针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。
首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；
然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；
再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；
最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。
实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。
首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；
然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；
再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；
最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。
实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。
2025/8/15 1:14:24
814KB
1
苹果高光谱图像数据集用于纯苹果和施肥苹果的高光谱数据集关于数据集用于测量所用化学物质水平的纯苹果和施肥苹果的高光谱数据集。
数据集由各种苹果的高光谱图像组成。
分为三大类:1.“新鲜”-从市场直接购买的苹果图像2."低浓度”-苹果浸入低浓度杀真菌剂/杀虫剂溶液即1克或1毫升肥料兑1升水)的图像，以及3.高浓度“_苹果浸入低浓度杀真菌剂/杀虫剂溶液(即3克或3毫升肥料兑1升水)的图像，以及默认情况下，高光谱图像保存为.bil格式。
此数据集以.tif格式给出。
整个数据集被分类为三个folders.1Apple_Samples,2.Fungicide_Apple3.lnsecticide_AppleApple_Samples文件夹由两个文件夹组成:monostar和nativo。
“Monostar”被进一步分为四个文件夹，总共有207张图片。
"Nativo"由=个文件夹组成，总共73张图片。
杀菌剂苹果由162张图片组成，分为三类，即新鲜苹果、低浓度溶液浸泡的苹果和高浓度溶液浸泡的苹果。
本试验所用的杀菌剂是NATIVO。
同样，杀虫剂苹果由175张图片组成，也分为三类
数据集由各种苹果的高光谱图像组成。
分为三大类:1.“新鲜”-从市场直接购买的苹果图像2."低浓度”-苹果浸入低浓度杀真菌剂/杀虫剂溶液即1克或1毫升肥料兑1升水)的图像，以及3.高浓度“_苹果浸入低浓度杀真菌剂/杀虫剂溶液(即3克或3毫升肥料兑1升水)的图像，以及默认情况下，高光谱图像保存为.bil格式。
此数据集以.tif格式给出。
整个数据集被分类为三个folders.1Apple_Samples,2.Fungicide_Apple3.lnsecticide_AppleApple_Samples文件夹由两个文件夹组成:monostar和nativo。
“Monostar”被进一步分为四个文件夹，总共有207张图片。
"Nativo"由=个文件夹组成，总共73张图片。
杀菌剂苹果由162张图片组成，分为三类，即新鲜苹果、低浓度溶液浸泡的苹果和高浓度溶液浸泡的苹果。
本试验所用的杀菌剂是NATIVO。
同样，杀虫剂苹果由175张图片组成，也分为三类
2025/5/18 9:08:56
761.24MB
1
N-FINDR是一种端元提取方法，本代码是利用MATLAB结合N-FINDR原理，进行编程，输入是高光谱数据，程序内包括了高光谱数据输入，N-FINDR处理，端元结果输出
2025/4/9 16:29:47
8KB
1
首先利用PCA进行降维，并利用SVM对高光谱数据进行分类，数据采用印第安纳农场数据，训练样本比例可调，设计了一个GUI
2025/3/3 13:01:25
6.28MB
1
结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练
该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；
然后利用深度卷积神经网络对输入的样本进行空间特征提取；
最后通过学习到的高级特征进行回归训练
2025/1/22 10:55:54
3.25MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB