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。

本次数据集是用于高光谱图像分类使用的indian影像数据集，该图像数据集是采用可见光与红外机载式成像光谱仪器（AVIRIS）获取的来自于印第安纳州西北部Indian Pines农业试验场的高光谱图像。用于遥感方向的研究使用。

高光谱 c++ 遥感影像 数据处理 光谱

本书分为九章，分别讲述高光谱遥感的理论基础、高光谱遥感成像机理和成像系统、高光谱数据定标与预处理、光谱分析模型与方法、高光谱图像分类与地物识别、混合光谱理论与光谱分解、多源信息辅助高光谱数据分析、高光谱数据处理与分析系统，最后概括地介绍了高光谱遥感在植被、生态环境、地址矿物、城市规划与调查等方面的应用。本书以主要的篇幅论述高光谱遥感科学、技术与信息处理了的共性理论与方法问题，在高光谱遥感的物理基础、成像机理、数据处理、信息分析、应用领域、甚至应用实例等方面都进行了较系统和全面的阐述与解析。

自己学习时编写的混合像元分解中的端元提取部分的顶点成分分析VCA的MATLAB代码，浅显易懂。可以运行得到结果，但没有结果用于验证，亦未编写精度评定，不保证结果的正确性。

首先利用PCA进行降维，并利用SVM对高光谱数据进行分类，数据采用印第安纳农场数据，训练样本比例可调，设计了一个GUI

利用稀疏字典表示、OMP算法进行高光谱图像分类，内含高光谱数据。

可以读取高光谱AIRS HDF分层遥感数据，并可以保存为文本，快捷方便

我班牛人用产生式算法（GDA）原理编写的Matlab代码，最后生成把地物分成200类后的图片，并且上色，很直观。