摘要针对超短脉冲激光与气体相互作用产生的非线性荧光光谱的特点，提出了光谱分析的预处理、特征提取以及定量分析的有效方法。采用小波算法对光谱数据进行压缩和降噪处理，

这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 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 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

内有完整准确的matlab程序文件2个，一个mat演示数据文件。2个matlab的程序文件分别是原作者程序和我本人修改后使用的程序，均能直接调用函数使用。

提出了使用改进的伪逆方法从CIE三刺激值恢复光谱反射率的过程。 与以前的光谱恢复方法不同，此方法使用基于颜色特征匹配的新样本选择标准来选择一系列合适的样本，以创建自适应的变换矩阵来重建光谱反射率。 考虑到计算时间和准确性，通过预先划分光谱反射率来创建动态子组，并通过动态子组中的样本与目标样本之间的样本相似性/不相似性来创建自适应子集。 因此，代替仅将一个变换矩阵应用于重构过程，而是使用颜色特征匹配从自适应子集获得了一系列自适应变换矩阵。 这项研究应用了三个不同的光谱反射率数据集和三个不同的误差度量。 根据所考虑的所有误差度量，该方法非常准确，并且优于伪逆方法和加权伪逆方法，它们在重构光谱反射率方面是有效的。

通过SVM和超像素分割进行光谱空间高光谱图像分类

二维相关光谱是一种实验设计与数据处理相结合的分析技术。目前应用最广泛的是以温度为变量的二维相关红外光谱技术。

1、实现效果：《【Matlab/CV系列】基于K-means/分水岭分割的多光谱遥感图像分割的Matlab实现》见博客链接：https://blog.csdn.net/SoaringLee_fighting/article/details/124261027 2、内容介绍：基于K-means/分水岭分割的多光谱遥感图像分割的Matlab实现，并采用matlab GUI界面实现，效果不错。 3、适用于计算机，电子信息工程，电子信息科学与技术等专业的大学生毕业设计。

这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码，更多细节可以在论文中找到。 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 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

hsi matlab代码TGRS，2021年，具有针对高光谱图像分类的注意光谱先验的多方向网络。 ，，，Yuchao Xiao和。 纸张代码： 图1：我们建议的MSI-ASP用于HSI分类的框架。 它由四个部分组成：多方向样本构建，多流特征提取，具有注意光谱先验（ASP）的特征聚集和基于softmax的分类器。 相同的颜色表示具有相同操作的图层。 培训和测试过程 请首先运行“ generate_train_val_test_gt.m”以生成训练图和测试图。 然后，运行“ construct_multi_mat.py”以构造多方向样本。 最后，运行“ main_MDN_ASP.py”以在数据集上重现MDN-ASP结果。 训练样本分布和获得的分类图如下所示。 我们已经使用Matlab R2017b在Ubuntu 16.04和Windows系统上成功测试了它。 部分源代码来自和的工作。 图2：Indian Pines数据集的合成假彩色图像，地面真实情况，训练样本和分类图。 参考 如果您认为此代码有帮助，请引用： [1] B. Xi，J。Li，Y。Li，R。Song，Y。Xiao，Y。Shi，