首先利用PCA进行降维，并利用SVM对高光谱数据进行分类，数据采用印第安纳农场数据，训练样本比例可调，设计了一个GUI

高光谱图像数据集，包含Indian,Pavia。每类数据集里包含图像原始信息，以及相对应的ground truth。

Salinas数据集，用于高光谱遥感图像分类，非常常用。ke'yi

高光谱遥感数据集是遥感领域中的一个重要资源，尤其在环境监测、地球科学、农业分析、矿物识别等多个领域有着广泛的应用。本数据集主要包括两个知名的高光谱图像样本：Indian Pines和Pavia University。 1. **高光谱成像**： 高光谱成像是遥感技术的一种，它能够捕捉到连续的光谱信息，覆盖可见光、近红外和短波红外等波段。相比于传统的多光谱成像（通常只有几个窄波段），高光谱成像提供数百个甚至上千个波段，可以更精细地分辨地物特性。 2. **Indian Pines数据集**： 这是一个经典的高光谱图像数据集，源自美国印第安纳州的一个农田地区。该数据集包含145x145像素的图像，涵盖220个光谱波段。此外，还提供了地面真实信息（ground truth），包括16种不同的土地覆盖类别，如玉米、大豆、草地等。这对于分类算法的训练和评估至关重要。 3. **Pavia University数据集**： Pavia University数据集源自意大利帕维亚市的一张卫星图像，尺寸为610x340像素，包含了91个光谱波段。数据集包含了9个不同的地面类别，如混凝土、草、树等，同样提供了精确的地面真实信息，用于分类和目标检测的研究。 4. **数据集内容**： 压缩包内的"HSI_Dataset"可能包含了原始高光谱图像文件，以及对应的地面真实标签文件。这些文件通常以矩阵形式存储，每一行代表一个像素，每一列对应一个光谱波段。同时，"readme.txt"文件可能包含了关于数据集的详细说明，包括数据采集的设备信息、每个类别的描述、数据预处理方法等。 5. **应用与研究**： 高光谱遥感数据集主要用于开发和测试各种遥感图像处理技术，如光谱分类、目标检测、异常检测和混合像素分解。研究人员会使用这些数据集来验证算法的性能，通过比较不同算法在相同数据上的表现，推动高光谱图像处理技术的发展。 6. **挑战与未来方向**： 高光谱遥感面临的挑战包括高维度数据的处理、光谱混叠问题、噪声干扰以及对地物的精细识别。未来的研究可能会聚焦于深度学习方法在高光谱图像分析中的应用，以及如何利用多源数据提高分类精度和地物识别能力。 高光谱遥感数据集是遥感和图像处理研究的重要工具，对于理解和掌握高光谱成像技术及其应用具有重要意义。通过不断探索和优化算法，我们可以更好地利用这些数据集，服务于环境保护、城市规划和资源管理等多个领域。

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。 该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学 习到的高级特征进行 回归训练

光谱数据分析方法，光谱曲线分形特征研究，高光谱

高光谱遥感——原理、技术与应用

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点，在综合各种数据降维方法的基础 上，提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的 AVIＲIS 数据为例，分析 各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择; 并针对难区 分地物类别，应用 J － M 距离模型对其可分性进行判别，获得最佳波段组合。最后采用支持向量机分类器进行分 类。实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。

内有常用的高光谱图像（HSI）数据集，有常用的Indian,Pavia。每类数据集里包含图像原始信息，以及相对应的地面真实数据的类别标签。因文件大小限制，只能传这两个数据集，还有Salinas等数据集，大家需要的话可留言。

基于FuzzyMeansCluster算法的高光谱遥感图像聚类（matlab实现）