matlab描绘三维函数代码-compressive_spectral_subspace_clustering:MatLab编码用于压缩光谱子

时间:2024-06-11 07:29:19
【文件属性】:

文件名称:matlab描绘三维函数代码-compressive_spectral_subspace_clustering:MatLab编码用于压缩光谱子

文件大小:4.43MB

文件格式:ZIP

更新时间:2024-06-11 07:29:19

系统开源

matlab嵌入三维函数代码用于压缩光谱子空间聚类的编码Kong径设计 抽象的 压缩光谱成像(CSI)通过在每个空间位置应用不同的编码模式然后执行光谱方式的积分来获取光谱场景的压缩观测结果。 依靠压缩感测,通过使用非线性且相对昂贵的基于优化的算法来实现光谱图像重建。 在CSI文献中,一些工作集中在通过适当设计编码模式集来提高重建质量上。 但是,在许多信号处理应用中,信号恢复实际上并不是必需的。 例如,假设具有相似特征的压缩测量值位于同一子空间上,则可以使用诸如子空间聚类之类的无监督方法将它们分离到同一聚类中。 由于压缩测量的结构是由所应用的编码定义的,因此可以改善聚类性能。 这项工作建议设计一组编码模式,以便在获取CSI之后保留类间和类内数据结构,以便直接在压缩域上改善聚类结果。 为了验证编码模式的设计,提出了一种基于稀疏子空间聚类(SSC)的算法对压缩后的度量进行聚类。 所提出的算法利用频谱图像的空间相关性向SSC问题中添加了3D空间正则化器。 一般而言,如果进行噪声测量,则可获得高达83.81%的总体精度。 此外,将完整3D数据获得的聚类结果与使用建议编码模式设计获得的CSI测量获


【文件预览】:
compressive_spectral_subspace_clustering-master
----main.m(2KB)
----Auxiliary Files()
--------hungarian.m(12KB)
--------admmLasso_mat_func_CSI_SSC_GPU.m(5KB)
--------thrC.m(680B)
--------admmLasso_mat_func_CSI_SSC_GPU_Double.m(4KB)
--------DataProjection.m(733B)
--------cnormalize_inplace.m(572B)
--------errorCoef.m(548B)
--------matrixNormalize.m(580B)
--------bestMap.m(745B)
--------computeLambda_mat.m(678B)
--------SpectralClustering.m(1KB)
--------BuildAdjacency.m(969B)
--------admmLasso_mat_func_CSI_SSC_CPU.m(4KB)
--------drawResults.m(1KB)
--------evaluate_results.m(1KB)
--------errorLinSys.m(825B)
----DataBases()
--------Indian_subset.mat(1.3MB)
--------UPavia_Subset.mat(1.79MB)
----CSI_SSC.m(2KB)
----Coding Patterns Design()
--------optimalCodingPatterns.m(3KB)
--------generateCodes.m(896B)
----Results()
--------Indian_pines_cmap.mat(191B)
----.gitignore(379B)
----Figs()
--------intro.png(1.26MB)
--------pavia_subset.png(57KB)
----README.md(5KB)

网友评论