indian_pines数据文件，前n-1列为原始数据经过标准化后的数据，最后一列标签label数据

sandiego airport 高光谱数据 mat格式，便于matlab直接处理

SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先验，我们设计了一个空间光谱块（SSB），它由一个空间残差模块和一个光谱注意残差模块组成。 网络架构 拟议的SSPSR网络的整体网络架构 空间光谱块（SSB）的网络架构 结果 筑西数据集 Chikusei数据集上不同方法的平均定量比较。 帕维亚数据集 Pavia Center数据集上不同方法的平均

实用的高光谱分类软件，是以交互方式分析 Landsat 系列地球卫星的高光谱数据， AVIRIS 的地球观测的多光谱图像数据处理系统

高光谱数据Pavia.mat

ENVI高光谱分析.ppt

92AV3C是1992年拍摄的机载可见光红外光谱成像仪(AVIRIS)的高光谱数据，数据区域位于印第安那州西北部的印第安松树试验场。该数据是目前国际上高光谱研究的通用实验数据之一。像元分辨率为30*30米，共计220个有效波段，相片尺寸为145*145

红提的糖度和硬度是评价红提品质的重要指标,探究了基于高光谱成像技术的红提糖度和硬度的无损检测方法及最佳预测模型。在红提果粒的三种放置模式(横放、果柄侧朝下、果柄侧朝上)下,分别采集213个样本在400~1000 nm波长范围内的高光谱图像,对比分析光谱采集的最优模式;然后在最优采集模式下对光谱进行预处理;应用遗传算法(GA)、连续投影算法(SPA)、竞争性自适应重加权(CARS)算法和无信息变量消除法(UVE)针对原始光谱提取特征波长;结合化学计量学方法分别建立基于全光谱和特征波长的偏最小二乘回归(PLSR)、最小二乘支持向量机(LSSVM)和随机森林(RF)的红提糖度、硬度的无损预测模型。结果表明:基于RF建立的糖度和硬度模型的效果较优;预测糖度的最优模型为遗传算法优化的随机森林(GA-RF),其校正集相关系数(Rc)、预测集相关系数(Rp)分别为0.969、0.928,校正集均方根误差(RMSEC)、预测集均方根误差(RMSEP)分别为0.266、0.254;预测硬度的最优模型为基于移动窗口平滑结合连续投影算法优化的随机森林(MA-SPA-RF),其Rc、Rp分别为0.961、0.

Indian pines高光谱数据集

高光谱数据集mat格式