在进行遥感图像多分类识别时, 针对使用传统方法遇到的分类模型特征提取困难、分类精度不理想、分类种类少等问题, 研究了卷积神经网络(CNN)模型在高光谱遥感地物多分类识别中的可行性及不同CNN 模型对高光谱遥感地物多分类的识别效果。从ISPRS(International Society for Photogrammetry and Remote Sensing)提供的Vaihingen及Google Earth中采集数据,制作了包含6类地物的数据集一。在此基础上增加10类地物制作数据集二, 再增14类地物制作数据集三。在预处理图像数据之后, 通过设置神经网络结构、调整模型参数、对比神经网络模型等, 上述3类数据集的地物分类识别率均达到95%以上。通过分析不同CNN模型对高光谱遥感地物多分类识别效果的影响, 证实了CNN模型在高光谱遥感地物多分类识别应用的可行性且具有较高的识别率。实验结果为CNN模型在高光谱遥感地物多分类识别中的应用提供了一定的参考。

行业分类-设备装置-基于距离几何理论的高光谱遥感图像混合像元分解方法

优胜 它是什么？ HySure是一种将高光谱遥感影像与多光谱或全色影像融合的算法。 这组MATLAB文件实现了以下方法中描述的方法 [1] M.Simões，J。Bioucas-Dias，L。Almeida和J. Chanussot，“高光谱图像超分辨率：保留边缘的凸公式”，IEEE国际。 Conf。 图像处理，巴黎，2014年。 [2] M.Simões，J。Bioucas-Dias，L。Almeida和J. Chanussot，“通过基于子空间的正则化实现高光谱图像超分辨率的凸公式”，IEEE Trans。 Geosci。 遥感，卷。 53号2015年6月，第3373-88页，第6页。 有关复制条件，请参见文件LICENSE。 请向报告任何建议或更正 发布日期 2015年2月18日 在哪里可以找到它？ 如何使用它？ 有三个文件夹，其中包含： 'demos': MATLA

Urban数据通常被用于高光谱图像混合像元分解。它由Hydice传感器获取，图像大小为307*307。原始数据有210个波段，在去除噪音和水吸收波段后，一般留下162个波段做后续处理与分析。地物类别包含道路，屋顶，草地和树木。

Salinas 是由 AVIRIS 传感器拍摄，拍摄地点是加州 Salinas Valley。这个数据的空间分辨率是3.7米，大小是512*217。原始数据是224个波段，去除水汽吸收严重的波段后，还剩下204个波段。这个数据包含了16个农作物类别。

关于用SOM算法进行高光谱遥感图像分类的问题-hyperspectraldataopen.m 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！

关于用SOM算法进行高光谱遥感图像分类的问题-92av3gt.rar 小弟想要基于这个基本的SOM算法对.lan格式的这个数据进行分类，数据维数较高（220维），还望各位不吝赐教啊！

中科院遥感所 高光谱遥感讲义，由张兵老师主讲，非常实用！

深度学习高光谱遥感图像数据集，光谱波段数为102，图像像素1096*1096

PaviaU遥感数据，.mat文件，带ground truth数据，用于高光谱图像分类实验。 Pavia University 数据是由德国的机载反射光学光谱成像仪（Reflective Optics Spectrographic Imaging System，ROSIS-03）在 2003 年对意大利的帕维亚城所成的像的一部分高光谱数据。该光谱成像仪对 0.43-0.86μm 波长范围内的 115 个波段连续成像，所成图像的空间分辨率为 1.3m。其中 12 个波段由于受噪声影响被剔除，因此一般使用的是剩下 103 个光谱波段所成的图像