此数据为星载高光谱遥感数据，里面包含去除无效波段的数据及所其数据维度大小，还包含其Ground Truth，对算法分析验证很有用

该包提供了遥感图像分析中常用的Salinas数据集，为mat格式，包括各波段信息，及对应的地面真实数据的标签。

SLIC 高光谱图像降维...........................................................................................................................................................................................................

matlab遥感分类代码CNN-AL-MRF 这就是《Hyperspectral Image Classification with Convolutional Neural Network and Active Learning》的代码。 如果您使用此代码，请在您的工作中引用以下论文。 [1] 曹向勇，姚敬，徐宗本，孟德宇。 具有卷积神经网络和主动学习的高光谱图像分类。 IEEE 地球科学与遥感学报，2020 年。() [2] H. Bi、F. Xu、Z. Wei、Y. Xue 和 Z. Xu，一种用于最小监督 polsar 图像分类的主动深度学习方法。 IEEE 地球科学与遥感学报，2019 年。 在 Windows 中安装 Matconvnet 请按照网站上的说明进行操作：。 再现结果 重现第四部分的实验结果。 D(1)，请跑 matlab CNN_AL_MRF_main.m 接触： 如果您有任何问题，欢迎与我联系（ / ）。

在进行遥感图像多分类识别时, 针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题, 研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二, 再增14类地物制作数据集三。在预处理图像数据之后, 通过设置神经网络结构、调整模型参数、对比神经网络模型等, 上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响, 证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

行业分类-设备装置-基于距离几何理论的高光谱遥感图像混合像元分解方法

高光谱图像聚类的有效算法

1.光谱解混步骤 步骤一： 端元提取 步骤二： 丰度反演

HyperMix 是一种用于遥感高光谱图像解混的开源工具。 它包括几种流行的算法，涵盖了高光谱分离链的不同步骤。

hsi图像分割matlab代码稀疏高光谱分解的快速多尺度空间正则化 这是作者对[1]的实现。 该代码在MATLAB中实现，包括： demo1_MUA.m-比较算法的演示脚本（DC1） demo2_MUA.m-比较算法的演示脚本（DC2） demo3_MUA.m-比较算法的演示脚本（DC3） demo4_supp_MUA.m-补充材料的演示脚本 demo5_supp_MUA.m-补充材料的演示脚本 demo6_supp_MUA.m-补充材料的演示脚本 sort_library_by_angle.m-对光谱库中的特征进行排序 prune_library.m-从库中删除相关的签名 ighter_subplot.m-更有效的子图 soft.m-软阈值运算符功能 sunsal.m-SUnSAL算法 sunsal_tv.m-SUnSAL-TV算法 sunsal_tv_lw_sp.m-S2WSU算法 sunsal_spreg.m-在精细的空间尺度上稀疏分解 ./real_data/-补充实验中使用的真实图像和光谱库 ./vlfeat-0.9/-VLFeat工具箱（用于SLIC超像素算法） ./HSI