提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

生态地球化学评价动植物样品分析方法 第3部分：总汞的测定 冷原子荧光光谱法.zip

光谱匹配Matlab代码MUSCARI（多任务谱聚类算法） 穆斯卡里（Muscari）是一种新的基于多任务图的聚类算法，通过使用物种与物种之间的系统发育关系，共同从物种特定的全基因组共表达网络中跨物种识别基因共表达模块（或子网络）。共表达矩阵的基于图的性质。 穆斯卡里（Muscari）基于Arboretum-HiC（）多任务图聚类算法，该算法将每个任务定义为一个光谱图聚类问题，每个物种一个，多任务学习框架同时搜索相互作用的基因组同时考虑了物种之间的系统发育关系。 与植物园HiC不同，穆斯卡里输入是基因表达矩阵，该矩阵转换为完全连接的加权基因共表达网络。 安装 1.所需环境 matlab（R2006a或更高版本）：仅对于生成特征向量矩阵是必需的 2.下载代码 code / ：穆斯卡里编码目录 run_muscari.sh ：穆斯卡里的包装程序运行脚本。 该脚本需要其他两个后续脚本： eigvecmat_calc.m：特征向量矩阵计算脚本 run_eigvecmat_calculation.m：用于运行eigvecmat_calc.m的包装器脚本 3.编写穆斯卡里代码 运行代码/ Make

此 App 绘制耦合图和模拟 (1H) NMR 谱。

全色锐化-PCA 使用 PCA 进行多光谱图像全色锐化 这是如何使用线性主成分分析执行全色锐化的示例。 将imshow应用于计算的图像矩阵所产生的图形包含在fig目录下。 有关分步说明，请参阅我的博客文章。 实现是在Matlab中。 随意使用和改进！

很实用的用于高光谱遥感图像分类Salinas数据集，欢迎下载

带标签的训练样本的有限且昂贵的可用性导致以基于数据增强的监督学习的形式定义高光谱分类任务的方法的发展。 但是，大多数方法只是隐式地利用各向同性邻域中的频谱空间信息，而不是显式指示各向异性或操纵邻域系统。 在本文中，我们应用导向模板来估计局部方向的同质区域，并利用更有价值的光谱空间环境。 通过使用最佳的导向模板匹配方法，我们提出了一种数据扩充和精炼方法，以改善带有有限标记样本的任何光谱空间分类器的性能。 实验表明，该方法对许多光谱空间分类器都非常有效。

使用一维FDTD和总场/散射场源，计算标准具板的透射和反射光谱。 施加完全吸收边界条件。 我参考了 UTEP Raymond Rumph 博士关于这些主题的精彩讲座。http://emlab.utep.edu/ee5390cem.htm

多视图光谱聚类算法 该存储库包含用于7种多视图光谱聚类算法（和单视图光谱聚类算法）的MATLAB代码，用于在我们的ICDM论文“”中进行比较。 一些算法的代码是从原始论文作者的网站上收集的，后来由我们修复和优化。 有关这些算法的详细信息，请参阅我们的论文（文件夹名称对应于本文中算法的缩写，即AASC，AWP，CoReg，MCGC，MVGL，RMSC和WMSC ）。 在这些文件夹中的每个文件夹中，都有一个用于算法的主文件xxx_main.m ，其中xxx是算法名称。 有关7种多视图光谱聚类算法和单视图光谱聚类（SC）算法的原始论文为： Huang等人，2012年。光谱聚类的亲和力聚合 Nie等人，2018年。通过自适应加权Procrustes进行多视图聚类 Kumar等人，2011年。共规化多视图光谱聚类 Zhan等人，2018年。多视图共识图聚类 Zhan等人，2017年。图学习用于多

高光谱遥感图像小目标探测方法研究，刘澍，邓喀中，高光谱遥感技术能够借助丰富的地物图像和光谱信息，反映目标地物与背景地物间的细微差异，非常有利于目标探测。本文分析了高光谱