matlab改变代码颜色MDL4OW 的源代码和注释： 刘胜杰，石谦和张良培。 使用多任务深度学习的未知类的少量快照高光谱图像分类。 IEEE TGRS，2020年。 接触： 代码和注释在此处发布，或检查 概述 普通：错误分类道路，房屋，直升机和卡车 以下是正常/封闭式分类。 如果您熟悉高光谱数据，您会发现培训样本中未包含某些材料。 例如，对于上方的图像（萨利纳斯山谷），道路和农田之间的房屋无法分类为任何已知类别。 但是，深度学习模型仍然必须分配标签之一，因为从不教它识别未知实例。 我们的工作：用黑色掩盖未知的事物 我们在这里所做的是，通过使用多任务深度学习，使深度学习模型具有识别未知事物的能力：那些被黑色掩盖的事物。 对于上方的图像（萨利纳斯山谷），农田之间的道路和房屋已成功识别。 对于下图（帕维亚大学校园），直升机和卡车被成功识别。 钥匙包 tensorflow-gpu==1.9 keras==2.1.6 libmr 在Windows 10的Python 3.6上测试 推荐Anaconda，Spyder 如何使用 高光谱卫星图像 输入图像的大小为imx×imy×通道。 卫星图像是标

【图像融合】稀疏表示多光谱图像融合.md

高光谱图像分类2D_CNN网络代码 基于pytorch框架制作 全套项目，包含网络模型，训练代码，预测代码，直接下载数据集就能跑，拿上就能用，简单又省事儿 内附indian pines数据集，采用20%数据作为训练集，并附上迭代10次的模型结果，准确率99左右。

我们提供了用于模拟GAP相机的多光谱图像数据库。这些图像包含各种现实世界的材料和物体。我们正在将该数据库提供给研究社区。

对新疆冰糖心红富士苹果采用高光谱成像技术进行分级和糖度预测研究。在糖度预测分析中,使用正交试验设计方法确定影响预测效果的主要因素是预测回归方法、光谱预处理方法和波长合并,次要因素是光谱校正处理方法、数据类型和实测值归一化处理。提取平均光谱,经过白板校正,采用一阶微分光谱预处理,10个波长的光谱合并,基于多元线性回归方法建立苹果糖度的预测模型,其验证集苹果糖度的预测模型相关系数为0.911,预测均方根误差为0.76%Brix,相对分析误差为2.44。在分级研究中,选择712nm波长图像,Gamma灰度变换增强图像,大津算法阈值确定后分割图像,基于形态学处理剔除果梗区域,提取苹果分割后区域的面积、充实度、周长、平均灰度等特征,采用二次判别分析分级苹果,验证集苹果分级准确率达到89.5%。结果表明,高光谱图像技术既能够准确预测新疆冰糖心红富士苹果糖度品质,也可以用于基于外部品质特征的分级研究。

高光谱图像unmixing matlab代码

高光谱分解 卷积神经网络的高光谱图像分解（无分叉，半成品） 说明 先决条件 Python 3.8 TensorFlow 2.3.0 建议使用conda创建虚拟环境并使用以下命令安装依赖项： pip install -r requirements.txt 用法 在设置参数后，在终端中输入以下命令： python run.py 更多细节： 使用python run.py -h获取更多参数设置详细信息。 数据集 我们提供了两个处理后的数据集：数据集中的Jasper Ridge（jasper），Urban（urban）/ data.npy：高光谱数据文件。 data_gt.npy：基本事实文件。 data_m.npy：端成员文件。 更新：2021年2月10日

介绍了多光谱图像：令灰度值是是二个空间变量和一个光谱变量的灰度值函数，并由二维推广到三维形式； 彩色图像：光谱采样限制到对应于人类视觉系统的红、绿、蓝光波时，称为彩色图像

这是论文《Gaussian Pyramid Based Multiscale Feature Fusion for Hyperspectral Image Classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(9), 3312-3324》的代码，更多详情可在纸上找到。 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 libsvm-3.20。 libsvm-3.20可从https://www.csie.ntu.edu.tw/~cjlin/libsvm/获得

这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 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 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得