针对LANDSAT-5 TM多光谱图像存在散粒噪声问题,提出一种基于异常探测和光谱归一化处理来检测及去除噪声的算法。视散粒噪声为强光谱异常,基于RX算子探测像元异常,根据异常分布统计特征确定含散粒噪声的像元;再以含散粒噪声的像元为中心,利用邻域内像元各分量上的光谱归一化分值,确定散粒噪声所在波段。利用邻域内具有最相似光谱的像元对应分量替换散粒噪声所在的像元分量。实验表明,该算法能够有效去除TM图像中的散粒噪声。

遥感影像融合的程序和数据，基于MFC，程序简单易懂，可以用于学习

多光谱掌纹图像，包括ROI和原图，针对非接触掌纹掌脉识别场景的需求和目前存在的问题，本文设计了一种 非接触掌纹掌脉采集设备方案。通过使用主动光源和滤光片，抑制了环境光对 手掌中心块定位算法的干扰，简化了中心块定位算法；同时，这一设计也抑制 了环境光对样本质量的影响，使得光照强度预处理算法不再必须。通过使用距 离传感器，减小了样本尺度变化，避免了样本离焦模糊，使尺度预处理算法得 以简化。通过双摄系统缩短了样本采集时间。本文通过这些方法实现了凭借硬 件设计简化算法设计的目的，并通过实验验证了该方案的有效性。

实现多光谱图像的分割和手动采点MATLAB，对任意点位置均可，亲测绝对可用，读入的图片要换分别为多光谱图和PS处理后的多光谱图。

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。

全色锐化-PCA 使用 PCA 进行多光谱图像全色锐化 这是如何使用线性主成分分析执行全色锐化的示例。 将imshow应用于计算的图像矩阵所产生的图形包含在fig目录下。 有关分步说明，请参阅我的博客文章。 实现是在Matlab中。 随意使用和改进！

高光谱遥感成像机理与成像光谱仪 中国科学院资料

随机非高斯或确定性信号中包含的信息远多于其自相关和幂所传达的信息光谱。 根据信号的高阶矩或累积量定义的高阶谱包含此附加信息。 高阶频谱分析 (HOSA) 工具箱为信号处理应用提供了全面的高阶频谱分析功能。 该工具箱是高级研究员和实践工程师以及新手的绝佳资源想要了解统计信号处理中的概念和算法的学生。 HOSA 工具箱是一个 M 文件的集合，这些文件实现了各种高级信号处理算法，用于估计交叉和自累积量（包括相关性）、光谱和近谱、双谱和双相干，以及时频计算分布。 基于这些，实现了参数和非参数盲系统识别、时延估计、谐波检索、相位耦合、到达方向估计、Volterra（非线性）模型的参数估计和自适应线性预测的算法。 还包括用于测试时间序列的高斯性和线性度的算法。 工具箱中包含完整的教程和演示集。

Sentinel-2工具箱 轻松处理哨兵2图像。 如果您知道如何下载Sentinel-2多光谱图像（或电光），但又不知道如何在Python中使用它们，那么这里已为您实现了所有这些。 内容 功能 功能说明 使用示范 功能： load_bands（） 轮廓（） outline2poly（） ndvi_index（） rvi_index（） savi_index（） evi_index（） rgb_img（） 用法演示： images = load_bands('F:\\S2_billeder\\..\\IMG_DATA',bands=['B03','B04','B05','B01']) 此功能会将您选择的乐队加载到python中。 您可以全部加载它们，但建议仅加载以后分析所需的波段，因为它们占用大量内存（即计算简单的NDVI索引）。 contours, contours_t

以Landsat8 OLI卫星遥感影像为数据源，以大伙房水库为研究区，采用Brovery融合法、NNDiffuse Pan Sharpening融合法和Gram-Schmidt融合法对比研究了多光谱和全色数据的融合问题。经过定性和定量分析发现，Gram-Schmidt融合法和NN融合法拥有更丰富的光谱信息，且光谱保真度最优的是Gram-Schmidt融合法。针对Gram-Schmidt融合法，选取了水体边界线处的影像像元进行光谱分析，研究结果发现，融合后的水体边界线呈现得更为清晰，有助于细化水体提取边界。