本文首先对高光谱异常检测中的经典算法进行了研究分析，包括PCA和KPCA 两种特征提取算法，以及基于多元信号检测理论的RX、KRX和LAKDE异常检测算 法。通过仿真实验分析了这些算法的性能以及特征提取的必要性

《高光谱遥感 原理、技术与应用》.pdf 白春礼主编 中国科学院制定教材

遥感图像处理论文合集，包含高光谱遥感多个方向，适合遥感入门

SAM卫星图像分类 该项目旨在说明SAM算法在卫星图像分类中的用途。 高光谱图像提供像素光谱，可获取有关表面的详细信息，以识别和区分光谱相似（但独特）的材料。 放置在遥感卫星上的高光谱图像传感器可捕获具有各种光谱带的高光谱图像。 进行了实验，以在高光谱图像上实现光谱角度映射器（SAM），以对表面上的像素进行分类。 还可以获得图像的假彩色合成，以便更好地可视化表面差异。 各个波段的高光谱图像彼此堆叠，以形成用于SAM实现的三维图像立方体。 SAM是一种监督分类算法，可基于光谱角的计算来识别图像中的各种类别。 在为每个像素建立的测试向量与为用户选择的每个参考类别建立的参考向量之间计算光谱角。 获得了将多个2D数据集读取并重组到一个紧凑的3D数据集多维数据集中的结果。 构建参考向量以执行SAM分类，并计算参考向量和像素向量之间的角度以与确定的阈值角度值进行比较。 然后应用颜色编码来区分已被SAM

% Matlab Hyperspectral Toolbox % Copyright 2008-2012 Isaac Gerg % % ------------------------------------------------------------------------- % A Note on Notation % Hyperspectral data is often expressed many ways to better describe the % mathematical handling of the data; mainly as a vector of pixels when % referring to the data in a space or a matrix of pixels when referring to % data as an image. % ------------------------------------------------------------------------- % Dependencies % FastICA - http://www.cis.hut.fi/projects/ica/fastica/code/dlcode.shtml % % ------------------------------------------------------------------------- % Functions % % Reading/Writing Data Files % hyperReadAvirisRfl - Reads AVIRIS .rfl files % hyperReadAvirisSpc - Read AVIRIS .spc files % hyperReadAsd - Reads ASD Fieldspec files. (.asd, .000, etc) % % Data Formatting % hyperConvert2D - Converts data from a 3D HSI data cube to a 2D matrix % hyperConvert3D - Converts data from a 2D matrix to a 3D HSI data cube % hyperNormalize - Normalizes data to be in range of [0,1] % hyperConvert2Jet - Converts a 2D matrix to jet colormap values % hyperResample - Resamples hyperspectral data to new wavelength set % % Unmixing % hyperAtgp - ATGP algorithm % hyperIcaEea - ICA-Endmember Extraction Algorithm % hyperIcaComponentScores - Computes ICA component scores for relevance % hyperVca - Vertex Component Analysis % hyperPPI - Pixel Purity Index % % Target Detection % hyperACE - Adaptive cosine/coherent estimator % hyperGLRT - Generalized liklihood ratio test % hyperHUD - Hybrid instructured detector % hyperAMSD - Adaptive matched subspace detector % hyperMatchedFilter - Matched filter % hyperOsp - Orthogonal subspace projection % hyperCem - Constrained energy minimization % hyperPlmf - PCA local matched filter % hyperRmf - Regularized match filter % % Material Count Estimation % hyperHfcVd - Computes virtual dimensionality (VD) using HFC method % %

应用可见/近红外（Vis / NIR）高光谱成像（400-1000 nm）来鉴定黄曲霉和寄生曲霉的生长过程。 每天记录在玫瑰孟加拉培养基上生长的两种真菌的高光谱图像，持续6天。 在第1天与其他天，使用446 nm和460 nm的两个谱带的谱带比将黄曲霉和寄生曲霉分离。 在第6天，在520nm的波段处将图像分类为寄生曲霉。对清洁的高光谱图像进行主成分分析（PCA）。 第二至第六个主要成分（PC2至PC6）的得分图在相同的孵育时间内给出了真菌的粗略簇状。 但是，在该图中，第3天和第4天的黄曲霉与第2天和第3天的寄生曲霉重叠。 提取每个生长日中每种真菌的平均光谱，然后将PCA和支持向量机（SVM）分类器应用于整个光谱范围。 由PC2到PC6建立的SVM模型可以确定真菌生长天数，黄曲霉和寄生曲霉的准确度分别为92.59％和100％。 为了简化预测模型，采用竞争性自适应加权采样（CARS）选择最佳波长。 结果，为黄曲霉选择了九个（402、442、487、502、524、553、646、671、760 nm）和七个（461、538、542、742、753、756、919 nm）波长。和A. par

天空地一体化高光谱水质监测分析方法.pdf

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。

行业分类-物理装置-一种基于D-Resnet的高光谱中医舌苔舌质分类方法.zip

针对当前高光谱遥感影像分类人工标注样本费时费力，大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题，提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维，在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后，通过稀疏自编码器得到原始数据的稀疏特征表达，并通过逐层无监督学习稀疏自编码器构建深度神经网络，输出原始数据的深度特征，将其连接到softmax分类器，利用少量标记样本以监督学习的方式完成模型的精调。最后，利用主动学习算法选择最不确定性样本对其进行标注，并加入至训练样本以提高分类器的分类效果。分别对PaviaU影像和PaviaC影像进行分类实验的结果表明，该方法在少量标记样本情况下，相对于传统方法能有效地提高分类精度。