将高光谱数据转换换成对应卫星传感器（Landsat_OLI、WorldView2、Sentinel A）的多光谱数据

Urban数据通常被用于高光谱图像混合像元分解。它由Hydice传感器获取，图像大小为307*307。原始数据有210个波段，在去除噪音和水吸收波段后，一般留下162个波段做后续处理与分析。地物类别包含道路，屋顶，草地和树木。

Salinas 是由 AVIRIS 传感器拍摄，拍摄地点是加州 Salinas Valley。这个数据的空间分辨率是3.7米，大小是512*217。原始数据是224个波段，去除水汽吸收严重的波段后，还剩下204个波段。这个数据包含了16个农作物类别。

该软件包提供了用于频谱总变化（STV）降噪算法[1]的MATLAB代码，这是一种用于高光谱图像的新降噪算法，可从观测到的数据中估计整个频谱轴上的噪声水平。 STV去噪算法的命令是 out_stv = 光谱电视（hyper_noisy，选择）； 其中 hyper_noisy 是输入图像， opts 是参数。 输入图像应该是 3-D 噪声图像（高光谱图像或视频）。 此外，在编写命令之前，需要将 opts.beta 设置为 [1 1 0.1]。 输出图像存储为 out_stv.f。 有关详细信息，请参阅随附的用户指南。 如需更多信息和引文，请参阅： [1] Chien-Sheng Liao、Joon Hee Choi、Delong Zhang、Stanley H. Chan 和 Ji-Xin Cheng，“通过总变异最小化对受激拉曼光谱图像进行降噪”，物理化学杂志 C，2015 年 7 月

可以读取高光谱AIRS HDF分层遥感数据，并可以保存为文本，快捷方便。

关于用SOM算法进行高光谱遥感图像分类的问题-hyperspectraldataopen.m 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！

关于用SOM算法进行高光谱遥感图像分类的问题-92av3gt.rar 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！

嵌入式高光谱数据库的开发及目标分类应

用卷积滤波器matlab代码deephyp：针对高光谱的深度学习 用于训练和使用高光谱数据的无监督自动编码器和有监督深度学习分类器的工具。 可用文档。 源代码可在上找到。 自动编码器是无监督的神经网络，可用于一系列应用，例如无监督的特征学习和降维。 可以在带标签的数据上训练有监督的深度学习分类器，以预测光谱的类别。 该存储库提供了一个名为deephyp的基于python的工具箱，其中包含针对高光谱数据而构建，训练和测试密集和卷积自动编码器以及分类神经网络的示例。 网络易于设置，并且可以使用不同的体系结构进行自定义。 也可以采用不同的培训方法。 该工具箱基于tensorflow构建。 如果您在研究中使用工具箱，请引用：本文介绍了用于训练自动编码器的光谱角（SA），光谱信息散度（SID）和平方和误差（SSE）损失函数。 如果您在研究中使用余弦谱角（CSA）损失函数，请引用： 如果您在研究中使用分类网络，请引用： 安装 可以使用pip从命令行安装工具箱的： pip install deephyp 可以使用以下方法安装依赖项： pip install -r requirements.txt 导

hsi图像分割matlab代码使用马尔可夫随机场和卷积神经网络的高光谱图像分类 CNN-HSI-MRF 这是卷积神经网络（CNN）的TensorFlow实现，用于基于代码（）的高光谱图像分割任务，如本文所述： 曹X，周F.许L.徐D.孟格，许Z.许和J.佩斯利， 此代码的另一个版本在[]中 要求 张量流0.12.1 如何使用代码 步骤1：运行python代码python cnn_train.py 第2步：运行Matlab代码Demo_Post_MRF.m 引用 该代码受MIT许可证保护。 如果您在代码中使用以下代码，请引用我们的论文： @article{cao2017hyperspectral, title={Hyperspectral image segmentation with Markov random fields and a convolutional neural network}, author={Cao, Xiangyong and Zhou, Feng and Xu, Lin and Meng, Deyu and Xu, Zongben and Paisley, J