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。

比较并绘制了黑体辐射的维恩定律和普朗克定律。

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

光谱数据分析中常用的数据处理方法，例如多元线性回归、特征提取等操作的MATLAB代码实现。其中提供模拟的光谱数据以供参考。

用于光谱域 OCT 图像重建和光谱分析的 MATLAB 代码。 此代码可用作 OCT 分子成像平台的一部分，我们称之为 MOZART。 创建此代码是为了读取来自 Thorlabs OCT 的原始干涉图（SW 版本 4 效果最佳，但也支持版本 3 进行一些更改）。 它将原始干涉图重建为 OCT 图像，并支持 2D、3D 和散斑方差。 除了重建图像此代码： 计算归一化的 spcekle 方差（用于检测血管） 计算色散补偿基于双波段光谱分析计算光谱对比图计算光谱深度补偿创建结合 OCT 图像、光谱分析和散斑方差的图像。 和更多功能... 此代码用于创建图像和分析：“具有皮摩尔灵敏度的对比增强光学相干断层扫描，用于功能性体内成像”O Liba、ED SoRelle、D Sen、A de La Zerda - 科学报告，2016 年。 如果您使用我们的代码，请引用我们的论文。

高光谱图像聚类的有效算法

1.光谱解混步骤 步骤一： 端元提取 步骤二： 丰度反演

HyperMix 是一种用于遥感高光谱图像解混的开源工具。 它包括几种流行的算法，涵盖了高光谱分离链的不同步骤。

这是一组代码，适用于经典阻尼谐波振荡器 (CDHO)、Voigt、傅立叶级数和三角基函数的介电常数。 详见：介电常数的光谱曲线拟合，AIP Advances 7, 015042 (2017)； 这些代码可用于从在有限光谱范围内测量的吸收/反射光谱中提取光学常数（折射率、介电常数等）。 Voigt 拟合需要 Sanjar Abraro 的 Voigt/complex error 函数（文件 ID：#47801），可从 File exchange 下载。 主文件是 curveift_test.m，它采用样本数据并拟合不同的曲线。 如果您觉得有用，请引用：M.Ruzi，C.Ennis和EG Robertson，介电常数的频谱曲线拟合，AIP Advances 7，015042（2017）。

hsi图像分割matlab代码稀疏高光谱分解的快速多尺度空间正则化 这是作者对[1]的实现。 该代码在MATLAB中实现，包括： demo1_MUA.m-比较算法的演示脚本（DC1） demo2_MUA.m-比较算法的演示脚本（DC2） demo3_MUA.m-比较算法的演示脚本（DC3） demo4_supp_MUA.m-补充材料的演示脚本 demo5_supp_MUA.m-补充材料的演示脚本 demo6_supp_MUA.m-补充材料的演示脚本 sort_library_by_angle.m-对光谱库中的特征进行排序 prune_library.m-从库中删除相关的签名 ighter_subplot.m-更有效的子图 soft.m-软阈值运算符功能 sunsal.m-SUnSAL算法 sunsal_tv.m-SUnSAL-TV算法 sunsal_tv_lw_sp.m-S2WSU算法 sunsal_spreg.m-在精细的空间尺度上稀疏分解 ./real_data/-补充实验中使用的真实图像和光谱库 ./vlfeat-0.9/-VLFeat工具箱（用于SLIC超像素算法） ./HSI