基于非负字典学习高光谱图像超分辨.caj

通过非负低秩表示对高光谱图像进行半监督子空间聚类

针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到97.24%。实验结果表明,该算法分类精度高,边界点分类效果更好。

%Matlab读取envi图像img格式 用Matlab编了一段小程序。 %试验：Matlab读取ENVI标准图像（IMG+Hdr），并计算相关系数。

资源包括99.9%的常用的实验高光谱图像数据，全部是.mat文件，到手即用(数据集和标签都有，部分还有的图像)数据集包括:Indian pines，pavia university，pavia center,botswana,Houston_2013,Houston_2018,KSC,Salinas,xuzhou,xiongan，由于数据量过大，本资源提供百度云链接，请自行下载

在基于陪集码的高光谱图像压缩算法中,由于按照编码块的最大残差确定整块无损压缩所需的码率存在较大冗余,该文提出了基于分类和陪集码的高光谱图像压缩算法.首先利用前一波段对应位置的预测噪声对当前波段编码块的像素进行分类,将具有相似相关性的像素归于一类,然后对每一类像素分别进行陪集码编码.实验表明分类可以有效地降低码率.和基于陪集码的算法相比,该文算法无损压缩的平均码率降低了大约0.4 bpp.

高光谱图像和多光谱图像的融合，是关于《A Convex Formulation for Hyperspectral Image Superresolution via Subspace-Based Regularization》中的程序，可以直接运行

针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。

利用稀疏字典表示、OMP算法进行高光谱图像分类，内含高光谱数据。

高光谱图像处理 matlab，用matlab处理高光谱图像