本文本对应于我本人博客中的《高光谱学习---正交子空间投影法OSP(Orthogonal Subspace Projection)》一文，如果各位觉得有哪里不好的，或者哪里排版可以优化，先下载，修改后发给我。你也是作者之一。

针对环境减灾小卫星高光谱影像数据中存在的条带噪声，提出一种双边滤波与矩匹配方法融合的去除条带噪声方法。该方法克服了传统方法在去除条带噪声的同时带来新的噪声，并且边缘信息丢失等问题。最后进行了几种去除条带方法的比较试验，并且对试验结果进行了讨论。试验证明，提出的方法去除高光谱遥感影像的条带噪声效果明显，且能较好地保留原始影像中的地物信息。

本文针对高光谱数据的特点建立一个适用的光谱数据库管理系统,实现了对高光谱数据的存储、管理和查询。分析讨论了常用的几种光谱匹配技术的特点,发展并验证了一种新的光谱匹配技术。

高光谱遥感的出现是遥感界的一场革命,它能大大地改善对植被类型的识别与分类精度,而寻求快速、高精度的植被高光谱分类方法更具有重要的现实意义。文中将结合具体的高光谱遥感数据,通过在研究区域内选取一定的植被类型和合适的训练样本,得出哪种分类效果较佳以及影响分类精度的因素。

主要有监督分类与非监督分类，基于分类判据的实现策略 划分，硬分类和软分类，基于像素的分类和基于对象的分类。单分类器和多分类器集成。并简单介绍了一些 分类方法，包括监督分类法(最小距离分类法、最大似然分类法和平行多面体分类法)、基于光谱相似性度量 的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。

最新的利用ENVI库函数二次开发去除高光谱影像的坏线，有详细说明，可以根据自己的高光谱影像和坏线的情况进行修改

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