Deep Feature Extraction and Classification of Hyp全文翻译（带公式）

基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习 通过，，，张治，，。 拟议框架 介绍 与传统的手工特征提取算法相比，使用深度神经网络（DNN）的特征学习技术表现出卓越的性能。 但是，DNN通常需要大量的训练样本来学习有效的特征，而在高光谱图像中很难获得有效的特征。 因此，在本文中，提出了一种使用三维卷积自动编码器（3D-CAE）的无监督空间光谱特征学习策略。 提出的3D-CAE仅包含3D或元素操作，例如3D卷积，3D池化和3D批处理归一化，以最大程度地探索空间光谱结构信息以进行特征提取。 还设计了一个配套的3D卷积解码器网络来重建输入模式，通过该模式，可以训练网络中涉及的所有参数而无需标记训练样本。 在多个基准高光谱数据集上的实验结果表明，我们提出的3D-CAE在提取空间光谱特征方面非常有效，不仅在传统的非监督特征提取算法方面表现出色，而且在分类应用中也优于许多监督特征提取算

提出了一种绿茶成分分析和种类鉴别的新方法。利用FS920荧光光谱仪测量得到国内生产的26个绿茶样品的三维荧光光谱矩阵(EEMs),建立了不同种类绿茶在特定范围内(激发波长为300～550 nm,发射波长为310～750 nm)的三维荧光光谱图和等高线光谱图。采用平行因子分析法(PARAFAC)计算得到绿茶的3因子激发-发射光谱轮廓图和样品因子投影得分图。通过因子光谱特征分析确定绿茶的三种主要成分(茶多酚、黄酮醇及叶绿素); 通过三维荧光光谱图和等高线光谱图的图谱特征和样品因子投影得分图的分析,证实三维荧光光谱技术和平行因子分析法对绿茶进行成分分析和种类鉴别,是一种高效、精确的方法。

光谱仪器的原理，很不错的入门书籍.对于光谱行业的程序员的学习非常有帮助

医用内窥镜多光谱成像技术研究.pdf

输入一个conv2d层或transposedconv2d层，并为sn层命名。 inputlayer需要：过滤器大小，num个过滤器（输出通道大小），num个通道（输入通道大小）。 例子 ： SpectralNormalization（convolution2dLayer（filterSize，numFilters，“ NumChannels”，3，'Stride'，2，'Padding'，'same'，'Name'，'conv1'），“ sn1”） SpectralNormalization（transposedConv2dLayer（filterSize，numFilters，“ NumChannels”，64，'Name'，'detc5'，“ Stride”，2，'Cropping'，'same'），“ sn19”）

图谱解析软件，解压，里面有个setup。exe。当然还有其他拓展的工具。csdn留言，就发给你，留个邮箱就ok、

将高光谱数据转换换成对应卫星传感器（Landsat_OLI、WorldView2、Sentinel A）的多光谱数据

Urban数据通常被用于高光谱图像混合像元分解。它由Hydice传感器获取，图像大小为307*307。原始数据有210个波段，在去除噪音和水吸收波段后，一般留下162个波段做后续处理与分析。地物类别包含道路，屋顶，草地和树木。

Salinas 是由 AVIRIS 传感器拍摄，拍摄地点是加州 Salinas Valley。这个数据的空间分辨率是3.7米，大小是512*217。原始数据是224个波段，去除水汽吸收严重的波段后，还剩下204个波段。这个数据包含了16个农作物类别。