Сегментация гиперспектральных изображений скачать в хорошем качестве

Сегментация гиперспектральных изображений

В этом видео простым языком объясняется принцип работы гиперспектральной визуализации и предлагается быстрый и надежный способ сегментации гиперспектральной сцены на Python. Вы поймете, почему гиперспектральная визуализация так эффективна — каждый пиксель имеет полный спектр, поэтому мы разделяем материалы по форме спектра, а не по яркости. Затем мы создаем простой конвейер обработки, работающий с большинством кубов: применяем список плохих полос (BBL), L2-нормализуем каждый спектр, сжимаем с помощью PCA (~10 сравнений) и кластеризуем с помощью MiniBatchKMeans (K ≈ 4–10). Мы показываем результаты непосредственно в Spyder (карта сегментации, предварительный просмотр PCA, спектры средних значений кластеров, график дисперсии) и подробно объясняем, что именно показывает каждый элемент. Вы узнаете, почему сегментация помогает — чистые, похожие на объекты области, меньше спеклов и более быстрый последующий анализ — и чем она отличается от классификации: сегментация находит фрагменты (обычно без учителя), а классификация присваивает имена фрагментам (с учителем). На практике оптимальным рабочим процессом часто является сегментация → классификация (объектно-ориентированный анализ изображений) для получения более чистых карт с меньшими затратами на разметку. Мы также рассматриваем распространенные ошибки — сохранение некорректных полос, пропуск нормализации или сохранение слишком большого/малого количества компонентов PCA — и способы их избежать. Наконец, мы затрагиваем области, где это наиболее важно: сельское хозяйство, качество воды, геология, промышленный контроль качества, медицинская визуализация и культурное наследие. Для доступа к коду используйте следующую ссылку: https://github.com/mortezmaali/HSI_Se...