1.光谱解混步骤 步骤一： 端元提取 步骤二： 丰度反演

分类过程是分析高光谱图像数据的重要任务之一。 支持向量机（SVM）是最流行和使用最广泛的分类器，其性能正在不断提高。 近来，与仅考虑像素的光谱特征的方法相比，利用空间和光谱信息的方法更加充分，鲁棒，有用和准确。 在本文中，通过使用空间像素关联（SPA）处理从高光谱数据中提取区域纹理信息，以进一步提高SVM技术的分类性能。 为了提高分类的准确性，提出了一种利用SPA特征的支持向量机的新方法。 此外，该手稿中还提出了一种可用于解决像素不正确问题的新方法，即“增长类的控制过程”（CPoGC）。 为了证明所提方案的有效性，我们进行了印度松站点（IPS）上的AVIRIS高光谱数据实验，以将所提出的分类方法与一些现有的基于SVM的技术（例如SC-SVM和PSO-SVM）进行比较，以及一些传统的方法，例如K-NN和K-means。 实验结果表明，所提出的方法明显优于这些众所周知的分类算法。

一个matlab的高光谱图像分割程序，程序没有错误直接运行就可以但是解释比较少

高光谱图像分离matlab代码考虑光谱可变性的多时相高光谱图像的在线解混 描述：与描述的方法相关的 Matlab 代码 P.-A. Thouvenin, N. Dobigeon 和 J.-Y. Tourneret -考虑光谱可变性的多时相高光谱图像的在线解混， IEEE Trans。 图像处理，卷。 25，没有。 9，第 3979-3990 页，2016 年 9 月。 作者： P.-A. Thouvenin, pierreantoine[dot]thouvenin[at]gmail[dot]com 实验：要在文章中报告的真实数据上运行具有代表性的实验示例，请配置并运行main.m脚本。 依赖关系：当前代码包括以下出版物中描述的 MATLAB 函数，并由其作者开发。 [1] JM Nascimento 和 JM Bioucas-Dias -顶点分量分析：一种分离高光谱数据的快速算法， IEEE Trans。 地球科学。 遥感，卷。 43，没有。 4，第 898--910 页，2005 年 4 月。 [2] JM Bioucas-Dias 和 MAT Figueiredo -约束稀疏回归的

Deep Feature Extraction and Classification of Hyp全文翻译（带公式）

该软件包提供了用于频谱总变化（STV）降噪算法[1]的MATLAB代码，这是一种用于高光谱图像的新降噪算法，可从观测到的数据中估计整个频谱轴上的噪声水平。 STV去噪算法的命令是 out_stv = 光谱电视（hyper_noisy，选择）； 其中 hyper_noisy 是输入图像， opts 是参数。 输入图像应该是 3-D 噪声图像（高光谱图像或视频）。 此外，在编写命令之前，需要将 opts.beta 设置为 [1 1 0.1]。 输出图像存储为 out_stv.f。 有关详细信息，请参阅随附的用户指南。 如需更多信息和引文，请参阅： [1] Chien-Sheng Liao、Joon Hee Choi、Delong Zhang、Stanley H. Chan 和 Ji-Xin Cheng，“通过总变异最小化对受激拉曼光谱图像进行降噪”，物理化学杂志 C，2015 年 7 月

hsi图像分割matlab代码使用马尔可夫随机场和卷积神经网络的高光谱图像分类 CNN-HSI-MRF 这是卷积神经网络（CNN）的TensorFlow实现，用于基于代码（）的高光谱图像分割任务，如本文所述： 曹X，周F.许L.徐D.孟格，许Z.许和J.佩斯利， 此代码的另一个版本在[]中 要求 张量流0.12.1 如何使用代码 步骤1：运行python代码python cnn_train.py 第2步：运行Matlab代码Demo_Post_MRF.m 引用 该代码受MIT许可证保护。 如果您在代码中使用以下代码，请引用我们的论文： @article{cao2017hyperspectral, title={Hyperspectral image segmentation with Markov random fields and a convolutional neural network}, author={Cao, Xiangyong and Zhou, Feng and Xu, Lin and Meng, Deyu and Xu, Zongben and Paisley, J

高光谱异常检测： 这是用于高光谱异常检测的matlab代码（LSAD-CR-IDW和LSUNRSORAD算法） 有关此项目的更多信息，请参阅我们的论文： [共同第一作者] 先决条件： Matlab R2018b 其他相关论文： [1]tanh坤，苏增福侯，Dongelei马云，虞陈，钱渡。 [J]。 遥感，2019，11（13）：1578. [第一作者] [2]侯增福，李伟，高连如，张兵，马鹏格和孙俊林。 （2020）[口服] [3]侯增福，李伟，陶然，马鹏哥和石卫华。 中国科学信息科学。 2020年。 我的个人网站： 1.Github网站： ://zephyrhours.github.io/ 2.Personal Websie： ://zephyrhoublog.ml/（此网站将于2021年5月15日停用！） 3，中文CSDN博客： ://blog.csdn

卷积神经网络在高光谱图像分类中的应用综述.pdf

受空洞卷积在图像信息方面保持优秀性能的启发,为进一步提高分类精度,提出一种基于双通道空洞卷积神经网络(DCD-CNN)的高光谱图像分类框架。空洞卷积可扩展滤波器的感受野,有效地避免图像信息丢失,从而提高分类精度。在该框架中,分别采用含有空洞卷积的一维卷积神经网络(1D-CNN)和二维卷积神经网络(2D-CNN)提取高光谱图像的光谱特征和空间特征。再采用加权融合方法对提取的空间特征和光谱特征进行融合。最后将融合后的特征输入支持向量机进行最终分类。对两个常用的高光谱图像数据集进行实验并与现有的4种分类方法进行比较,结果表明,所提框架具有更好的分类性能。