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

超分辨率matlab代码耦合光谱分解的高光谱超分辨率 ，伊曼纽尔·巴尔察维阿斯（Emmanuel Baltsavias）和康拉德·辛德勒（Konrad Schindler） ICCV 2015 版权所有2015 ETH Zurich（Charis Lanaras） 变化： 1.0第一版。 1.1项目单纯形代码中的小问题。 关于： 这是作者对[1]的实现。 该代码在MATLAB中实现：compile.m-检查所有依赖项的脚本demoSupResPALM.m-执行算法SupResPALM.m的演示脚本-算法pompoms_ms.mat的核心部分-CAVE数据库的示例图像（ / 2D格式）./include/-各种依赖关系（hyperpectal工具箱）./reproject_simplex/-投影到Simplex（T. Pock）./sisal/-SISAL / SUnSAL文件夹，必须下载文件LICENSE-MIT的代码许可证自述文件-此文件 重要的： 如果您使用此软件，则应在任何所得的出版物中引用以下内容： [1] Hyperspectral Super-Resolution by C

为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。

Spectral Python（SPy）是一个python软件包，用于读取，查看，操作和分类高光谱图像（HSI）数据。 SPy包括用于聚类，降维，监督分类等功能。

高光谱图像分离matlab代码高光谱图像的光谱超分辨率 高光谱图像光谱超分辨率代码 目录 介绍 该存储库包含为高光谱数据的光谱超分辨率设计的 MATLAB 代码和脚本。 所提出的方法通过利用稀疏表示 (SR) 学习框架，从其获得的低分辨率形式合成高光谱分辨率 3D 数据立方体。 根据 SR 框架，各种低光谱分辨率和高光谱分辨率的数据立方体可以表示为来自学习过的过完备字典的元素的稀疏线性组合。 依赖关系 数据集 所提出的光谱超分辨率方案的性能使用 EO-1 NASA 的 Hyperion 卫星高光谱地球观测场景进行量化。 由于其高光谱覆盖率，Hyperion 场景已被广泛用于遥感界用于分类和光谱分离目的。 我们考虑了 2015 年 8 月 30 日获得的夏威夷岛的高光谱场景，并利用了可见光和近红外光谱范围内的 67 个光谱带，从 436.9 到 833.83 nm。 字典 关于字典训练阶段，我们设计了耦合字典，基于 ADMM 稀疏耦合字典学习方案，对高光谱分辨率和低光谱分辨率特征空间进行建模。 我们从 100.000 对训练低和高光谱分辨率数据立方体中训练了 512 个代表性字典原子。