针对高光谱图像特征利用不足和训练样本难以获取的问题,提出了一种具有多特征和改进堆栈稀疏自编码网络的高光谱图像分类算法。采用流形学习获得高光谱图像的低维数据结构,并提取高光谱图像的光谱特征、具有空间信息的局部二值模式(LBP)特征及拓展多属性剖面 (EMAP)特征。利用主动学习查询特征性强的未标记样本并将其标记,利用融合空谱联合信息的样本训练堆栈主动稀疏自编码神经网络并用Softmax分类器对其分类。Indian pines数据集的总体分类精度达到98.14%,Pavia U数据集总体分类精度达到97.24%。实验结果表明,该算法分类精度高,边界点分类效果更好。

变化向量分析结合光谱解混的高光谱变化检测

%Matlab读取envi图像img格式 用Matlab编了一段小程序。 %试验：Matlab读取ENVI标准图像（IMG+Hdr），并计算相关系数。

资源包括99.9%的常用的实验高光谱图像数据，全部是.mat文件，到手即用(数据集和标签都有，部分还有的图像)数据集包括:Indian pines，pavia university，pavia center,botswana,Houston_2013,Houston_2018,KSC,Salinas,xuzhou,xiongan，由于数据量过大，本资源提供百度云链接，请自行下载

在基于陪集码的高光谱图像压缩算法中,由于按照编码块的最大残差确定整块无损压缩所需的码率存在较大冗余,该文提出了基于分类和陪集码的高光谱图像压缩算法.首先利用前一波段对应位置的预测噪声对当前波段编码块的像素进行分类,将具有相似相关性的像素归于一类,然后对每一类像素分别进行陪集码编码.实验表明分类可以有效地降低码率.和基于陪集码的算法相比,该文算法无损压缩的平均码率降低了大约0.4 bpp.

高光谱成像的应用效果非常依赖于所获取的图像信噪比(SNR)。在高空间分辨率下, 帧速率高、信噪比低, 由于光谱成像包含了两维空间-光谱信息, 不能使用时间延迟积分(TDI)模式解决光能量弱的问题; 目前多采用摆镜降低应用要求, 但增加了体积和质量, 获取的图像不连续, 且运动部件降低了航天的可靠性。基于此, 将超高速电子倍增与成像光谱有机结合, 构建了基于电子倍增的高分辨率高光谱成像链模型, 综合考虑辐射源、地物光谱反射、大气辐射传输、光学系统成像、分光元件特性、探测器光谱响应和相机噪声等各个环节, 可用于成像链路信噪比的完整分析。采用LOWTRAN 7软件进行大气辐射传输计算, 对不同太阳高度角和地物反射率计算像面的照度, 根据电子倍增电荷耦合器件(EMCCD)探测器的噪声模型, 计算出不同工作条件下的SNR。对SNR的分析和实验, 选择适当的电子倍增增益, 可使微弱光谱信号SNR提高6倍。

高光谱图像和多光谱图像的融合，是关于《A Convex Formulation for Hyperspectral Image Superresolution via Subspace-Based Regularization》中的程序，可以直接运行

光谱偏振成像技术可同步测量目标的空间信息、光谱成分和偏振特性分量, 在天文物理研究、大气成分的探测和生物医学等领域具有巨大的发展潜力。偏振信息的同步获取通常牺牲光谱成像的空间分辨率, 为避免光谱成像空间分辨率的降低, 提出基于双通道剪切干涉的高光谱偏振成像方法。利用双矩形干涉器实现双通道剪切干涉, 两个通道分别进行高分辨率干涉光谱成像以及基于微偏振阵列的光谱偏振成像。分析了双通道剪切干涉以及基于微偏振阵列调制的傅里叶变换光谱偏振成像原理, 论述了光谱信息反演方法以及偏振信息提取方法。搭建了实验装置, 对实际场景目标进行光谱偏振成像实验, 获得了目标的高空间分辨率光谱图像和偏振分量信息。研究表明, 该高光谱偏振成像技术可同步进行偏振成像测量和高分辨率光谱成像测量。

针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。

高光谱遥感影像分类数据集，可用于高光谱遥感影像分类研究，尤其在深度学习中十分常用，包括Botswana、Indian Pines、Pavia University等。