带标签的训练样本的有限且昂贵的可用性导致以基于数据增强的监督学习的形式定义高光谱分类任务的方法的发展。 但是，大多数方法只是隐式地利用各向同性邻域中的频谱空间信息，而不是显式指示各向异性或操纵邻域系统。 在本文中，我们应用导向模板来估计局部方向的同质区域，并利用更有价值的光谱空间环境。 通过使用最佳的导向模板匹配方法，我们提出了一种数据扩充和精炼方法，以改善带有有限标记样本的任何光谱空间分类器的性能。 实验表明，该方法对许多光谱空间分类器都非常有效。

高光谱遥感图像小目标探测方法研究，刘澍，邓喀中，高光谱遥感技术能够借助丰富的地物图像和光谱信息，反映目标地物与背景地物间的细微差异，非常有利于目标探测。本文分析了高光谱

高光谱遥感成像机理与成像光谱仪 中国科学院资料

基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN 7.6。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.下载日期集： IP：， UH： 上： SA：和 并将它们放入数据目录。 3.下载模型（加载模型）： 代码：caor 并将它们放到models目录中。 4.下载pretrai

超级GAN 纸代码对抗网络的高光谱样本的现实合成。 如果您在工作中使用此代码，请引用以下内容。 @inproceedings{audebert_generative_2018, title = {Generative adversarial networks for realistic synthesis of hyperspectral samples}, booktitle = {2018 {IEEE} {International} {Geoscience} and {Remote} {Sensing} {Symposium} ({IGARSS})}, author = {Audebert, N. and Le Saux, B. and Lefèvre, S.}, month = jul, year = {2018} } 动机 高光谱成像

高光谱图像解混 数据集 Samon 高光谱图像解混 数据集 Samon

植被指数计算器 提供了6类 27种植被指数的计算 绿度　Greenness　 光利用率　Light Use Efficiency 氮 干旱或炭衰减Dry or Senescent Carbon Stress Pigments 冠层水分含量Canopy Water Content 提供了生物物理学交叉检验 通过植被指数计算器统一进行计算 提供了每种植被指数的详细资料和计算公式 能够根据影像信息自动显示可计算的植被指数 没有一种其它的商业软件提供如此丰富的植被指数计算 * 植被对于很多领域都非常重要，ENVI提供了非常全的植被指数计算工具，它还可以根据您提供的数据源的情况，自动列出你能获得的植被指数，

提出一种快速高精度Fourier-Mellin变换图像配准方法，可提高高光谱成像过程中光谱复原的速度与精度。该方法运用两次局部上采样相位相关法，一次在对数极坐标域中估计旋转和缩放参数，另一次在笛卡尔坐标系中估计平移参数。引入梯度预处理过程，使算法更加稳健。介绍了Fourier-Mellin变换的原理，该变换可实现旋转和缩放参数的解耦合。在传统相位相关法的基础上介绍了局部上采样相位相关法。证明了梯度预处理过程的必要性。仿真结果表明，所提方法可以实现高精度的图像配准。

粒子群优化算法用于高光谱遥感影像分类的自动波段选择

利用高光谱相机拍摄的图像（仅包含图像TIF格式），有需要的可以下载