异常目标检测在高光谱图像(HSI)处理领域发挥越来越重要的作用。低秩稀疏矩阵分解算法(LRaSMD)可将背景和异常区分开，可以极大地减弱异常目标对背景的污染。基于此，提出一种基于低秩稀疏矩阵分解和稀疏字典表达(LRaSMD-SR)的高光谱异常目标检测算法，通过LRaSMD的方式获取背景集，通过稀疏表达的方式从背景集中构建背景字典模型，最后通过计算重构误差来检测异常点。该算法在模拟和真实数据上都进行了有效性验证，实验结果证明LRaSMD-SR算法具有非常好的异常目标检测性能。

针对单一滤波器提取高光谱图像空间特征时不能获得完整的图像空间信息的不足, 提出一种结合非局部均值滤波和导向滤波的高光谱图像分类算法。该方法利用非局部均值滤波提取高光谱全波段图像空间信息, 利用导向滤波提取经由主成分分析(PCA)降维后的高光谱图像的空间边缘信息, 将两种空间信息进行线性融合的结果输入至支持向量机(SVM)完成分类。实验表明, 相比于使用光谱信息、高光谱PCA降维、空谱结合的SVM分类、边缘保持滤波以及递归滤波等方法, 该算法能够有效提高光谱图像的分类精度。

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。

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。

近红外光谱图11111111111

为了快速准确地获取黄瓜叶片的含氮量和叶面积指数等生长信息, 提出了采用多光谱图像技术对黄瓜生长信息进行检测的新方法。利用标定板建立黄瓜叶片光谱反射率同图像灰度值之间的线性公式。通过多光谱相机对样本在绿光、红光和近红外三个通道的图像进行处理, 获得叶片样本在每一通道的灰度值, 然后根据标定板所建立的灰度值与反射率间的经验线性公式将对应的灰度值转为反射率值, 并由反射率值计算出黄瓜的植被指数。采用最小二乘-支持向量机(LS-SVM)建立植被指数同叶片含氮量以及叶面积指数间的拟合模型。结果表明植被指数同叶片含氮量和叶面积指数的拟合相关系数分别为0.8665和0.8553。表明植被指数与黄瓜的叶片含氮量和叶面积指数具有紧密的相关性, 也为快速采集黄瓜生长信息提供了一种新方法。

MATLAB光谱图绘制，能够画出可见光波长下的光谱图

为了实现对高光谱图像的分类, 提出了一种基于多特征和改进稀疏表示的方法——MFISR。从高光谱图像中提取光谱特征、Gabor特征和局部二值模式(LBP)特征, 求解稀疏系数, 同时增加一个2范式约束, 利用所得系数得到每个测试像素的最终类别标签。实验结果表明：所提MFISR方法对小样本的检测效果显著, 分类性能稳定且较优。

层次分析matlab代码分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解混多时相高光谱图像 说明：与以下方法中描述的方法相关的Matlab代码 P.-A. Thouvenin，N.Dobigeon和J.-Y. Tourneret-分级贝叶斯模型，考虑了端成员的变异性和突然的光谱变化，以解开多时相高光谱图像， IEEE Trans。 计算想像，卷。 4，没有1，2018年3月，第32-45页。 作者： P.-A. Thouvenin，pierreantoine [dot] thouvenin [at] gmail [dot] com 实验：运行本文中报告的真实数据实验的代表性示例，配置并运行main_real_data.m脚本。 脚本main_extract_data.m可用于从data/raw_data文件夹中包含的原始数据文件中提取高光谱数据。 data文件夹中已经提供了数据提取后获得的.mat文件。 相关性：当前代码包括在以下出版物中描述并由其各自作者开发的MATLAB函数。 [1] JM Nascimento和JM Bioucas-Dias-顶点分量分析：一种快速混合高

高光谱图像分类问题是高光谱遥感图像处理问题中的研究基础,它的主要目的是根据高光谱遥感图像中的光谱信息和空间信息将图像中的每个像元划分为不同的地物类别[1]。高光谱图像分类技术被广泛应用于环境监测、矿产勘探、军事目标识别等领域,然而高光谱图像的高维特性、波段间的高度相关性、光谱混合等使得高光谱图像分类面临着巨大的挑战。因此,高光谱图像分类问题越来越受到学者们的广泛关注[2-4]。