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

代码功能：高光谱图像导入matlab预处理，转化为二维矩阵，进行处理，对于初学者应该很有用，可用于遗传算法进行波段选择。思路可看https://blog.csdn.net/obsession54666/article/details/103025780

深树注意 Hang等人的实现。 2020用于树种预测。 模型架构 组织 ├── conf # Config files for model training and evaluation ├── data # Location to place data for model reading. Most data is too large to be in version control, see below ├── DeepTreeAttention # Source files ├── experiments # Model training and SLURM multi-gpu cluster experiments with come

将信号处理理论中的谐波分析方法应用到高光谱遥感图像处理中，将空谱域的分析变化到频率域中，文件中提供了高光谱遥感图像的谐波分析matlab代码

高光谱解混的目的在于提取图像中的端元特征和丰度特征。由于高光谱图像空间分辨率低而存在大量混合像元,因此如何从混合像元中提取光谱特征和空间分布信息是高光谱解混面临的难题。基于非负矩阵分解的高光谱解混是一个不适定拟合问题,而且在处理过程中将立方体数据转化为矩阵会导致三维结构信息的丢失。利用最小体积单纯形空间稀疏性,提出一种基于最小体积稀疏正则的高光谱解混方法,能够挖掘出图像中光谱特性和丰度特征的内在关系,减少结构信息的丢失。将凸几何中的最小体积约束与非负矩阵分解相结合,并采用近似交替优化与交替方向乘子法设计出高效的求解算法。最后分别采用合成数据和真实数据进行仿真实验,结果表明该种算法能够有效地提取出高光谱图像的端元特征和丰度特征。