摘要光谱特征波段的选取是植被高光谱分类识别的重要基础之一利用鄱阳湖种典型植被的实测高光谱数据在对数据进行预处理和分析的基础上提出了一种基于均值极差阈值法的光谱特

一段用于光谱分析波段选择的无信息变量消除算法matlab代码。

在遥感数据处理研究中，高维高光谱数据的冗余信息和噪声严重影响高光谱数据的分类精度，针对此问题提出基于互信息波段选择和经验模态分解的高精度高光谱数据分类算法(MI-EMD-SVM)。分别采用基于互信息波段选择方法和经验模态分解实现对高光谱数据的冗余信息处理和特征提取，并获得处理后的高光谱数据X″。采用支持向量机分类算法对处理后的高光谱数据X″进行分类实验。仿真实验结果证实MI-EMD-SVM算法不仅提高高光谱数据分类精度，同时还减少支持向量数目，提高高光谱数据分类速度。

光谱特征波段选择—无信息变量消除uve.rar

利用遗传算法优化oif指数进行高光谱波段选择 最佳指数因子 高光谱波段选择

BiPLS iPLS等波段选择代码，实现近红外光谱波段挑选功能

基于光谱测量数据,综合考虑背景辐射和仪器噪声对目标探测的干扰,提出一种自适应波段选择方法,并进行实验验证。利用声光可调谐(AOTF)成像光谱仪采集光谱数据,光谱扫描波段为400~1000 nm。对天空背景下的无人机目标和墙面背景下的静态物体目标进行探测,计算各波长的综合信噪比,以综合信噪比最大值的70%为阈值,选择合适的工作波段。波段选择的结果符合实际情况,所提方法能有效地选择不同目标的最优探测波段。

粒子群优化算法用于高光谱遥感影像分类的自动波段选择

基于高光谱影像数据的特点，分析了高光谱数据的降维方法。着重探讨了波段选择的若干算法：熵及联合熵、最佳指数因子、自动子空间划分、自适应波段选择、波段指数和最优波段指数等算法。分析了各种算法的有效性、局限性和计算复杂度，并针对波段指数的不足，设计了最优波段指数（OBI）波段选择新算法。最后通过具体的试验，验证了各种算法的性能。

高光谱分类knn matlab代码FNGBS 这是用于高光谱波段选择的快速邻域分组方法的实现。 数据集 四个公共数据集，即 、 、 、 和 ，被用来验证所提出的 FNGBS 的有效性。 要求 MATLAB、libsvm、cruve拟合工具 执行 关于 FNGBS 算法，要运行代码，请执行 'main.m'。 对于获得的推荐频段，我们需要进行'main_recomBand.m'。 结果 为了定性地测量所提出的 FNGBS，KNN 和 SVM 分类器被用来验证算法的有效性。 推荐频段比较： 分类性能比较： 计算时间比较 数据集 E-FDPC 瓦卢迪 SNNC 到F FNGBS (1%) FNGBS (100%) 印度松树（6 段） 0.121 7.430 0.4411 0.4165 0.2542 0.2995 博茨瓦纳 (8 乐队) 0.661 99.281 3.738 1.843 0.892 3.442 帕维亚大学（13个乐队） 0.282 27.930 1.201 0.925 0.336 1.421 萨利纳斯 (6 乐队) 0.381 40.382 1.61 1.276 0.465 1