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。

关于数据集的注释： 使用一个简单的脚本将原始的.mat图像和基本事实转换为.txt文件。 数据目录包含这些.txt文件的示例（但不是全部）。 原始.mat文件可以从[Palis Vasco大学]（ ）获得。 使用注意事项： DBN_writeparams旨在替代DBN。 DBN仅由DBN_example使用。 DBN对象的参数应在DBN_writeparams和DBN_example中匹配（例如n_ins，hidden_​​layers_sizes，n_outs）。 去做： 在DBN_example中创建一个模块，用于加载训练后的权重和偏差。

矿物识别步骤 MNF变换 PPI计算 提取纯净像元 选取端元波谱 识别端元波谱 矿物分析 查看结果

高光谱遥感图像模糊c均值聚类算法的matlab实现

matlab代码保密 高质量高光谱重建使用频谱先验 一般信息 代号：DeepCASSI（ACM SIGGRAPH Asia 2017） 作家：Inchang Choi（），Daniel S. Jeon（），Giljoo Nam（），Min H. Kim（） 研究所：KAIST视觉计算实验室 有关信息，请参见以下文章： 使用光谱先验进行高质量的高光谱重建，Inchang Choi，Daniel S. Jeon，Giljoo Nam，Diego Gutierrez，Min H. Kim访问我们的项目，获取高光谱图像数据集。 如果您使用本网站中的任何免费材料，请引用我们的论文： Bibtex：@Article {DeepCASSI：SIGA：2017， 作者= {Inchang Choi和Daniel S. Jeon和Giljoo Nam 以及迭戈·古铁雷斯（Diego Gutierrez）和闵·金（Min H. Kim）}， title = {高质量的高光谱重建使用频谱先验}， journal = {ACM Transactions on Graphics（Proc。SIGGRAPH As