hughes現象是指在高光譜分析中過程中，隨著參與運算波段數目的增加，分類精度「先增後降」的現象。與多光譜相比，高光譜影象的乙個顯著特點就是它的波段數目遠遠大於多光譜影象，因而可以提供更為豐富的細節資訊，可以解決許多在多光譜中不能解決的目標探查和分類問題，但是由於hughes現象的存在，使得高光譜影象的實際應用受到限制。
在多光譜中，影象的維數較少，訓練樣本的數目相對於特徵空間的維數有較大的比率，因而可以得到較為準確的引數估計值。但是對於高光譜影像，由於維數的大幅度增加，在深度學習中，你可以理解成模型提取的特徵維數的增加，導致用於引數訓練的所需樣本數也急劇增加，如果樣本數過少，那麼估計出來的引數精度就無法保證，引數不夠最優，在某些比較重要的地面覆蓋資訊，由於所佔面積較小，不能提供足夠數量的訓練樣本，分類精度也往往不高，雖然光譜波段數目的增加隱含了更多的分類資訊，但是由於引數估計值不夠理想，使得分類結果與理想狀態相去甚遠，產生了hughes現象。這是高光譜影像處理中乙個普遍的問題，2d處理的方法，在光譜維度首先還是要降維，再送到模型中處理，3d-cnn的方法將空譜資訊一次性送到網路中，這個時候就要特別面對這個問題了，深度學習網路是越深特徵維度越高的，越深參數量越大，能夠描述物體的特徵為數越高，不斷進行組合，自然分類準確度就上去了，但是面對高維的光譜，特徵維數越往後提取越多，在面對有限訓練樣本的時候，引數估計的精度就下來了，所以用來處理高光譜的3d-cnn模型到目前為止，我見過都還是相對淺層的，7-8層可能就算比較多了，這個時候效果也比較好了，當然我們也可以探索深度的網路在高光譜影像上的應用。
研究表明，分類結果取決於四個因素：類別可分性、訓練樣本數目、特徵空間維數以及分類器型別。
這四個因素的合理的使用也可以有效的避免hughes現象。
高可用的腦裂現象
由於某些原因，導致兩台keepalived高可用伺服器在指定時間內，無法檢測到對方的心跳，各自取得資源及服務的所有權，而此時的兩台高可用伺服器又都還活著。1 伺服器網線鬆動等網路故障 2.伺服器硬體故障發生損壞現象而崩潰 3.主備都開啟firewalld防火牆 1 開啟防火牆 root lb01 s...
資源1號02D衛星的高光譜和多光譜資料介紹
資源1號02d衛星引數見下表 表1 zy1 02d高光譜資料看起來就像小號的gf5 ahsi，它的感測器其實也叫ahsi，不過將gf5的330個波段減少到了166個，其中vn 波段範圍76個，sw波段範圍90個。空間解析度仍然是30m。在rsd平台載入zy1 02d ahsi資料與gf5 ahsi類...
ArcGIS中的影像分類
影像分類的目的就為了將影象中的像元劃分成不同的類別，過程就是根據像元在不同波段的波普亮度 空間結構特徵或者其他資訊，按照某種規則或演算法實現分類。遙感影象分類處理就是是為了提取遙感影象中的目標資訊，遙感影象分類主要用於地物類別的區分。影像分類分為監督分類和非監督分類，很多遙感書籍中都有這兩種分類方法...