该资源为高光谱异常检测算法RX的MATLAB代码，先用LOAD函数读取高光谱数据，然后用此代码检测目标。该代码主要用于检测小目标。

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。 该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学 习到的高级特征进行 回归训练

高光谱解混数据集（Urban），matlab的mat格式文件，Urban是高光谱分离研究中使用最广泛的高光谱数据之一。有307 x 307像素，每个像素对应 一个2 x 2 平方米的区域。在该图像中，存在210nm波长，范围从400nm到2500nm，光谱分辨率10nm。在通道 1--4,76,87,101-111,136--153和198-210被移除后（由于密集的水蒸气和大气效应），仍保留162个通道

高光谱解混数据集（Samson），具有156个通道的Matlab 格式数据，原始数据有952x 952像素。每个像素记录在156个通道上，覆盖401nm 至889nm的波长。光谱分辨率高达3.13 nm。由于原始图像太大，这在计算成本方面非常昂贵，因此使用95×95像素的区域。它从原始图像中的第（252,332）像素开始。此数据不会被空白通道或严重噪声通道降级。具体而言，该图像中有三个目标，分别是“＃1土壤”，“＃2树”和“＃3水”。

高光谱解混数据集（Japser Ridge），matlab的mat文件。原始数据有512 x 614 个像素。每个像素记录在范围从380nm到2500nm的224个通道中。光谱分辨率高达9.46nm。由于这个高光谱图像太复杂而无法得到基本事实，因此我们考虑100 x 100像素的子图像。第一像素从原始图像中的第（105,269）像素开始。在移除通道1--3,108-112,154-166和220-224后（由于密集的水蒸气和大气效应），我们保留了198个通道（这是HU分析的常见预处理）。

Cuprite（矿区图）是高光谱解混研究的最基准数据集，涵盖美国内华达州拉斯维加斯的Cuprite矿区，原始数据有224个波段，从370nm至2480nm。在移除有噪声的通道（1--2和221-224）和吸水通道（104-113和148-167）后，仍然有188个通道。250×190个像素的区域被认为存在14种矿物。由于类似矿物的变体之间存在细微差别，最终确定为12名成员，总结如下"#1 Alunite", "#2 Andradite", "#3 Buddingtonite", "#4 Dumortierite", "#5 Kaolinite1", "#6 Kaolinite2", "#7 Muscovite", "#8 Montmorillonite", "#9 Nontronite", "#10 Pyrope", "#11 Sphene", "#12 Chalcedony".

包含预处理算法，特征选择算法-随机蛙跳-等，回归分析方法

matlab代码，用于高光谱、多光谱数据重采样，内容清晰

高光谱端元提取算法PPI，matlab编写。内有参数注释。可供高光谱图像解混学习提供帮助。高光谱端元提取算法PPI，matlab编写。内有参数注释。可供高光谱图像解混学习提供帮助

进行高光谱图像处理时的降维程序，修改文件中的读入参数名称即可使用。