针对高光谱图像中含有大量混合像元，且大多数解混算法未能利用真实地物信息的问题，提出了一种利用先验信息约束的非负矩阵分解方法对高光谱进行解混。首先利用顶点成分分析法和全约束最小二乘法分别对端元矩阵和丰度矩阵进行初始化，然后利用本文算法对高光谱数据进行解混，最后对估计端元和估计丰度进行评价分析。实验显示，利用本文提出的方法对数据解混的结果优于其他约束的非负矩阵分解算法得到的结果，在求解过程中有很好的抗噪性能。

光谱解混可以有效提升高光谱图像的利用效率。非负矩阵分解(NMF)常用于寻找非负数据的线性表示,可以有效解决混合像元问题。基于丰度的稀疏性和图像局部不变性提出一种高光谱解混算法。对丰度采取稀疏性约束和基于拉普拉斯矩阵的图正则项约束,构造了一个新的目标函数,端元和丰度在经过若干次迭代后取得了较好的解混合结果。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明所提算法具有良好的解混性能。

无监督的高光谱超分辨率耦合解混网中的交叉注意 ，， ，，和 论文代码：。 图。1。 受频谱分解技术启发的拟议的无监督超光谱超分辨率网络的图示，即具有交叉注意的耦合解混网（CUCaNet） ，该网络主要由两个重要模块组成：交叉注意和空间光谱一致性。 训练 请简单地运行./Main_CAVE.py演示，以在两个HSI（伪造的和真实的食物，图表和玩具）上重现我们的HSISR结果（将与在Windows OS上实现的Python 3.7使用）。 之前：有关必需的软件包，请参阅详细的.py文件。 参数：可以更好地调整权衡参数train_opt.lambda_* ，并且网络超参数灵活。 结果：请查看登录到./checkpoints/CAVE_*name*/precision.txt的五个评估指标（PSNR，SAM，ERGAS，SSIM和UIQI）以及保存在./Results/CAVE/的输出.m

浦瑞良版《高光谱遥感及其应用》（系统要求资源描述多于20字）

本代码主要利用MATLAB工具进行MATLAB——基于导师学习神经网路的回归拟合的仿真，实现基于近红外光谱的汽油辛烷值预测的模拟

纯像元指数（PPI）算法 以线性光谱混合模型的几何学描述为基础；利用“端元是遥感图像在特征空间中所形成的单形体的端点”这一特点、以及单形体的向量投影的性质进行端元提取。

傅里叶变换光谱仪通过获取待测光的干涉信号来反演光谱信息,是重要的光谱测试与分析仪器。受光电探测电路不稳定、干涉模块装调不到位等因素的影响,傅里叶变换光谱仪获得的干涉光谱信号会出现漏采点、过饱和点、噪声点等无效数据点,导致反演的光谱信号出现失真。为此,研究了一种基于小波变换的干涉光谱信号检测方法,该方法能够快速有效地定位干涉信号中多种无效数据点的位置;在此基础上,研究了干涉光谱信号的校正方法,根据无效点所在区间段的信号特征,通过样条插值方法进行数据拟合,校正干涉光谱信号。通过仿真验证了本方法的可行性;搭建了近红外波段傅里叶变换光谱实验系统,并基于该系统进行验证性实验,对获得的干涉信号进行检测与校正,提高了反演光谱信号的准确性。

层次分析matlab代码分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解混多时相高光谱图像 说明：与以下方法中描述的方法相关的Matlab代码 P.-A. Thouvenin，N.Dobigeon和J.-Y. Tourneret-分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解开多时相高光谱图像， IEEE Trans。 计算想像，卷。 4，没有1，2018年3月，第32-45页。 作者： P.-A. Thouvenin，pierreantoine [dot] thouvenin [at] gmail [dot] com 实验：运行本文中报告的真实数据实验的代表性示例，配置并运行main_real_data.m脚本。 脚本main_extract_data.m可用于从data/raw_data文件夹中包含的原始数据文件中提取高光谱数据。 data文件夹中已经提供了数据提取后获得的.mat文件。 相关性：当前代码包括在以下出版物中描述并由其各自作者开发的MATLAB函数。 [1] JM Nascimento和JM Bioucas-Dias-顶点分量分析：一种快速混合高

基于SVM对高光谱图像进行分类MATLAB仿真matlab源码

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。