高光谱图像降噪的联合空间和光谱低秩正则化

PPI纯净像元指数 生成的结果是一副灰度的影像,DN值越大表明像元越纯. 作用及原理 纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱影像中寻找最” 纯”的像元.(通常基于MNF变换结果来进行) 纯净像元指数可以将N维散点图迭代映射为一个随机单位向量来计算,每次映射的极值像元被记录下来,并且被标为极值的总数也被记录下来. 按照多次映射每个像元被记录为极值像元的次数来决定该像元是否为纯净像元. 计算时需要输入的参数 进行迭代的次数 设置域值的系数(极值像元的域值) 数据二次采样(减少内存,但不能太小)

为了实现高光谱降维并保留重要的光谱特征，通过独立分量分析（independent component analysis，ICA）混合模型和高光谱线性模型的对比分析，提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(virtual dimensionality，VD)确定特征个数，采用自动目标生成过程（automatic target generation process, ATGP）从原始数据中提取纯像元向量，作为ICA算法的初始化向量，以负熵为目标函数产生独立分量，并通过高阶统计

高光谱数据indian_pines，包括原始数据，分类后的数据，以及标签，其中gt.mat文件为标签文件，correct.mat为分类后的数据文件

小样本高光谱遥感图像深度学习方法

高光谱成像是一种新兴的无损快速检测技术，可以同时获取研究对象的图像和光谱信息，集成了光谱分析和图像处理的优势，已成为农产品病虫害信息快速、无损检测的重要手段之一，在农产品的溃疡病、褐斑病、白粉病、黑星病、腐烂、虫蛀等病虫害无损检测中的应用越来越广泛。本文简述了高光谱成像系统，总结分析了其在水果、蔬菜、肉类、谷物等农产品病虫害无损检测中的国内外最新研究进展，提出了农产品病虫害高光谱成像技术检测的未来研究发展方向，以期对相关研究人员的研究工作提供参考。

人工神经网络在高光谱遥感影像分类中的应用，郑玉凤，，高光谱遥感图像数据具有数据量大、波段很多很窄、波段相关性强、信息冗余多、图光一体化等特征。而遥感图像上的光谱值是多种地物

2、高光谱数据预处理 传感器定标 大气校正

matlab如何敲代码 该存储库包含： MUUFL湾港高光谱和LiDAR数据收集文件 校园1图像的MUUFL Gulfport高光谱数据场景标签 在GoogleEarth KML中标记了此场景的带有地理标签的照片和目标地面的真实位置 公牛目标检测得分码 注意：如果在任何出版物或演示文稿中使用了此数据，则必须引用以下参考文献： P. Gader，A。Zare，R。Close，J。Aitken，G。Tuell，“ MUUFL湾港高光谱和LiDAR机载数据集”，佛罗里达大学，盖恩斯维尔，佛罗里达，技术。 代表REP-2013-570，2013年10月。 如果在任何出版物或演示文稿中使用了场景标签，则必须引用以下参考文献： X. Du和A. Zare，“技术报告：MUUFL Gulfport数据集的场景标签地面真相图”，佛罗里达大学，盖恩斯维尔，佛罗里达州，技术。 发行号：20170417，2017年4月。可用：。 如果任何出版物或演示中使用了任何此评分或检测代码，则必须引用以下参考文献： T. Glenn，A。Zare，P。Gader，D。Dranishnikov。 （2016）。 Bull

大数据-算法-长白山地区森林土壤含水量定量遥感研究——利用多角度偏振高光谱信息与MODIS影像数据.pdf