高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

使用混合特征减少方法的 SVM 分类器进行高光谱图像分类 (mRMR-PCA)，简单易懂

针对高光谱图像数据维数多,光谱信息和空间信息难以提取的问题,提出了一种基于超图和卷积神经网络的分类算法,依据高光谱图像中像素之间的光谱关系和空间关系构建超图;通过超图构建具有谱空联合特征的样本,将其送入卷积神经网络进行特征提取,实现分类。在3种常用的高光谱数据集上进行实验,于Indian Pines数据集上取得了96.63%的总体分类精度。相比于其他算法,所提算法的分类精度高、速度快,而且避免了传统方法在特征提取和融合时出现的不稳定性,验证了其提取的谱空联合信息对高光谱图像具有更强的特征表达能力。

使用K-NN、朴素贝叶斯及最小欧氏距离进行高光谱图像分类，准确度和混淆矩阵评估模型，运行project.m即可

使用SVM、随机森林及K-NN进行高光谱图像分类，内置Indian_pines、PaviaU、Salinas数据集及其标签

IP, SV, UP, BS, KSC....XiongAn

针对基于深度卷积神经网络的高光谱图像分类算法中存在的空间分辨率下降、池化操作引发特征丢失从而导致分类精度下降的问题，设计了一种由双边融合块构成的双边融合块网络。1×1卷积与超链接构成双边融合块上结构，传递局部空间特征，池化、卷积、反卷积、上采样组成下结构，强化高效判别特征。在3个基准高光谱图像数据集上的实验结果表明，该模型优于其他同类分类模型。

hsi matlab代码该存储库包含在以下方面提出的高光谱图像降噪算法： Dantas CF，Cohen JE和Gribonval R.“使用字典学习进行高光谱图像降噪”。 WHISPERS 2019，荷兰阿姆斯特丹。 （位于：） 所提出的技术结合了低等级和稀疏性（通过词典学习）。 用法示例 要运行的主要脚本是“ DL_HSI_denoise.m”。 假设将图像放置在matlab变量“ imnoise”（3D数组）中，然后运行以下代码： [imout，exec_times] = DL_HSI_denoise（imnoise）; 其中“ imout”包含最终去噪图像，“ exec_times”包含执行时间。 文件列表和描述 DL_HSI_denoise.m：主脚本。 输入嘈杂的HSI并输出其去噪版本。 脚本层次结构：DL_HSI_denoise.m-> image_denoise_lr.m-> HO_SuKro_DL_ALS.m-> DictUpdateALS2.m 核/ image_denoise_lr.m：去噪方法的稀疏阶段（使用字典学习）。 HO_SuKro_DL_ALS.m：默认

高光谱图像降噪的联合空间和光谱低秩正则化

高光谱图像拥有成百甚至上千个波段，具有图谱合一的特点，与多光谱图像相 比，不仅分辨率更高，而且包含更加丰富的空间和地物信息，通过对比分析目标光 谱曲线，可以完成在其它成像模态下难以完成的目标检测任务