基于SVM对高光谱图像进行分类MATLAB仿真matlab源码

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

高光谱图像分类问题是高光谱遥感图像处理问题中的研究基础,它的主要目的是根据高光谱遥感图像中的光谱信息和空间信息将图像中的每个像元划分为不同的地物类别[1]。高光谱图像分类技术被广泛应用于环境监测、矿产勘探、军事目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们的广泛关注[2-4]。

The Salinas数据集，是常用的高光谱数据集之一，为.mat文件，方便进行高光谱图像分类的研究。

结合低秩矩阵分解的带状噪声模型用于高光谱图像去噪

高光谱图像分离matlab代码使用微扰线性混合模型进行具有光谱可变性的高光谱解混 描述：与描述的方法相关的 Matlab 代码 P.-A. Thouvenin, N. Dobigeon 和 J.-Y. Tourneret -使用扰动线性混合模型IEEE Trans对光谱可变性进行高光谱解混。 信号处理，卷。 64，没有。 2，第 525-538 页，2016 年 1 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

多个遥感高光谱数据集，包括UC Merced Land-Use Data Set，220 Band AVIRIS Hyperspectral Image Data Set等，网盘下载，总大小2.08G

开源的 Matlab Hyperspectral Toolbox 是一个包含各种高光谱开发算法的 matlab 工具箱。 该工具箱旨在成为当前最先进的开发算法的简明存储库，用于学习和研究目的。

将堆栈自动编码器(SAE)与极限学习机(ELM)联合,建立了深度神经网络预测模型(SAE-ELM)。利用苹果高光谱图像提取出的光谱数据,对深度神经网络的权值和阈值进行了初始化和微调。与传统ELM模型预测结果相比,SAE-ELM的预测集决定系数和残留预测偏差分别从0.7345和1.968提升至0.7703和2.116,预测集方均根误差从1.6297降至1.2837。研究结果表明:深度学习网络SAE-ELM模型的预测性能优于传统的ELM模型,将其用于预测苹果硬度是可行的。

几种用于可视化的高光谱图像融合方法的比较