利用MNF方法对高光谱影像进行端元提取，在MATLAB中进行

高光谱遥感影像混合端元提取算法，利用顶点成分分析准则

该文件用于提取混合物中的成分信息。 您需要的是光谱图像的数据集。 您可以获得的结果包括混合物成分的空间分布和成分的纯光谱。 化学计量学中类似的算法更强大，称为多元曲线分辨率（MCR）。 外部约束也用于强制算法输出期望的结果。 随意进行任何更改。

高光谱遥感图像的端元递进提取算法.pdf

程序用于自动生成NIR-Red二维光谱特征空间散点图，并通过人机交互获得土壤、植被等端元信息。 输入：Red、NIR波段遥感图像（tif格式）；土壤线截距与斜率 输出：NIR-Red二维光谱特征空间散点图 交互：在散点图上点击端元获得对应Red、NIR波段信息 利用NIR/Red图像自动提取土壤线及解算端元信息的V2.0程序即将发布，敬请期待。

自己学习编写的混合像元分解中的端元提取部分的纯像元指数PPI算法的MATLAB代码。可以运行得到结果，但没有结果用于验证，亦未编写精度评定，不保证结果的正确性。

光谱解混可以有效提升高光谱图像的利用效率。非负矩阵分解(NMF)常用于寻找非负数据的线性表示,可以有效解决混合像元问题。基于丰度的稀疏性和图像局部不变性提出一种高光谱解混算法。对丰度采取稀疏性约束和基于拉普拉斯矩阵的图正则项约束,构造了一个新的目标函数,端元和丰度在经过若干次迭代后取得了较好的解混合结果。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明所提算法具有良好的解混性能。

N-FINDR: an algorithm for fast autonomous spectral end-member determination in hyperspectral data 作者Michael E. Winter

最小角回归matlab代码标题 用于高光谱端元提取的改进 GSEE 算法 抽象的 在高光谱解混文献中，端元提取主要使用三种方法进行处理，即统计、稀疏回归和几何。 大多数端元提取算法仅基于其中一种方法开发。 最近，已经提出了结合几何和统计特征的 GSEE（Geo-Stat Endmember Extraction）。 在本文中，我们提出了一种考虑去除噪声带的改进型 GSEE (MGSEE) 算法。 在建议的工作中，最小噪声分数 (MNF) 用于选择高 SNR 频段。 MGSEE 框架的强度使用合成和真实的基准数据集进行审查。 在本文中，我们表明通过在噪声去除步骤之前从 GSEE 获得所提出的算法大大降低了光谱角度误差 (SAE) 和光谱信息发散 (SID) 误差，从而表明其在分离问题中提取纯材料的重要性。 将这篇论文引用为 D. Shah 和 T. Zaveri，“用于高光谱端元提取的改进 GSEE 算法”，2020 年 IEEE 第 5 届计算通信与自动化国际会议 (ICCCA)，印度大诺伊达，2020 年，第 449-453 页，doi：10.1109/ICCCA49541 .202

自己学习时编写的混合像元分解中的端元提取部分的单形体增长SGA算法的MATLAB代码，浅显易懂，里面有三版SGA的代码，代表着自己学习时的三种思路，思路之间区别不大，只是一些细微改动，还包含了自己编写的主成分分析PCA降维的函数。可以运行得到结果，但没有结果用于验证，亦未编写精度评定，不保证结果的正确性。