提出了一种基于EMAPs和SMLR的高光谱图像分类方法。 首先，我们采用EMAPs（扩展形态学多属性谱）算法有效地提取了HSI的空间信息，并结合光谱信息形成了空间光谱特征融合模型。 EMAP可以用多个属性结构替换简单的结构元素，并对其进行级联以获得多个结构的属性特征。 然后，我们利用SMLR（稀疏多项式逻辑回归）进行HSI分类。 SMLR适用于高维和大数据集。 采用基于MLR的多分类器，并采用快速算法学习稀疏的多分类器。 与HSI实验中的其他方法相比，我们的方法提供了出色的结果。

这是论文《Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4), 1166-1178.》的代码，更多详情可查看在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载minFunc matlab工具箱和drtoolbox。 minFunc matlab 工具箱和 drtoolbox 分别位于http://www.di.ens.fr/~mschmidt/Software/minFunc.html和http://homepage.tudelft.nl/19j49/Matlab_Toolb

关于数据集的注释： 使用一个简单的脚本将原始的.mat图像和基本事实转换为.txt文件。 数据目录包含这些.txt文件的示例（但不是全部）。 原始.mat文件可以从[Palis Vasco大学]（ ）获得。 使用注意事项： DBN_writeparams旨在替代DBN。 DBN仅由DBN_example使用。 DBN对象的参数应在DBN_writeparams和DBN_example中匹配（例如n_ins，hidden_​​layers_sizes，n_outs）。 去做： 在DBN_example中创建一个模块，用于加载训练后的权重和偏差。

矿物识别步骤 MNF变换 PPI计算 提取纯净像元 选取端元波谱 识别端元波谱 矿物分析 查看结果

提出用若干数字特征描述方法提取高光谱曲线特征，将曲线相似性判断转化为数字特征识别,达到像元相似性识别的目的，进而实现高光谱图像分割。提取的高光谱曲线数字特征包括：大于均值的(极大值)波峰数、大于均值的(极小值)波谷数、小于均值的(极大值)波峰数、小于均值的(极小值)波谷数、上升趋势点数、下降趋势点数、(极大值)波峰位置和(极小值)波谷位置。高光谱曲线数字特征刻画光谱曲线形态，反映像元之间的差异，大大降低后续处理计算量，提高效率，实验验证了方法的有效性。

高光谱图像分离matlab代码高光谱图像的光谱超分辨率 高光谱图像光谱超分辨率代码 目录 介绍 该存储库包含为高光谱数据的光谱超分辨率设计的 MATLAB 代码和脚本。 所提出的方法通过利用稀疏表示 (SR) 学习框架，从其获得的低分辨率形式合成高光谱分辨率 3D 数据立方体。 根据 SR 框架，各种低光谱分辨率和高光谱分辨率的数据立方体可以表示为来自学习过的过完备字典的元素的稀疏线性组合。 依赖关系 数据集 所提出的光谱超分辨率方案的性能使用 EO-1 NASA 的 Hyperion 卫星高光谱地球观测场景进行量化。 由于其高光谱覆盖率，Hyperion 场景已被广泛用于遥感界用于分类和光谱分离目的。 我们考虑了 2015 年 8 月 30 日获得的夏威夷岛的高光谱场景，并利用了可见光和近红外光谱范围内的 67 个光谱带，从 436.9 到 833.83 nm。 字典 关于字典训练阶段，我们设计了耦合字典，基于 ADMM 稀疏耦合字典学习方案，对高光谱分辨率和低光谱分辨率特征空间进行建模。 我们从 100.000 对训练低和高光谱分辨率数据立方体中训练了 512 个代表性字典原子。

该文档描述了一种基于支持向量数据描述的高光谱图像的混合相元分解技术，详述了计算步骤，给出了一定结果。

为进一步抑制遥感图像的非均匀噪声,首先分析了空间遥感高光谱图像条带噪声产生的原因及噪声模型,进而提出一种基于窗口阈值判决的改进矩匹配算法。选取相对平坦,且条带噪声与背景对比较明显的区域进行阈值估算,并选取参考均值、标准差和条带阈值判决对条带噪声进行矩匹配处理。实验结果表明,所提算法的峰值信噪比相对传统方法至少提高了6.2163 dB,均方误差最小降低了5.9630,结构相似度至少提高了0.254。与传统方法相比,采用所提方法处理后的图像变异逆系数有所提高,图像横向梯度与标准差有所降低,该方法还去除了图像中的条带噪声,保留了原始图像的细节信息。

高光谱图像分类：在Matlab中使用朴素贝叶斯，最小Eucleidian距离和KNN进行高光谱图像分类

由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05%和94.16%; 在5%样本比例下, 地物总体分类精度达到了97.38%和97. 50%。结果表明: 由于SSDL特征提取算法融合了数据中深层非线性特征和空间信息, 能够提取出更具鉴别特性的特征, 较其他同类算法能够获取更高分类精度。