多光谱图像CAVE数据集下载

PIPI_333 2020-09-27 05:22:07

我们提供了用于模拟GAP相机的多光谱图像数据库。这些图像包含各种现实世界的材料和物体。我们正在将该数据库提供给研究社区。
相关下载链接：//download.csdn.net/download/siyumiao_hbu/12889560?utm_source=bbsseo

...全文

675 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

我们提供了用于模拟GAP相机的多光谱图像数据库。这些图像包含各种现实世界的材料和物体。我们正在将该数据库提供给研究社区。

CAVE数据集mat格式，含HSI，MSI，GT。我们提供了用于模拟GAP相机的多光谱图像数据库。这些图像包含各种现实世界的材料和物体。

通过3DDnCNN学习光谱空间先验以进行高光谱图像反卷积脚步：运行Cave_processing.py以处理公共数据集CAVE；运行get_kernel.py以获得本文中使用的服务器模糊内核。运行blurring_image.m以使原始高光谱图像与获得的内核模糊；运行main_con.py是高光谱图像反卷积的主要功能。如果要训练和测试去噪神经网络3DDnCNN，请执行以下操作：运行train.py来训练3DDnCNN; 运行test.py以测试3DDnCNN; 如有任何疑问，请随时通过给我发送电子邮件。如果此代码对您有帮助，请引用我们的论文，如下所示： @inproceedings {wang2020learning，title = {通过3DDNCNN为高光谱图像反卷积学习光谱空间先验}，作者= {Wang，Xiuheng和Chen，Jie and R

高光谱图像具有高光谱分辨率，并且已在许多应用中得到广泛使用，但是实现高光谱分辨率的成像过程是以空间分辨率为代价的。本文旨在通过提出一种新的基于类的光谱超分辨率方法，从高空间分辨率的RGB图像中构建高空间分辨率的高光谱（HHS）图像。借助一组RGB和HHS图像对，我们提出的方法使用基于类的反向传播神经网络（BPNN）学习RGB和HHS图像对之间的非线性光谱映射。在训练阶段，使用无监督聚类将RGB图像根据光谱相关性分为几类，并使用分类后的RGB图像和对应的HHS图像的光谱对来训练BPNN，建立非线性光谱映射每堂课在光谱超分辨率阶段，使用监督分类将给定RGB图像分类为在训练阶段确定的类别，并使用训练后的BPNN从分类后的给定RGB图像重建最终的HHS图像。对三个标准数据集ICVL，CAVE和NUS的比较表明，与相关的最新技术方法相比，我们提出的方法可实现更好的光谱超分辨率质量。

hsi matlab代码代码：用于高光谱图像去噪的低阶张量字典学习方法《 TSP2020一种用于高光谱图像去噪的低秩张量字典学习方法》一文中的所有matlab代码。 数据集 从来自的ICVL。我们通过msi=msi(1:2:size(msi,1),1:2:size(msi,2), :)下采样ICVL数据集。来自的贾斯珀里奇（Jasper Ridge）资料夹结构 Demo_DL_syn.m : Detect the object ' road ' on denoised jasperRidge HSIs via different methods (Fig. 7, 8). Please run it where we provide the pre‐computing denoising results and you can get the results in Fig. 7 and Fig. 8. Demo_denoise_ge.m : Denoise the CAVE- ' watercolors ' HSI with generated noise. It needs t

下载资源悬赏专区

13,656

社区成员

12,677,383

社区内容

发帖

与我相关

我的任务

其他技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章