在遥感数据处理研究中，高维高光谱数据的冗余信息和噪声严重影响高光谱数据的分类精度，针对此问题提出基于互信息波段选择和经验模态分解的高精度高光谱数据分类算法(MI-EMD-SVM)。分别采用基于互信息波段选择方法和经验模态分解实现对高光谱数据的冗余信息处理和特征提取，并获得处理后的高光谱数据X″。采用支持向量机分类算法对处理后的高光谱数据X″进行分类实验。仿真实验结果证实MI-EMD-SVM算法不仅提高高光谱数据分类精度，同时还减少支持向量数目，提高高光谱数据分类速度。

对高光谱数据和多光谱图像数据进行数据预处理，提取光谱曲线，进行目标提取

高光谱图像分类，利用CNN，里面有全套的流程，包括数据处理，样本生成，测试，精度评价。

hdr格式高光谱图像matlab读取与显示，含数据集

高光谱遥感的理论基础、成像机理，数据预处理及应用简介

Classification of Hyperspectral Images by Gabor Filtering Based Deep Network代码minFunc matlab和drtoolbox。minFunc matlab和 drtoolbox 分别为www.di.ens.fr/~mschmidt/Software/minFunc.html

水果成熟度作为衡量水果品质和等级的一个重要指标，区分不同成熟度的水果可以降低水果在采摘、包装、储存、运输等物流环节的损失率。高光谱技术是一种新型光谱技术和计算机视觉融合技术，它可以从图像维和光谱维对水果的综合品质进行评价。分析了国内外将该技术应用于水果成熟度检测方面的研究进展，提出了利用高光谱图像技术检测枣和梨成熟度的方法，利用不同成熟度的水果在可见光及近红外波段的反射率，初步确定了利用高光谱成像技术检测枣和梨2种水果成熟度的有效特征波长。

利用高光谱技术对火龙果可溶性固形物含量(SSC)检测进行研究,为火龙果内部品质无损检测提供科学方法.以火龙果为研究对象,对光谱数据进行预处理,应用连续投影算法(SPA)进行特征变量的选择,通过偏最小二乘法(PLS)和前馈反向传播神经网络法(BPNN)建立预测模型,分析了火龙果果皮对SSC 模型预测精度的影响.实验结果表明：采用平滑去噪(MAS) 效果最优,PLS 模型的交叉验证相关系数(Rcv) 为0.8635,交叉验证均方根误差(RMSECV)为0.6791,可提高火龙果可溶性固形物模型精度；通过SPA 算法能够有效地对光谱数据进行降维处理,采用优选的15 个特征变量建立的BPNN 预测模型的预测相关系数(RP)为0.8411,预测均方根误差(RMSEP)为0.8171；果皮对建模结果会产生一定的影响,完整果PLS 模型的(RP)为0.8999,RMSEP 为0.7208；果肉PLS 模型的RP 为0.9304,RMSEP 为0.5291,果肉SSC 模型比完整果SSC 模型的预测能力略高.研究结果表明基于高光谱技术采集的火龙果漫反射光谱进行SSC 无损检测具有可行性.

用matlab读取高光谱图像，可以显示出每个波段的图像。

轻量级的高光谱成像库，可为开发人员提供适用于Python编程语言的光谱算法。 v0.14.x的新功能：scikit-learn桥（alpha和部分）。 函数和类按主题组织：*丰度图：FCLS，NNLS，UCLS *分类：AbundanceClassification，NormXCorr，KMeans SAM，SID，SVC *检测：ACE，CEM，GLRT，MatchedFilter，OSP *距离：chebychev，NormXCorr， SAM，SID *端成员提取：ATGP，FIPPI，NFINDR，PPI *材料数量：HfcVd，HySime *噪声：Savitzky Golay，MNF，美白* sigproc：双边* sklearn：HyperEstimatorCrossVal，HyperSVC等*光谱：凸壳商提取（四阶样式），USGS06 lib接口* util：load_ENVI_file，load_ENVI_spec_lib，corr，cov等该库大量使用numpy数值库，并且可以实现良好的速度。 该库已经足够成熟，并且即使开发处于beta阶段，也非常有用。