【技术实现步骤摘要】
本专利技术涉及图像分类，具体涉及一种基于张量宽度学习网络的高光谱图像分类方法。
技术介绍
1、高光谱成像(hsi)作为遥感领域关键技术之一，已然成为人类实现对地观测的重要途径。相比于传统遥感图像，高光谱遥感图像不仅具有更高的光谱分辨率，其空间分辨率也有了进一步提升。但是，过高的空间和光谱分辨率遥感影像在给我们带来更丰富的光谱信息及更强烈的空间视觉冲击的同时，也带来了一系列信息提取与模式识别的新问题。由于高光谱遥感图像具有三维的立方体数据结构，传统的向量形式都无法有效保留高光谱遥感数据的内在几何结构，通常会造成局部结构信息的丢失。其次，高光谱遥感图像波段较多，通常导致算法计算复杂度过高。
2、由于先进的特征学习能力，深度学习快速发展并且应用于高光谱遥感图像处理。相较于传统的分类方法，深度学习具有强大的非线性表示能力，可以辨别与提取更深层次的、不同的特征。
3、利用卷积神经网络(cnn)进行图像分类，能有效利用高光谱成像的全局数据和多尺度信息，但这些改进主要得益于大量的参数优化，以及为了避免过拟合，解决这种高维优化问...
【技术保护点】
1.一种基于张量宽度学习网络的高光谱图像分类方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于张量宽度学习网络的高光谱图像分类方法，其特征在于：所述高光谱张量特征表示的公式为：
3.根据权利要求2所述的基于张量宽度学习网络的高光谱图像分类方法，其特征在于：所述步骤S2的交替最小二乘算法具体包括：
4.根据权利要求3所述的基于张量宽度学习网络的高光谱图像分类方法，其特征在于：所述步骤S3的公式为：
5.根据权利要求4所述的基于张量宽度学习网络的高光谱图像分类方法，其特征在于：所述步骤S4的公式为：
【技术特征摘要】
1.一种基于张量宽度学习网络的高光谱图像分类方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于张量宽度学习网络的高光谱图像分类方法，其特征在于：所述高光谱张量特征表示的公式为：
3.根据权利要求2所述的基于张量宽度学习网络的高光谱图像分类方法，...
【专利技术属性】
技术研发人员：邓阳君，张律威，张译尹，王伟业，张明，朱幸辉，谭泗桥，
申请(专利权)人：湖南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。