多光谱图像数据集（PCA、Simplisma、MCR、分类）和基本处理技术（阈值、直方图、轮廓绘图、图像过滤器过滤器）的 MIA GUI 在 MATLAB 14 和 13 版本下运行。 如果发现问题/错误，请直接给我发电子邮件。 我非常感谢您的反馈！ 需要图像处理工具箱。 需要 PLS_Toolbox。 包含以下多变量例程： - PCA、Simplisma（纯变量法）和MCR（多元曲线分辨率）； - 三种类型的图像分类（2 种无监督（K 均值，模糊 C）和 1 种监督（最大似然））。 基本图像处理（来自 IP 工具箱）： - 裁剪，调整大小- 过滤： - 平均- 对比度增强- 形态（开、闭、腐蚀、膨胀） - 边缘提取 - 直方图均衡化（GUI histogram.m） - 阈值（GUI 阈值.m） - 轮廓绘图仪（GUI profile.m） 适用于大多数类型的图像格式： -

包含常用的高光谱数据集，IndianPines,Paviau,salinas,Simu

对图像的邻域进行聚类，小于阈值聚为一类，聚为一类的像素光谱求平均。

音视频-图像处理-热伏系统的光学及光谱特性检测与分析.pdf

音视频-图像处理-热原子的高分辨率光谱及偏振调制四波混频.pdf

音视频-图像处理-色散型成像光谱仪光学系统物理效应的建模与仿真.pdf

自学视频教程

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