高光谱影像波段多，信息冗余 通过数据降维，可以： 简化和优化图像特征 减少数据量 提高运算效率

Indian_pines_classification 运行环境 Anaconda 3.6.4 python=3.6.4 Keras=2.1.5 TensorFlow=1.3.0 作为keras后端 numpy=1.14.2 notebook=5.4.1 ipython=6.3.1 spectral=0.19 代码结构 dataset.ipynb 利用spectral工具包读取数据集,然后对数据集进行预处理,包括进行训练测试集分割 / 序列化和PCA变换,并将其以npy的格式保存到文件中.处理后的数据集保存在predata文件夹中. train.ipynb 利用keras构建卷积神经网络模型,读取与处理的数据集进行训练. 其中训练过程,使用随机梯度下降法SGD作为优化算法,使用多分类的对数损失函数categorical_crossentropy作为损失函数. 使用ReduceLROnPla

用ENVI拼接多个高光谱图像的若干波段.docx

此内容包含高光谱遥感领域内 深度学习众多代码，包括1DCNN，2DCNN，3DCNN，等等各种神经网络模型代码，可以运行。欢迎大家相互学习！！！

像素级别分类.ipynb

SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先验，我们设计了一个空间光谱块（SSB），它由一个空间残差模块和一个光谱注意残差模块组成。 网络架构 拟议的SSPSR网络的整体网络架构 空间光谱块（SSB）的网络架构 结果 筑西数据集 Chikusei数据集上不同方法的平均定量比较。 帕维亚数据集 Pavia Center数据集上不同方法的平均

光谱特征匹配分类方法 1. 二值编码匹配 一种简单的编码方法： 每个像元各波段对应的光谱值用1比特码长表示，像元光谱变为一个与波段数长度相同的编码序列。 编码完成后，可以采用最小距离算法来进行匹配识别。 特点：该法有助于提高图像光谱数据的分析、处理效率，但编码过程中会失去很多光谱信息，因此只适用于粗略的分类和识别。

讲述高光谱图像的分类方法，特征，判据、准则，算法等等

【项目代码】利用MATLAB对高高光谱图像数据进行分析，程序很全面，对做高光谱的同志很有帮助哦.rar

基于稀疏表示的高光谱图像分类omp算法demo