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
728 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
多光谱图像CAVE数据集
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。
CAVEdata.rar
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。
8张供测试的多光谱数据集
8张供测试的多光谱数据集
ADMM_3DDnCNN_HSI_deconvolution:实施论文“通过3DDnCNN学习光谱空间先验以进行高光谱图像反卷积”（ICASSP 2020）
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
使用基于类的BP神经网络对RGB图像进行光谱超分辨率
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。
下载资源悬赏专区

13,655

社区成员

12,579,382

社区内容

发帖
与我相关
我的任务
社区描述
CSDN 下载资源悬赏专区
其他 技术论坛（原bbs）
社区管理员
  • 下载资源悬赏专区社区
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