针对高光谱图像数据维数多,光谱信息和空间信息难以提取的问题,提出了一种基于超图和卷积神经网络的分类算法,依据高光谱图像中像素之间的光谱关系和空间关系构建超图;通过超图构建具有谱空联合特征的样本,将其送入卷积神经网络进行特征提取,实现分类。在3种常用的高光谱数据集上进行实验,于Indian Pines数据集上取得了96.63%的总体分类精度。相比于其他算法,所提算法的分类精度高、速度快,而且避免了传统方法在特征提取和融合时出现的不稳定性,验证了其提取的谱空联合信息对高光谱图像具有更强的特征表达能力。

基于神经网络的红外光谱的汽油辛烷值预测系统matlab实现，内包含数据集以及算法源码

在时间和空间调制的傅里叶变换成像光谱仪推扫过程中在此过程中，光谱仪平台的运动状态可能会有所不同。 因此，从图像序列偏离使用高平台稳定性获得的理想干涉图。 恢复的目标光谱将无法反映真实的目标特征。 我们采用目标跟踪来获取目标位置在图像序列中通过建议的核回归，并使用相对偏差方法确定目标强度，以及使用非均匀快速傅立叶变换算法的频谱图恢复。 我们在模拟和实验获得的航拍图像上测试了我们的算法，并通过与准确的频谱图，证明了所提方法的有效性。

使用K-NN、朴素贝叶斯及最小欧氏距离进行高光谱图像分类，准确度和混淆矩阵评估模型，运行project.m即可

使用SVM、随机森林及K-NN进行高光谱图像分类，内置Indian_pines、PaviaU、Salinas数据集及其标签

matlab小波平滑代码拉曼系统 拉曼系统旨在处理，分析和分类拉曼光谱。 它包含许多功能强大的算法，这些算法可通过简单的图形用户界面执行。源代码可用，因此任何人都可以为程序的开发做出贡献。 要求 通用系统要求与MATLAB系统要求大致相同。 频谱文件 该程序使用简单的文本文件来存储拉曼光谱。 频谱文件由一列波数和一列由制表符分隔的相应强度组成。 示例数据文件由文件夹“ data”中的* .txt提供。 相应的子文件夹中提供了每个功能的示例数据，并且应在运行软件时将其添加到路径中。 特征 以下是拉曼处理程序的一些功能： 前处理 Savitzky-Golay（SG）平滑或小波去噪 小波特征点和分段插值的自动算法（AWFPSI） 认出 连续小波变换和局部信噪比（CWTLSNR）的自动拉曼峰识别算法 分析/分类 主成分分析 线性判别分析 偏最小二乘分析

IP, SV, UP, BS, KSC....XiongAn

拉曼散射光强度一般为入射光强的 10^-6 以上，有时会到 10^-12 ，所以长距离探测拉曼是个非常困难的事情。 我们曾做过10米以上的拉曼探测，器件好贵。

hsi matlab代码使用线性回归的快速高光谱图像超分辨率 C语言实现 此版本的C语言实现是在Linux上开发的。 内部使用Intel Math Kernel Library（MKL）和Matlab R2014a extern库。 请确保您的计算机上正确安装了这两个依赖项。 使用Makefile编译计算机上的源代码，但是需要根据您的安装修改MKL和Matlab路径（我们的MKL位于/ usr / opt，Matlab位于/ usr / local。）。 我们的方法的实现包含在hss_lr.c中，该文件明确要求低空间分辨率高光谱图像（LR-HSI），高空间分辨率多光谱图像（HR-MSI）和降级算子（D）。 输出为高空间分辨率高光谱图像（HR-HSI）。 在我们的演示（LR_C.c）中，我们分别在CAVE，Havard和ICVL数据集上测试了我们的方法。 Matlab实现 LR_latest * .M包含了我们对不同贴片尺寸的方法，即，2 2，4 4，8×8，16 16，32×32的执行。 为使代码正常运行，请将* .m移到字典依赖项中。

针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题，设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构，传递局部空间特征，池化、卷积、反卷积、上采样组成下结构，强化高效判别特征。在3个基准高光谱图像数据集上的实验结果表明，该模型优于其他同类分类模型。