提出了一种基于EMAPs和SMLR的高光谱图像分类方法。 首先，我们采用EMAPs（扩展形态学多属性谱）算法有效地提取了HSI的空间信息，并结合光谱信息形成了空间光谱特征融合模型。 EMAP可以用多个属性结构替换简单的结构元素，并对其进行级联以获得多个结构的属性特征。 然后，我们利用SMLR（稀疏多项式逻辑回归）进行HSI分类。 SMLR适用于高维和大数据集。 采用基于MLR的多分类器，并采用快速算法学习稀疏的多分类器。 与HSI实验中的其他方法相比，我们的方法提供了出色的结果。

这是论文《Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4), 1166-1178.》的代码，更多详情可查看在纸上找到。 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minFunc matlab工具箱和drtoolbox。 minFunc matlab 工具箱和 drtoolbox 分别位于http://www.di.ens.fr/~mschmidt/Software/minFunc.html和http://homepage.tudelft.nl/19j49/Matlab_Toolb

高光谱图像分类 Arch.py​​-包含卷积神经网络的实现 其他文件-用于预处理。

图像分类。程序起码还是完整的 要看懂才是最主要的哈哈哈

关于数据集的注释： 使用一个简单的脚本将原始的.mat图像和基本事实转换为.txt文件。 数据目录包含这些.txt文件的示例（但不是全部）。 原始.mat文件可以从[Palis Vasco大学]（ ）获得。 使用注意事项： DBN_writeparams旨在替代DBN。 DBN仅由DBN_example使用。 DBN对象的参数应在DBN_writeparams和DBN_example中匹配（例如n_ins，hidden_​​layers_sizes，n_outs）。 去做： 在DBN_example中创建一个模块，用于加载训练后的权重和偏差。

高光谱图像分类：在Matlab中使用朴素贝叶斯，最小Eucleidian距离和KNN进行高光谱图像分类

带标签的训练样本的有限且昂贵的可用性导致以基于数据增强的监督学习的形式定义高光谱分类任务的方法的发展。 但是，大多数方法只是隐式地利用各向同性邻域中的频谱空间信息，而不是显式指示各向异性或操纵邻域系统。 在本文中，我们应用导向模板来估计局部方向的同质区域，并利用更有价值的光谱空间环境。 通过使用最佳的导向模板匹配方法，我们提出了一种数据扩充和精炼方法，以改善带有有限标记样本的任何光谱空间分类器的性能。 实验表明，该方法对许多光谱空间分类器都非常有效。

小波matlab代码3D Gabor小波对高光谱图像的分类 这是2013年西安电子科技大学李俊浩的研究生课程。所有代码均在MATLAB平台上进行过测试。

对高光谱图像执行基于 SLIC 超像素的降维，然后是基于 SVM 的分类，如论文中所述： X. Zhang、SE Chew、Z. Xu 和 ND Cahill，“SLIC Superpixels for Efficient Graph-Based Dimensionality Reduction of Hyperspectral Imagery”，Proc。 SPIE 防御与安全：多光谱、高光谱和超光谱图像的算法和技术 XXI，2015 年 4 月。

基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习 通过，，，张治，，。 拟议框架 介绍 与传统的手工特征提取算法相比，使用深度神经网络（DNN）的特征学习技术表现出卓越的性能。 但是，DNN通常需要大量的训练样本来学习有效的特征，而在高光谱图像中很难获得有效的特征。 因此，在本文中，提出了一种使用三维卷积自动编码器（3D-CAE）的无监督空间光谱特征学习策略。 提出的3D-CAE仅包含3D或元素操作，例如3D卷积，3D池化和3D批处理归一化，以最大程度地探索空间光谱结构信息以进行特征提取。 还设计了一个配套的3D卷积解码器网络来重建输入模式，通过该模式，可以训练网络中涉及的所有参数而无需标记训练样本。 在多个基准高光谱数据集上的实验结果表明，我们提出的3D-CAE在提取空间光谱特征方面非常有效，不仅在传统的非监督特征提取算法方面表现出色，而且在分类应用中也优于许多监督特征提取算