高光谱图像分类技术

第 1 章 高光谱图像分类概述 1 1.1 高光谱图像 1 1.2 高光谱图像分类现状 3 1.2.1 高光谱图像特征提取方法 3 1.2.2 高光谱分类器设计方法 7 1.2.3 高光谱图像特征提取及分类难点分析 11 参考文献 13 第 2 章 高光谱显微图像维度约减及分类 19 2.1 高光谱显微图像成像系统及数据采集19 2.1.1 高光谱显微图像成像系统 19 2.1.2 膜性肾病病理组织标准化数据采集及预处理 20 2.2 基于空谱密度峰值的高光谱显微图像维度约减25 2.2.1 引言 25 2.2.2 相关原理与方法 26 2.2.3 基于空谱密度峰值的维度约减方法 27 2.2.4 实验内容及结果分析 30 2.3 基于张量表示的高光谱显微图像多特征提取39 2.3.1 引言 39 2.3.2 张量相关原理与知识 39 2.3.3 基于判别张量的多特征融合提取算法 39 2.3.4 实验内容及结果分析 43 2.4 基于张量回归分析的高光谱显微图像分类52 2.4.1 引言 52 2.4.2 *小二乘回归分析方法 52 2.4.3 基于张量块的判别线性回归分析方法 52 2.4.4 实验内容及结果分析 55 参考文献 60 第3 章 高光谱显微图像多尺度深度学习分类 63 3.1 基于深度学习的高光谱显微图像膜性肾病分类63 3.1.1 图像数据预处理 63 3.1.2 膜性肾病分类模型 68 3.1.3 实验内容及结果分析 74 3.2 基于深度特征融合网络的高光谱显微图像分类83 3.2.1 深度特征融合网络 84 3.2.2 实验内容及结果分析 88 3.3 基于Gabor 引导CNN 的高光谱显微图像分类93 3.3.1 基于CNN 和Gabor 滤波器的分类算法 94 3.3.2 实验内容及结果分析 97 参考文献 102 第4 章 高光谱图像结构感知学习模型及分类 104 4.1 基于结构感知协同表示的高光谱图像分类 104 4.1.1 引言 104 4.1.2 SaCRT 模型 105 4.1.3 实验内容及结果分析 109 4.2 基于DMLSR 的高光谱图像分类 123 4.2.1 引言 123 4.2.2 DMLSR 模型 124 4.2.3 实验内容及结果分析 126 4.3 基于ICS-DLSR 的滨海湿地数据样本空间