MNF变换 重要作用 用于判定图像内在的维数 分离数据中的噪声 减少计算量 弥补了主成分分析在高光谱数据处理中的不足 计算时需要输入的参数 统计信息的图像范围　shift diff subset 噪声统计文件（可以用到另一副图像上做变换） MNF统计文件(反变换的时候要用) Mnf变换输出波段选择(根据特征值选择输出波段)

ENVI高光谱分析.ppt

matlab匹配滤波代码比较RX和SSRX算法 该存储库包含我该课程项目的一部分：“图像处理中的选定主题”， 该项目的目的是比较两种用于高光谱图像的异常检测算法-RX算法及其子空间投影变化，即SSRX算法。 虽然这两种算法在数学和逻辑上相似，但将它们应用于实际数据时所获得的不同结果值得研究。 为了进一步检查子空间投影的效果，还使用Chronochrome算法在变化检测任务中对其进行了测试。 回购用法 该项目主要基于实现这两种算法，运行多个实验并执行探索性数据分析。 这些组织在以下文件夹中： ：包含完整的项目报告和演示文稿（适用于那些懒得阅读并想要漂亮图片的人） ：包含主要的.mlx文件（以及那些无法访问MATLAB的文件的tex和pdf版本）和一些.m帮助程序脚本。 使用的数据集 可以在以下位置找到用于该项目的数据： MATLAB的高光谱工具箱（包含有用的运算符，转换和算法）： 免责声明 该项目对PCA公式进行了少许更改。 尽管这可能不会显着影响结果，但值得将来研究之用。 此项目中使用的PCA预测为： 正确的公式是： 建议阅读 Alan P. Schaum和Alan D. Stocke

打开hj高管普数据，并且安装方便，只需加载到envi上即可。

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。

常用高光谱异常检测数据集abu

使用混合特征减少方法的 SVM 分类器进行高光谱图像分类 (mRMR-PCA)，简单易懂

包含：平滑处理，SNV,MSC,DOSC,DWT,NIRMAF,SAVGOL,NORMALIZ

针对高光谱图像数据维数多,光谱信息和空间信息难以提取的问题,提出了一种基于超图和卷积神经网络的分类算法,依据高光谱图像中像素之间的光谱关系和空间关系构建超图;通过超图构建具有谱空联合特征的样本,将其送入卷积神经网络进行特征提取,实现分类。在3种常用的高光谱数据集上进行实验,于Indian Pines数据集上取得了96.63%的总体分类精度。相比于其他算法,所提算法的分类精度高、速度快,而且避免了传统方法在特征提取和融合时出现的不稳定性,验证了其提取的谱空联合信息对高光谱图像具有更强的特征表达能力。