作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

仿真matlab程序代码

A comparison of visible wavelength reflectance hyperspectral imaging and Acid Black 1 for the detection and identification of blood stained fingerprints The application of visible wavelength reflectance hyperspectral imaging for the The estimation of the age of a blood stain using reflectance spect

本文档含有智能传感技术课件及每一章思维导图 课件由老师分享，导图作者制作 仅用于学习交流，不可商用 以下是章节目录 1 遥感技术概述 2 遥感技术基础 3 卫星遥感及影像 4 遥感图像处理基础 5 合成孔径雷达（SAR）遥感技术 6 合成孔径雷达（SAR）遥感图像处理 7 高光谱遥感技术 8 高光谱遥感影像处理

从高光谱数据中学习 此处提供的代码基于我编写的用于完成练习的代码，可在此处找到。 一旦实现并测试了解决方案，我便扩展了自动编码器和softmax分类器，以处理高光谱数据。 但是，当前的解决方案并不优于现有技术。 上图显示了基本事实 上图显示了分类结果。 上图显示了隐藏层的可视化 上面的这些图显示了两个光谱带。

用于多通道图像（例如，高光谱、MRI、卫星或任何其他类型的具有超过 1 个波段的图像数据）的图像立方体切片器的实现。 图像立方体切片器在左侧面板中包含一个图像带屏幕，其中显示了图像平面（使用 imshow() 或 imagesc()）。 使用位于图像平面下方的滑块工具选择图像平面。 此外，一个可拖动的矩形区域被放置在图像的中心。 右侧面板说明了对应于当前选定矩形区域的数据立方体的每个波段的平均数据值（作为一维图）。 可以选择四个不同的矩形区域。 对于高光谱图像，右侧面板图对应于当前选择的（平均）光谱信号。 对于低 RAM 的机器，可以选择调整图像数据的大小以加快切片器的速度。 注意：如果您收到以下错误： ？？？ 在81使用==> im_cube_slicer时出错此 hg 对象不会触发此事件 那么您的 Matlab 版本与 im_cube_slicer 不兼容。

提出了一种基于EMAPs和SMLR的高光谱图像分类方法。 首先，我们采用EMAPs（扩展形态学多属性谱）算法有效地提取了HSI的空间信息，并结合光谱信息形成了空间光谱特征融合模型。 EMAP可以用多个属性结构替换简单的结构元素，并对其进行级联以获得多个结构的属性特征。 然后，我们利用SMLR（稀疏多项式逻辑回归）进行HSI分类。 SMLR适用于高维和大数据集。 采用基于MLR的多分类器，并采用快速算法学习稀疏的多分类器。 与HSI实验中的其他方法相比，我们的方法提供了出色的结果。

高光谱异常探测算法RXD的matlab实现高光谱异常探测算法RXD的matlab实现。高光谱异常探测算法RXD的matlab实现高光谱异常探测算法RXD的matlab实现

这是论文《Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4), 1166-1178.》的代码，更多详情可查看在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载minFunc matlab工具箱和drtoolbox。 minFunc matlab 工具箱和 drtoolbox 分别位于http://www.di.ens.fr/~mschmidt/Software/minFunc.html和http://homepage.tudelft.nl/19j49/Matlab_Toolb

为实现对红枣品种的判别,利用高光谱技术并结合机器学习算法对金丝大枣、骏枣和滩枣这三个品种的新疆红枣进行研究。首先,分别利用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导(1-Der)和Savitzky-Golay(SG)平滑等数据预处理方法对原始光谱进行预处理,研究了预处理方法对建模的影响;然后,利用光谱-理化值共生距离法(SPXY)将样本集划分为校正集和预测集,基于线性判别分析(LDA)、K-最近邻分类(KNN)和支持向量机(SVM)算法对预处理后的全波段光谱建立红枣品种鉴别模型,结果显示,在多种预处理方法中,1-Der的处理效果最好;然后,结合主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权采样(CARS)等特征提取方法对全波段光谱进行特征波段的提取,再基于特征波段建立红枣品种鉴别模型,结果发现,在几种特征提取方法中,基于CARS所提特征波段建立的模型可以获得最高的鉴别准确率;最后,以SVM模型为例对模型运行时间进行了比较,结果发现,基于特征波段所建模型的运行时间远短于基于全波段所建模型的运行时间。