不足，本论文利用随机行走优化对高光谱影像的空间结构进行建模，提出了一种基于扩展随机行走的高光谱影像空谱分类算法。算法首先用支持向量机获取分类概率图像，然后通过优化联合空谱信息的随机行走能量函数获得最终分类结果。在实验中，通过与近年提出的多种空谱分类方法的比较，测试随机行走方法在解决小样本识别分类问题上的优势。

基于：扩展随机行走
用于：识别分类

(5)高光谱遥感影像综合应用实例
采用城市地物分类、植被覆盖精确制图、灾害检测与环境监测等实际高光谱遥感典型案例，对本文提出的各种算法进行验证和比较。

实例演示，对本文提出的各种算法进行验证和比较。

城市地物分类
植被覆盖精确制图
灾害检测与环境监测

1.3.2 章节安排

论文的章节安排如下：

第一章，绪论。
主要介绍高光谱遥感图像处理的研究意义、高光谱影像特征提取与分类识别技术的研究趋势、发展方向和当前的主要难题以及本文的主要研究内容和方案。

第二章，基于图像融合与递归滤波的高光谱影像特征提取。
该章深入分析了域变换递归滤波的边缘保持特性。提出一种基于图像融合与递归滤波的高光谱影像特征提取方法。其基本原理是利用图像融合技术与滤波器的边缘保持特性去除影像噪声的同时，增强高光谱影像中地物的形状与轮廓等空间结构。实验全面比较了基于递归滤波的特征提取方法与形态学特征、逻辑回归与多层回归等广泛使用的空谱特征提取与分类算法。

第三章，基于本质图像分解的高光谱影像像特征提取。该章详细介绍了机器视觉领域的本质图像分解问题，并提出了一种基于本质图像分解的高光谱影像特征提取算法。其基本原理是利用像元空间上下文关系和视觉感知先验知识，提取出影像中纯净的不受阴影与光照等因素影响的纯净光谱反射特征。实验全面比较了本方法与之前提出的基于图像融合与递归滤波的方法以及其他常用的空谱特征提取与分类识别算法。

第四章，基于边缘保持滤波的高光谱影像识别分类。
该章回顾了数种著名的边缘保持滤波器，提出了基于边缘保持滤波的高光谱影像空谱分类识别框架。其基本原理是利用快速的局部滤波方法，联合影像空间信息对逐像素分类结果进行优化，得到最终的空谱分类结果。实验中测试了两种不同的边缘保持滤波策略，双边滤波与引导滤波，对算法性能的影响。

第五章，基于扩展随机行走的高光谱影像识别分类。
该章详细介绍了随机行走算法的基本原理及其优势，提出了基于扩展随机行走的高光谱影像分类算法。实验全面比较了该方法与之前提出的特征提取与分类识别算法的效果和精度，以及训练样本数量不同时，不同方法的性能。

第六章，高光谱遥感影像综合应用实例。
用四个典型实例，讨论第二章到第五章所提出的高光谱影像特征提取与分类识别技术在不同场景和条件下的应用。分别为：(1)高分辨率可视与高光谱影像相结合的加拿大魁北克黑湖圹城城区分类与制图；(2)美国肯尼迪航天中心周边河岸植被覆盖识别与空间分布研究；(3)博茨瓦纳草原湿地植被制图与灾害检测研究。(4)黄河口三角洲水体、土壤以及植被识别分类研究。

paper reading：高光谱遥感影像空谱特征提取与分类方法研究 - 康旭东相关推荐

高光谱遥感影像分类研究进展 --- （15年论文，方法主要是常规处理，但是写的比较细）
论文地址高光谱遥感影像分类研究进展南大.矿大.河海 15年的文章比较老,科普文,但是理论总结和语言用词都比较扎实在总结分类策略的基础上,重点从以核方法(SVM)为代表的新型分类器设计.特征挖掘. ...
python怎样画立体图形-用python来画出高光谱遥感影像的3D立体图
这几天需要画出高光谱遥感影像,踩了不少坑,资料真的少得可怜.虽然没有完全搞懂,总归是尝试着画出来了.所以在这里把我遇到的问题罗列一下,仅供参考,如有不足,欢迎大家指正补充. 1.先来贴出我当时看到的第 ...
用python来画出高光谱遥感影像的3D立体图
这几天需要画出高光谱遥感影像,踩了不少坑,资料真的少得可怜.虽然没有完全搞懂,总归是尝试着画出来了.所以在这里把我遇到的问题罗列一下,仅供参考,如有不足,欢迎大家指正补充. 1.先来贴出我当时看到的第 ...
基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax （准确率比较低，17年的论文）
论文地址基于深度神经网络的高光谱影响分类方法研究装备学院学报遥感影像分类的问题:预处理复杂,高维特征提取困难,分类不够精确等缺陷首先采用最大噪声分数来降低特征空间维度,然后将自动编码器与sof ...
综述：基于影像基因组学的肺癌诊断治疗方法研究
介绍: 肺癌是世界上发病率和死亡率最高的恶性肿瘤之一,据美国癌症协会和癌症统计中心统计,每年超过15万个病人死于肺癌,20万个新诊病例.肺癌的致病因素有很多种,其发病率和死亡率都是最高的,是癌症中的第 ...
【图像超分辨率】遥感数据的高斯金字塔尺度上推方法研究
0 引言: 本文提出了一种利用高斯金字塔的图像模糊特性进行遥感数据尺度上推的方法,在对金字塔每一层的数据高斯模糊的基础上,通过多次连续的降采样,得到一系列不同尺度的数据,从而满足实际应用的空间分辨率要 ...
基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割
随着无人机自动化能力的逐步升级,它被广泛的应用于多种领域,如航拍.农业.植保.灾难评估.救援.测绘.电力巡检等.但同时由于无人机飞行高度低.获取目标类型多.以及环境复杂等因素使得对无人机获取的数据处理 ...
高分辨率光学遥感影像舰船目标检测与识别算法研究（尹莹莹）
论文阅读笔记摘要本文主要研究海陆背景下的光学遥感图像舰船目标检测与识别技术,重点研究了海陆分离.舰船目标疑似区域检测技术与疑似区域目标识别技术. 海陆分离: 采用了OTSU与形态学相结合的方法实现 ...
（新手）使用sklearn对Indian_pines_corrected高光谱遥感数据集的简单特征选择与分类
# 2021.4.29 ML作业三 import scipy.io as scio import numpy as np from matplotlib import pyplot as pltdat ...

paper reading：高光谱遥感影像空谱特征提取与分类方法研究 - 康旭东

摘要部分

第一段

第二段

第三段