遥感图像分类的应用在遥感图像研究中具有重要意义。为了提高高光谱遥感图像分类精度，本文提出了基于多特征融合的高光谱遥感分类方法。该方法将图像的空间特征和光谱特征归一融合，然后使用AdaBoost分类器集成算法对特征进行分类。首先，该方法使用主成分分析对高光谱数据降维，并提取图像的纹理特征和直方图特征，然后将三种特征归一化；最后使用AdaBoost集成分类方法对高光谱遥感数据分类。实验结果表明，相比于单个特征分类，该方法可取得较高的分类精度。

hsi matlab代码该存储库包含在以下方面提出的高光谱图像降噪算法： Dantas CF，Cohen JE和Gribonval R.“使用字典学习进行高光谱图像降噪”。 WHISPERS 2019，荷兰阿姆斯特丹。 （位于：） 所提出的技术结合了低等级和稀疏性（通过词典学习）。 用法示例 要运行的主要脚本是“ DL_HSI_denoise.m”。 假设将图像放置在matlab变量“ imnoise”（3D数组）中，然后运行以下代码： [imout，exec_times] = DL_HSI_denoise（imnoise）; 其中“ imout”包含最终去噪图像，“ exec_times”包含执行时间。 文件列表和描述 DL_HSI_denoise.m：主脚本。 输入嘈杂的HSI并输出其去噪版本。 脚本层次结构：DL_HSI_denoise.m-> image_denoise_lr.m-> HO_SuKro_DL_ALS.m-> DictUpdateALS2.m 核/ image_denoise_lr.m：去噪方法的稀疏阶段（使用字典学习）。 HO_SuKro_DL_ALS.m：默认

高光谱图像降噪的联合空间和光谱低秩正则化

ARL4460及Q8光谱仪数据采集程序,通过采集光谱仪生成的数据文件，实现化学分析的三级审核。 文件的所用户密码都为0，数据库名：jczx，数据密码：sangboy。C# VS2008连接Access数据库，单机版程序，如需要代码或网络版软件，请与本人联系。

综述了不同分光类型的便携式近红外仪器的原理及其优缺点，以及近红外光谱分析方法，列举了国内外部 分便携式近红外仪器在农业工程方面的应用现状。在“互联网 + ”的大趋势下，结合中国现阶段的发展状况及 实际生产生活的需要，预测了便携式红外光谱仪的未来发展方向。

利用反向传播(BP)神经网络预测方法，通过光纤将红外光谱仪、拉曼光谱仪和旋光测量系统结合在一起，建立了基于多光谱测量血糖含量的分析模型,提出了数据融合的处理方法。选择了30个人体血液样品，分别测量旋光光谱、红外光谱、拉曼光谱。将光谱数据进行了预处理与归一化处理，建立BP神经网络模型，预测血液样品的糖含量值。使用克拉克误差网格分析法分别分析了三种测量方法和数据融合后的血糖值，结果应用BP人工神经网络模型预测血糖值的拟合精度为0.9992，预测误差低于0.2 mmol/L，满足临床医学的精度要求，并且具有较高的稳健性和较强的容错能力。

LED光谱.rar

PPI纯净像元指数 生成的结果是一副灰度的影像,DN值越大表明像元越纯. 作用及原理 纯净像元指数法对图像中的像素点进行反复迭代，可以在多光谱或者高光谱影像中寻找最” 纯”的像元.(通常基于MNF变换结果来进行) 纯净像元指数可以将N维散点图迭代映射为一个随机单位向量来计算,每次映射的极值像元被记录下来,并且被标为极值的总数也被记录下来. 按照多次映射每个像元被记录为极值像元的次数来决定该像元是否为纯净像元. 计算时需要输入的参数 进行迭代的次数 设置域值的系数(极值像元的域值) 数据二次采样(减少内存,但不能太小)

为解决偏最小二乘判别分析(PLSDA)建模时光谱区域中的噪声及冗余信息干扰问题，提出一种基于联合区间偏最小二乘判别分析(SiPLSDA)算法，并将该算法应用于猪肉近红外光谱的定性建模分析。SiPLSDA 利用联合区间偏最小二乘回归（SiPLS）进行光谱特征区域筛选，在筛选出来的光谱区域内建立数据的定性预测模型。采用Antaris II 快速傅里叶变换近红外光谱分析仪获取波数范围为10000~4000 cm-1的猪肉样本近红外光谱，采用标准正态变量变换(SNV)进行近红外光谱的预处理，用SiPLSDA 建立猪肉近红外光谱的定性模型。实验结果表明，SiPLSDA 建立的预测模型对猪肉储藏时间的识别率达到93.94%，高于基于全光谱区域建立的PLSDA 预测模型的识别率。

北京宏剑公司出品,基于高斯03,包括分子轨道的介绍,电子组态的概念,单激发态,活化空间,基态和激发态的势能面,势能面的简并,高斯03的激发态计算方法,性质,输入和输出,例子,激发态结构优化,三重态的计算,轨道调节,计算发射光谱.