为了大家更好学习高光谱编程，讲一些常用的高光谱数据集上传，仅仅针对MATLAB用户，直接load就能使用。

光谱Python（SPy） 光谱Python（SPy）是用于处理高光谱图像数据（成像光谱数据）的纯Python模块。 它具有读取，显示，操作和分类高光谱图像的功能。 有关该程序包的完整详细信息，请参见。 安装说明 最新版本始终托管在，因此，如果已安装pip，则可以从命令行使用以下命令安装SPy： pip install spectral 打包的发行版也托管在和因此您可以下载并解压缩最新的zip / tarball，然后输入 python setup.py install 要安装最新的开发版本，请下载或克隆git存储库并按上述进行安装。 不需要显式安装，因此您可以简单地访问（或符号链接）源树中的光谱模块。 最后，可在官方找到有关如何通过流行的conda软件包和环境管理系统进行安装的最新指南。 单元测试 若要运行单元测试套件，必须安装numpy，并且必须将示例数据文件下载到当前目录（

针对光纤布拉格光栅(FBG)传感网络中重叠光谱的中心波长解调问题,提出一种基于门控循环单元(GRU)网络的波长检测方法。该方法将FBG重叠光谱的波长解调问题转换为模型回归问题,同时考虑到光谱数据的序列特征和频谱特性,采用GRU网络实现对光谱数据的特征学习,训练得到相应的波长检测模型,从而实现对重叠光谱的精确快速解调。经实验验证,所提方法能够解决FBG传感网络光谱部分重叠或完全重叠条件下的中心波长的精确解调问题,其方均根小于1 pm的测试结果占总数的88.2%。相比现有的解调方式,所提方法在检测精度和稳定性上均有一定的提升,为提高FBG传感网络的复用能力提供了新的途径。

数据融合matlab代码基于卷积自动编码器的多光谱图像融合 概述 该存储库包含运行基于深度学习的全色锐化方法以在遥感应用中融合全色和多光谱图像所必需的代码。 有关该算法的详细信息，请参见我们的论文。 用法：泛锐化 基于卷积自动编码器的多光谱图像融合是基于卷积自动编码器体系结构的一种基于深度学习的多光谱图像融合新方法。 有关更多信息，请参见以下文章： A. Azarang，HE Manoochehri，N。Kehtarnavaz，基于卷积自动编码器的多光谱图像融合，IEEE Access。 怎么跑 首先，您需要使用Data_Generation.m来准备要在我们的锐化框架中使用的数据。 我们仅使用4波段多光谱（MS）数据进行研究。 （B，G，R，NIR频段） Add path of your data 该路径应包含MS和PAN​​colour（PAN）数据。 另外，它可以是.mat文件（MAT文件）。 Importing the MS and PAN data 运行Data_Generation.m之后，将3个文件保存到该目录： Input.m // it is used to serv

与雷达技术走不同的道路，从光谱学建立一套分析、解译、识别的技术方法

本文研究中药材的鉴别，基于不同中药材的光谱特征对中药材的种类和产地进行鉴别。中药材的产地对药材的道地性有很大的影响，仅从红外光谱图的表观图谱特征无法对不同的药材进行鉴别，必须借助于数学分析手段。结合系统聚类分析、相关性分析建立数学模型。

高光谱图像分离matlab代码Endmember-Guided Unmixing Network (EGU-Net)：一种用于自监督高光谱解混的通用深度学习框架 , , , , , , 此工具箱中的代码实现了 . 更具体地说，详述如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 洪丹峰、高连如、姚静、横谷直人、乔斯林·查努索特、乌塔·海登、张冰。 Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing, IEEE Transactions on Neural Networks and Learning Systems, 2021, DOI: 10.1109/TNNLS.2021.3082289. @article{hong2021endmember, title = {Endmember-Guided Unmixing Network (EGU-Net): A General Deep L

高光谱图像分离matlab代码深度生成端元建模：无监督光谱解混的应用 这个包包含作者对论文 [1] 的实现。 为了解决光谱分离中的端元可变性，端元光谱使用深度生成模型 (VAE) 建模，该模型从观察到的高光谱图像中学习。 这使我们能够使用生成模型的低维潜在空间中的点对可变端元进行参数化，然后可以与丰度同时优化以解决分离问题。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) example4.m - 比较算法的演示脚本 (DC4) example_real1.m - 比较算法的演示脚本（休斯顿） example_real2.m - 比较算法的演示脚本 (Samson) example_real3.m - 比较算法的演示脚本（Jasper Ridge） ./DeepGUn/ - 包含与 DeepGUn 算法相关的 MATLAB 文件 ./python/ - 包含与 DeepGUn 算法相关的 Python 文件 ./other_

在Bagging支持向量机（SVM）的基础上，将动态分类器集选择技术用于SVM的集成学习，研究了SVM动态集成在高光谱遥感图像分类中的应用。结合高光谱数据特性，通过随机选取特征子空间和反馈学习改进了Bagging SVM方法；通过引进加性复合距离改善了K近邻局部空间的计算方法；通过将错分的训练样本添加到验证集增强了验证集样本的代表性。实验结果表明，与单个优化的SVM和其他常见的SVM集成方法相比，改进后的SVM动态集成分类精度最高，能有效地提高高光谱遥感图像的分类精度。

本贡献中包含的脚本计算再分析数据的谱经验正交函数 (SEOF) 分解。 这些示例包括参考文献 [1] 中讨论的天气和气候模式，即马登-朱利安涛动 (MJO)、准双年涛动 (QBO) 和厄尔尼诺-南方涛动 (ENSO)。 这些模式是从必须单独下载的 ERA-Interim 和 ERA-20C 数据中推导出来的。 相应的 Python 脚本位于“data/EI”（ERA-Interim）和“data/E20C”（ERA 20C）文件夹中。 请参阅https://confluence.ecmwf.int/display/WEBAPI/Access+ECMWF+Public+Datasets了解如何在 ECMWF 上设置帐户并下载其公共数据集的详细信息。 执行 SEOF 分解的核心例程 spod()（在经验正交函数分析被称为适当正交分解的领域中的 SPOD）位于“utils”文件夹中。 最新版本以