HSI-SVM

简介

　　针对高光谱遥感影像识别与分类中存在的问题，开展了以下几方面的研究工作。

• 针对在实际应用中，当特征维数增加到某一个临界点时，继续增加特征维数反而会导致分类器的性能变差，即出现所谓的"休斯(Hughes)现象"的问题。提出了基于波段组合(2D)2PCA 的高光谱遥感影像降维方法，达到了降低数据冗余，消除"休斯现象"的目的，为后续的特征提取和分类工作奠定了基础。
• 提出了基于双通道卷积神经网络的HSI空谱特征提取模型，该模型综合利用了高光谱遥感影像中所包含的光谱特征和空间特征，可有效的提高识别和分类的效率。
• 针对分类器的泛化能力较弱的问题，提出了基于双通道CNN-SVM相融合的HSI识别与分类模型，该模型充分利用了卷积神经网络强大的图像特征提取能力，同时将SVM的泛化能力最大化，最大限度的提高了模型的分类精度，并将该模型应用到高光谱遥感影像分类中。

下载

git clone  https://github.com/Yangget/HSI-SVM.git

分割数据集

python create_PCA.py

训练一个简单的模型

python testmodel.py

训练HSI

cd Part_2
python HSI.py

HSI

HSI_K模型

HSI_G模型

HSI模型

训练HSI_SVM

cd Part_3
python HSI.py