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。

本资源包含matlab源码、项目汇报ppt、项目结课报告 该项目包含三个模块，第一块是光谱交叉相关匹配，第二块是遥感影像融合中的遥感影像多光谱与全色IHS融合、第三块是遥感影像分类中的基于ENVI的遥感影像分类。

高光谱波段合并程序

高光谱波段提取程序

本软件主要功能为打开并查看芬兰SPECIM高光谱相机FX10和FX17所采样的高光谱raw数据.也能顺便打开海洋红外光谱仪导出的txt光谱数据. 会把数据变成图片或曲线图显示出来.

由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05%和94.16%; 在5%样本比例下, 地物总体分类精度达到了97.38%和97. 50%。结果表明: 由于SSDL特征提取算法融合了数据中深层非线性特征和空间信息, 能够提取出更具鉴别特性的特征, 较其他同类算法能够获取更高分类精度。

使用matlab，计算高光谱图像两个波段的灰度分布，灰度概率以及两幅图像的互信息熵。