针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题，设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构，传递局部空间特征，池化、卷积、反卷积、上采样组成下结构，强化高效判别特征。在3个基准高光谱图像数据集上的实验结果表明，该模型优于其他同类分类模型。

遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

hsi matlab代码该存储库包含在以下方面提出的高光谱图像降噪算法： Dantas CF，Cohen JE和Gribonval R.“使用字典学习进行高光谱图像降噪”。 WHISPERS 2019，荷兰阿姆斯特丹。 （位于：） 所提出的技术结合了低等级和稀疏性（通过词典学习）。 用法示例 要运行的主要脚本是“ DL_HSI_denoise.m”。 假设将图像放置在matlab变量“ imnoise”（3D数组）中，然后运行以下代码： [imout，exec_times] = DL_HSI_denoise（imnoise）; 其中“ imout”包含最终去噪图像，“ exec_times”包含执行时间。 文件列表和描述 DL_HSI_denoise.m：主脚本。 输入嘈杂的HSI并输出其去噪版本。 脚本层次结构：DL_HSI_denoise.m-> image_denoise_lr.m-> HO_SuKro_DL_ALS.m-> DictUpdateALS2.m 核/ image_denoise_lr.m：去噪方法的稀疏阶段（使用字典学习）。 HO_SuKro_DL_ALS.m：默认

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