hsdar软件包包含用于管理，分析和模拟高光谱数据的类和函数。 这些可能是通过rgdal界面进行的光谱仪测量或高光谱图像。

需要读入已经包络线消除的文本文件

包含基本所有的高光谱数据处理，包括：高光谱格式转换，高光谱数据增强（旋转、拼接，缩放），高光谱空间-光谱剪切，高光谱数据归一化，高光谱数据显示等等，都是matlab代码，拿来就可以用，写有注释，简单易懂；研究高光谱方向的同学不要错过，我也是苦于网上没有系统的高光谱处理代码，遂总结此篇让后面的同学少走弯路。

内容：常用高光谱分类数据集，包括常用的Indian pines\KSC\Purdue\DC\HOUSTON\Botswana\Salinas等，基本上写论文是够用的公开数据集； 使用方法：格式全部为mat格式，可以在Python和Matlab上使用； 使用建议：建议使用不同传感器的数据集来验证自己分类方法的有效性。

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

摘要光谱特征波段的选取是植被高光谱分类识别的重要基础之一利用鄱阳湖种典型植被的实测高光谱数据在对数据进行预处理和分析的基础上提出了一种基于均值极差阈值法的光谱特

这是论文《Gaussian Pyramid Based Multiscale Feature Fusion for Hyperspectral Image Classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(9), 3312-3324》的代码，更多详情可在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.20。 libsvm-3.20可从https://www.csie.ntu.edu.tw/~cjlin/libsvm/获得

这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

通过SVM和超像素分割进行光谱空间高光谱图像分类