期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
单形体体积最小化的差分进化光谱解混算法 被引量：2
1
作者 覃事银 罗文斐 +1 位作者 杨斌 张锐豪 《中国图象图形学报》 CSCD 北大核心 2015年第11期1535-1544,共10页
目的光谱解混是高光谱遥感图像处理的核心技术。当图像不满足纯像元假设条件时,传统算法难以适用,基于(单形体)体积最小化方法提供了一种有效的解决途径。然而这是一个复杂的约束最优化问题,更由于图像噪声等不确定性因素的存在,导致算... 目的光谱解混是高光谱遥感图像处理的核心技术。当图像不满足纯像元假设条件时,传统算法难以适用,基于(单形体)体积最小化方法提供了一种有效的解决途径。然而这是一个复杂的约束最优化问题,更由于图像噪声等不确定性因素的存在,导致算法容易陷入局部解。方法引入一种群智能优化技术-差分进化算法(DE),借助其较强的全局搜索能力以及优越的处理高维度问题的能力,并通过对问题编码,提出了一种体积最小化的差分进化(Vol Min-DE)光谱解混算法。结果模拟数据和真实数据实验的结果表明,与现有算法相比,该算法在15端元时精度(光谱角距离)可提高7.8%,当端元数目少于15个时,其精度普遍可以提高15%以上,特别是10端元时精度可以提高41.3%;在20 50 d B的噪声范围内,精度变化在1.9 3.2(单位:角度)之间,传统算法在2.23.5之间,表明该算法具有相对较好的噪声鲁棒性。结论本文算法适用于具有纯像元以及不存在纯像元(建议最大纯度不低于0.8)这两种情况的高光谱遥感图像,并可在原始光谱维度进行光谱解混,从而避免降维所带来的累计误差,因此具有更好的适应范围和应用前景。 展开更多
关键词 高光谱遥感 光谱解混 端元 非负矩阵分解 差分进化
原文传递
基于高光谱遥感影像的建筑物表面材质识别方法（英文） 被引量：2
2
作者 Cheng-ming YE Peng CUI +2 位作者 Saied PIRASTEH Jonathan LI Yao LI 《Journal of Zhejiang University-Science A(Applied Physics & Engineering)》 SCIE EI CAS CSCD 2017年第12期984-990,共7页
目的:建筑物的材质信息是灾害评估和城市调查等领域的重要信息。本文旨在利用高光谱遥感影像提取地面建筑物的表面材质信息(包括材质类型和主要组成成份),并对提取方法进行对比,给出应用建议。创新点:对建筑物材料进行光谱测试,并对其... 目的:建筑物的材质信息是灾害评估和城市调查等领域的重要信息。本文旨在利用高光谱遥感影像提取地面建筑物的表面材质信息(包括材质类型和主要组成成份),并对提取方法进行对比,给出应用建议。创新点:对建筑物材料进行光谱测试,并对其高光谱响应规律进行分析,找出有诊断意义的光谱位置;基于实验和验证得出应用方法的适应性,以提高信息提取精度。方法:1.设计建筑物材质信息提取流程(图1),并对高光谱数据进行基础处理;2.对建筑物材料进行光谱测试(波长范围为350~2500 nm,图3),并完成各类建筑物的诊断性光谱分析;3.利用光谱角度法(公式(1))和光谱信息散度法(公式(2))进行材质信息提取(图5和6);4.综合分析两种方法的应用过程与控制参数和准确率的关系。结论:1.两种方法皆可提取建筑物材质信息,但在应用过程中需要进行参数的适应性调整,这是提高准确率的关键;2.在建筑物材质信息提取方面,光谱角度法的提取准确率略高于光谱散度法。 展开更多
关键词 建筑物材料 高光谱遥感 光谱分析 光谱识别
原文传递
低功耗异构计算架构的高光谱遥感图像分类研究 被引量：2
3
作者 刘鹏飞 朱健晨 +1 位作者 万良易 江波 《计算机工程》 CAS CSCD 北大核心 2022年第12期9-15,23,共8页
高光谱图像分类算法通常需要逐点对图像中的像素点进行迭代处理,计算复杂度及并行程度存在较大差异。随着高光谱遥感图像空间、光谱和辐射分辨率的不断提升,这些算法无法满足实时处理海量遥感图像数据的需求。通过分析NPU存储计算一体... 高光谱图像分类算法通常需要逐点对图像中的像素点进行迭代处理,计算复杂度及并行程度存在较大差异。随着高光谱遥感图像空间、光谱和辐射分辨率的不断提升,这些算法无法满足实时处理海量遥感图像数据的需求。通过分析NPU存储计算一体化模式与遥感图像分类算法的实现步骤,设计低功耗CPU+NPU异构资源计算架构的低秩稀疏子空间聚类(LRSSC)算法,将数据密集型计算转移至NPU,并利用NPU数据驱动并行计算和内置AI加速,对基于机器学习算法的海量遥感数据进行实时分类。受到big.LITTLE计算范式的启发,CPU+NPU异构资源计算架构由8 bit和低精度位宽NPU共同组成以提高整体吞吐量,同时减少图网络推理过程中的能量损耗。实验结果表明,与CPU计算架构和CPU+GPU异构计算架构的LRSSC算法相比,CPU+NPU异构计算架构的LRSSC算法在Pavia University遥感数据集下的计算速度提升了3~14倍。 展开更多
关键词 高光谱遥感 图像分类算法 低秩稀疏子空间聚类 低功耗异构计算架构 编码孔径快照光谱成像
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部