最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。

全色锐化-PCA 使用 PCA 进行多光谱图像全色锐化 这是如何使用线性主成分分析执行全色锐化的示例。 将imshow应用于计算的图像矩阵所产生的图形包含在fig目录下。 有关分步说明，请参阅我的博客文章。 实现是在Matlab中。 随意使用和改进！

Sentinel-2工具箱 轻松处理哨兵2图像。 如果您知道如何下载Sentinel-2多光谱图像（或电光），但又不知道如何在Python中使用它们，那么这里已为您实现了所有这些。 内容 功能 功能说明 使用示范 功能： load_bands（） 轮廓（） outline2poly（） ndvi_index（） rvi_index（） savi_index（） evi_index（） rgb_img（） 用法演示： images = load_bands('F:\\S2_billeder\\..\\IMG_DATA',bands=['B03','B04','B05','B01']) 此功能会将您选择的乐队加载到python中。 您可以全部加载它们，但建议仅加载以后分析所需的波段，因为它们占用大量内存（即计算简单的NDVI索引）。 contours, contours_t

数据融合matlab代码基于卷积自动编码器的多光谱图像融合 概述 该存储库包含运行基于深度学习的全色锐化方法以在遥感应用中融合全色和多光谱图像所必需的代码。 有关该算法的详细信息，请参见我们的论文。 用法：泛锐化 基于卷积自动编码器的多光谱图像融合是基于卷积自动编码器体系结构的一种基于深度学习的多光谱图像融合新方法。 有关更多信息，请参见以下文章： A. Azarang，HE Manoochehri，N。Kehtarnavaz，基于卷积自动编码器的多光谱图像融合，IEEE Access。 怎么跑 首先，您需要使用Data_Generation.m来准备要在我们的锐化框架中使用的数据。 我们仅使用4波段多光谱（MS）数据进行研究。 （B，G，R，NIR频段） Add path of your data 该路径应包含MS和PAN​​colour（PAN）数据。 另外，它可以是.mat文件（MAT文件）。 Importing the MS and PAN data 运行Data_Generation.m之后，将3个文件保存到该目录： Input.m // it is used to serv

基于实现多光谱图像的多标签场景分类为目的，采用卷积神经网络的方法，通过计算数据集中所有样本标签的共现矩阵，利用共现矩阵为每个标签分配不同的权重，提出了一种新的计算损失函数的方法。所设计的卷积神经网络能够充分利用除了红绿蓝三通道之外的光谱信息，同时也能够利用已有的预训练的卷积神经网络权重进行参数的初始化，使得网络能够快速收敛。所提出的算法在Planet Amazon数据集上取得了最高的F值，从而得出了该算法具有高准确率和高可行性的结论。

梯度图像可用于同时利用所有光谱信息从彩色图像中分割对象。 它使用 Sobel 算子从沿每个维度的偏导数计算每个像素的最大变化率方向。 然后从这个方向计算最大变化率。

RGB /多光谱的高光谱 这是B. Arad和O. Ben-Shahar在论文“ ”中描述的高光谱估计过程的MATLAB实现。 可以在Ben-Gurion大学下的“上找到其他详细信息。 如果您在工作中使用此代码，请引用“ Arad和Ben-Shahar，在2016年10月11日至14日于荷兰阿姆斯特丹举行的欧洲计算机视觉会议上，从自然RGB图像中稀疏地恢复高光谱信号” @inproceedings{arad_and_ben_shahar_2016_ECCV, title={Sparse Recovery of Hyperspectral Signal from Natural RGB Images}, author={Arad, Boaz and Ben-Shahar, Ohad}, booktitle={European Conference on Computer Vi

基于聚类和小波变换的多光谱图像压缩算法.pdf

此软件版本包含论文中描述的算法的实现： BK Shreyamsha Kumar，“使用交叉双边滤波器基于像素重要性的图像融合”，信号、图像和视频处理，第 1-12 页，2013 年。(doi:10.1007/s11760-013-0556-9) 使用从使用交叉双边滤波器从源图像中提取的细节图像计算出的权重（边缘强度），通过加权平均融合源图像。 从下载原始手稿 http://link.springer.com/article/10.1007/s11760-013-0556-9 或者 http://dx.doi.org/10.1007/s11760-013-0556-9 从出版物链接中的https://sites.google.com/view/shreyamsha下载手稿草稿。

此软件版本包含论文中描述的算法的实现： BK Shreyamsha Kumar，“使用离散余弦谐波小波变换基于像素意义的多焦点和多光谱图像融合”，信号、图像和视频处理，2012 年。（doi：10.1007/s11760-012-0361-x） 从http://link.springer.com/article/10.1007/s11760-012-0361-x下载原稿 从出版物链接中的https://sites.google.com/view/shreyamsha下载手稿草稿。