为了充分利用高光谱图像的光谱信息和空间结构信息，提出了一种新的基于随机森林的高光谱遥感图像分类方法，首先，利用主成分分析降低数据的维数，并对主成分进行独立成分分析提取其光谱特征，同时消除像元的空间相关性，再采用形态学分析提取像元的空间结构特征，然后，根据像元的谱域和空域特征分别构造随机森林，并引入空间连续性对像元点的预测结果进行约束修正，最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明，所提方法的分类性能要优于传统的高光谱图像分类方法，且分类精度高于基于单一特征的方法。

MNF变换 重要作用 用于判定图像内在的维数 分离数据中的噪声 减少计算量 弥补了主成分分析在高光谱数据处理中的不足 计算时需要输入的参数 统计信息的图像范围　shift diff subset 噪声统计文件（可以用到另一副图像上做变换） MNF统计文件(反变换的时候要用) Mnf变换输出波段选择(根据特征值选择输出波段)

matlab图像均衡化的代码从RGB图像进行高光谱重建以实现静脉可视化 我们提出了一种数据驱动的方法来从RGB图像中重建高光谱图像。 该方法基于残差学习方法，该方法可有效捕获数据流形的结构，并考虑到存在于RGB图像中的空间上下文信息以进行光谱重建过程。 提出的RGB到高光谱的转换方法可以处理在不同照明下拍摄的图像，这对于实际应用来说是重要的功能。 所提出的方法是通用的，并且可以支持各种应用。 为了展示所提出的转换方法的价值，我们设计并评估了静脉可视化应用程序。 我们使用商用高光谱相机收集了该领域最早的高光谱数据集之一； 我们将此数据集提供给其他研究人员。 我们使用此数据集来训练我们的深度学习模型，并作为比较的基础。 我们的实验结果表明，该方法可提供准确的静脉可视化和定位结果。 数据集结构 下载链接 - 该数据集由成对的207张RGB图像及其相应的超立方体组成。 高光谱图像包含从原始数据中提取的Matlab（ .mat ）格式的光谱范围为820-920nm的34个波段。 整个数据集包含来自13个参与者的信息（图像）。 10个参与者的数据用于培训，其余3个参与者的数据用于测试/验证。 文件

高光谱图像分离matlab代码具有光谱可变性的高光谱解混的数据相关多尺度模型 这个包包含作者对论文 [1] 的实现。 我们考虑使用超像素的多尺度策略，以解决具有端元可变性的光谱分离问题。 我们使用关于丰度和端元的空间规律信息（即，这些变量根据基于超像素的多尺度变换是平滑的），以便 1) 引入先验信息以提高丰度估计质量，以及2) 重新制定优化问题以显着降低方法的计算复杂度。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) demo_houston.m - 比较算法的演示脚本（休斯顿） demo_cuprite.m - 比较算法的演示脚本（Curite） ./MUAV/ - 包含与 MUAV 算法相关的 MATLAB 文件 ./other_methods/ - 包含 ELMM 和 PLMM 方法 ./utils/ - 有用的函数 ./DATA/ - 示例中使用的文件 README - 这个文件 重要的： 如果您使用此软件，请在任

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

很实用的用于高光谱遥感图像分类Salinas数据集，欢迎下载

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