该包提供了遥感图像分析中常用的Salinas数据集，为mat格式，包括各波段信息，及对应的地面真实数据的标签。

SLIC 高光谱图像降维...........................................................................................................................................................................................................

基于光谱和纹理的SVM遥感影像分类研究，丁允静，，遥感图像分类是遥感应用的基础问题，目前遥感图像的分类方法多为计算机自动分类方法，由于

matlab遥感分类代码CNN-AL-MRF 这就是《Hyperspectral Image Classification with Convolutional Neural Network and Active Learning》的代码。 如果您使用此代码，请在您的工作中引用以下论文。 [1] 曹向勇，姚敬，徐宗本，孟德宇。 具有卷积神经网络和主动学习的高光谱图像分类。 IEEE 地球科学与遥感学报，2020 年。() [2] H. Bi、F. Xu、Z. Wei、Y. Xue 和 Z. Xu，一种用于最小监督 polsar 图像分类的主动深度学习方法。 IEEE 地球科学与遥感学报，2019 年。 在 Windows 中安装 Matconvnet 请按照网站上的说明进行操作：。 再现结果 重现第四部分的实验结果。 D(1)，请跑 matlab CNN_AL_MRF_main.m 接触： 如果您有任何问题，欢迎与我联系（ / ）。

利用Nd:YAG激光器、OceanHR2000+ICCD光谱仪建立激光诱导击穿光谱(LIBS)实验系统，设置合理的实验参数得到土壤样品LIBS数据，利用基于误差反向传播的人工神经网络(BP-ANN)算法，对含Cr浓度不同的样品进行了分析，选择CrI：425.435 nm为分析谱线，选择FeI：425.079 nm为参考线，在以相对峰强为输入模式下，对网络进行训练，建立定量分析模型，利用该模型进行预测，预测的相对标准偏差和相对误差均优于传统的定标曲线法得到的结果。

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。