高光谱图像拥有成百甚至上千个波段，具有图谱合一的特点，与多光谱图像相 比，不仅分辨率更高，而且包含更加丰富的空间和地物信息，通过对比分析目标光 谱曲线，可以完成在其它成像模态下难以完成的目标检测任务

人工智能-机器学习-高光谱遥感资源探测算法设计与软件实现.pdf

图像显着性检测算法matlab代码显着性2013 高光谱图像中的显着目标检测 介绍 该存储库包含ICIP论文《高光谱图像中的显着目标检测》中描述的算法的源代码。 可以在本文中找到更多详细信息。 该软件包已在64位Windows计算机上使用Matlab 2013a进行了测试。 此代码仅用于研究目的。 引用 如果您发现此代码对您的研究有用，请考虑引用：@inproceedings {Liang2013，作者= {Liang，Jie and Zhou，Jun and Bai，Xiao and Qian，Yuntao}，书名= {2013 IEEE国际图像处理会议} ，月份= {sep}，页面= {2393--2397}，发布者= {IEEE}，标题= {{高光谱图像中的显着物体检测}}，网址= {，年份= {2013}} 正在安装 下载代码：git clone。 下载高光谱图像： 将代码文件夹添加到Matlab的工作目录中。 运行Demo.m 反馈 如果您有任何问题（疑问，反馈）或发现代码中的错误，请与联系。

SLIC超像素分割MATLAB代码

为了实现对高光谱图像的分类, 提出了一种基于多特征和改进稀疏表示的方法——MFISR。从高光谱图像中提取光谱特征、Gabor特征和局部二值模式(LBP)特征, 求解稀疏系数, 同时增加一个2范式约束, 利用所得系数得到每个测试像素的最终类别标签。实验结果表明：所提MFISR方法对小样本的检测效果显著, 分类性能稳定且较优。

自己学习编写的混合像元分解中的端元提取部分的纯像元指数PPI算法的MATLAB代码。可以运行得到结果，但没有结果用于验证，亦未编写精度评定，不保证结果的正确性。

通过SVM和超像素分割进行光谱空间高光谱图像分类

包含常用的高光谱数据集，IndianPines,Paviau,salinas,Simu

针对高光谱图像中含有大量混合像元，且大多数解混算法未能利用真实地物信息的问题，提出了一种利用先验信息约束的非负矩阵分解方法对高光谱进行解混。首先利用顶点成分分析法和全约束最小二乘法分别对端元矩阵和丰度矩阵进行初始化，然后利用本文算法对高光谱数据进行解混，最后对估计端元和估计丰度进行评价分析。实验显示，利用本文提出的方法对数据解混的结果优于其他约束的非负矩阵分解算法得到的结果，在求解过程中有很好的抗噪性能。

光谱解混可以有效提升高光谱图像的利用效率。非负矩阵分解(NMF)常用于寻找非负数据的线性表示,可以有效解决混合像元问题。基于丰度的稀疏性和图像局部不变性提出一种高光谱解混算法。对丰度采取稀疏性约束和基于拉普拉斯矩阵的图正则项约束,构造了一个新的目标函数,端元和丰度在经过若干次迭代后取得了较好的解混合结果。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明所提算法具有良好的解混性能。