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

软件ViewSpecPro

ENVI classic 使用手册，包含端元提取，高光谱影像处理的方法步骤，基本上手把手教，按步骤操作即可达到效果。适合学校作为遥感影像处理的指导教材。

最小角回归matlab代码标题 用于高光谱端元提取的改进 GSEE 算法 抽象的 在高光谱解混文献中，端元提取主要使用三种方法进行处理，即统计、稀疏回归和几何。 大多数端元提取算法仅基于其中一种方法开发。 最近，已经提出了结合几何和统计特征的 GSEE（Geo-Stat Endmember Extraction）。 在本文中，我们提出了一种考虑去除噪声带的改进型 GSEE (MGSEE) 算法。 在建议的工作中，最小噪声分数 (MNF) 用于选择高 SNR 频段。 MGSEE 框架的强度使用合成和真实的基准数据集进行审查。 在本文中，我们表明通过在噪声去除步骤之前从 GSEE 获得所提出的算法大大降低了光谱角度误差 (SAE) 和光谱信息发散 (SID) 误差，从而表明其在分离问题中提取纯材料的重要性。 将这篇论文引用为 D. Shah 和 T. Zaveri，“用于高光谱端元提取的改进 GSEE 算法”，2020 年 IEEE 第 5 届计算通信与自动化国际会议 (ICCCA)，印度大诺伊达，2020 年，第 449-453 页，doi：10.1109/ICCCA49541 .202

该代码包含两种算法，即：通用综合先验 (GSP) 和通用分析先验 (GAP)，用于减少高光谱图像中的脉冲噪声。 这些算法利用空间和光谱相关性。 GSP 算法使用 Daubechies 小波作为空间维度和傅立叶变换作为垂直维度。 GAP算法基于总变化最小化。 运行代码需要 SPARCO 工具箱（可从以下 网址免费获得： http : //www.cs.ubc.ca/labs/scl/sparco/ ）。