编码孔径光谱成像系统利用空间光调制器对目标信息进行编码,将信号映射到二维探测器面阵上,形成空间和光谱混叠信息,通过重构算法恢复出光谱数据立方体。由于该系统的色散仅仅发生在水平方向上,为了提高编码的效率,提出只在一个方向上具有编码效果的多狭缝组合编码。与目前采用的二维随机编码比较,在取得相同重构结果的前提下,多狭缝组合编码形式简化了数学模型的建立和分析,降低了编码复杂度。在此基础上,利用液晶光阀的开关特性实现实际系统编码,结合PGP(棱镜-透射光栅-棱镜)分光组件搭建光谱成像系统,进行了不同采样率下的实验,得到了高精度的恢复结果,验证了系统编码的可行性,为编码光谱成像系统领域提供了新思路。

包含五种基本高光谱数据集，适用于遥感图像分类。Indian_pine是一个很传统的高光谱数据集，包含16种数据，如：街道，农田等数据。同Indian Pines图像一样，Salinas数据也是由成像光谱仪所拍摄的，它是对美国加利福尼亚州的Salinas山谷所成的像。

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前，主要采用 L0.或 L1 范数作为稀疏度量。L0 稀疏性好，但求解困难；L1 求解方便，但稀疏性差。提出一种近似稀疏模.型，并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中，将观测矩阵进行多层次稀疏分.解，提高非负矩阵分解高光谱解混的精度，提升算法的收敛性。仿真数据和真实数据实验表明：该算.法能够避免陷入局部极值，提高非负矩阵分解高光谱解混性能，算法精度上比其他几种算法都有较大.的提升效果，RMSE 降低 0.001~1.676 7，SAD 降低 0.002~0.2443。

高光谱遥感影像SVM分类中训练样本选择的研究，王晓玲，杜培军，支持向量机（SVM）分类的关键是发现分类最优超平面及类别间隔，而混合像元比纯净像元更接近类别边界，更容易找出最优超平面。针对

该文档描述了一种基于支持向量数据描述的高光谱图像的混合相元分解技术，详述了计算步骤，给出了一定结果。

高光谱遥感数据蕴含着丰富的地物反射光谱信息,其原始反射数据中含有大量的噪声,这些噪声严重影响地物反射光谱中的吸收特征,大大降低数据的分析精度,研究有效的高光谱遥感数据噪声滤波算法是改善高光谱数据分析效果的关键环节。研究了推扫高光谱图像(PHI)影像中条带噪声的高频特性,针对目前常用的矩匹配方法及几种改进的矩匹配方法都存在一定的缺点,提出一种改进的行平滑条带滤波方案,对含有条带噪声波段行均值曲线进行平滑处理,并调整图像中各像元的灰度值,以减小行间灰度差异,所得图像的峰值信噪比有所提高,取得了比按波段的矩匹配方法更好的去条带效果,在较好地削弱图像中条带噪声的同时,保留了原图像的辐射特征。

为进一步抑制遥感图像的非均匀噪声,首先分析了空间遥感高光谱图像条带噪声产生的原因及噪声模型,进而提出一种基于窗口阈值判决的改进矩匹配算法。选取相对平坦,且条带噪声与背景对比较明显的区域进行阈值估算,并选取参考均值、标准差和条带阈值判决对条带噪声进行矩匹配处理。实验结果表明,所提算法的峰值信噪比相对传统方法至少提高了6.2163 dB,均方误差最小降低了5.9630,结构相似度至少提高了0.254。与传统方法相比,采用所提方法处理后的图像变异逆系数有所提高,图像横向梯度与标准差有所降低,该方法还去除了图像中的条带噪声,保留了原始图像的细节信息。

高光谱图像分类：在Matlab中使用朴素贝叶斯，最小Eucleidian距离和KNN进行高光谱图像分类

基于偏最小二乘法回归的土壤有机质含量高光谱估算，不错的一篇文章

matlab开发-高光谱解混和去噪。高光谱混合噪声解混演示。