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。

高光谱异常检测常用数据集 包含 airport-beach-urben/HYDICE/sandiego

高光谱异常检测对比算法合集-传统方法 CRD LRX GRX KRX RX

本书是按照高光谱信息的获取、处理和应用为线索组织编写的。

行业-电子政务-具有高光谱调节范围的钨基氧化物电致变色薄膜及其制备方法.zip

高光谱遥感影像的光谱匹配算法研究，蔡燕，梅玲，在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的