Classification of Hyperspectral Images by Gabor Filtering Based Deep Network代码minFunc matlab和drtoolbox。minFunc matlab和 drtoolbox 分别为www.di.ens.fr/~mschmidt/Software/minFunc.html

用于近红外光谱偏最小二乘法建模。以及建模前偏最小二乘法交互验证主成分数的选择

水果成熟度作为衡量水果品质和等级的一个重要指标，区分不同成熟度的水果可以降低水果在采摘、包装、储存、运输等物流环节的损失率。高光谱技术是一种新型光谱技术和计算机视觉融合技术，它可以从图像维和光谱维对水果的综合品质进行评价。分析了国内外将该技术应用于水果成熟度检测方面的研究进展，提出了利用高光谱图像技术检测枣和梨成熟度的方法，利用不同成熟度的水果在可见光及近红外波段的反射率，初步确定了利用高光谱成像技术检测枣和梨2种水果成熟度的有效特征波长。

针对近年来市场上不同品种不同级别的鸡肉混杂、以次充好现象,提出一种可以快速、准确判别土鸡和肉鸡的新方法. 采用近红外光谱技术和聚类分析技术建立鸡肉分类判别模型,并讨论了不同预处理方法对模型预测结果的影响. 结果显示:近红外光谱技术结合聚类分析技术能够对鸡肉建立一种快速的分类判别模型,该预测判别模型能够快速准确地对土鸡和肉鸡进行判别,其中数据经过二阶导数+矢量归一化后的模型预测判别率达100%.

可以实现光谱特征波段的提取，减少建模时间。

连续投影算法，实现光谱数据特征波长的选择

matlab软件图像处理bipls方法进行光谱区间的选择，并进行比较

利用高光谱技术对火龙果可溶性固形物含量(SSC)检测进行研究,为火龙果内部品质无损检测提供科学方法.以火龙果为研究对象,对光谱数据进行预处理,应用连续投影算法(SPA)进行特征变量的选择,通过偏最小二乘法(PLS)和前馈反向传播神经网络法(BPNN)建立预测模型,分析了火龙果果皮对SSC 模型预测精度的影响.实验结果表明：采用平滑去噪(MAS) 效果最优,PLS 模型的交叉验证相关系数(Rcv) 为0.8635,交叉验证均方根误差(RMSECV)为0.6791,可提高火龙果可溶性固形物模型精度；通过SPA 算法能够有效地对光谱数据进行降维处理,采用优选的15 个特征变量建立的BPNN 预测模型的预测相关系数(RP)为0.8411,预测均方根误差(RMSEP)为0.8171；果皮对建模结果会产生一定的影响,完整果PLS 模型的(RP)为0.8999,RMSEP 为0.7208；果肉PLS 模型的RP 为0.9304,RMSEP 为0.5291,果肉SSC 模型比完整果SSC 模型的预测能力略高.研究结果表明基于高光谱技术采集的火龙果漫反射光谱进行SSC 无损检测具有可行性.

用matlab读取高光谱图像，可以显示出每个波段的图像。

轻量级的高光谱成像库，可为开发人员提供适用于Python编程语言的光谱算法。 v0.14.x的新功能：scikit-learn桥（alpha和部分）。 函数和类按主题组织：*丰度图：FCLS，NNLS，UCLS *分类：AbundanceClassification，NormXCorr，KMeans SAM，SID，SVC *检测：ACE，CEM，GLRT，MatchedFilter，OSP *距离：chebychev，NormXCorr， SAM，SID *端成员提取：ATGP，FIPPI，NFINDR，PPI *材料数量：HfcVd，HySime *噪声：Savitzky Golay，MNF，美白* sigproc：双边* sklearn：HyperEstimatorCrossVal，HyperSVC等*光谱：凸壳商提取（四阶样式），USGS06 lib接口* util：load_ENVI_file，load_ENVI_spec_lib，corr，cov等该库大量使用numpy数值库，并且可以实现良好的速度。 该库已经足够成熟，并且即使开发处于beta阶段，也非常有用。