针对环境减灾小卫星高光谱影像数据中存在的条带噪声，提出一种双边滤波与矩匹配方法融合的去除条带噪声方法。该方法克服了传统方法在去除条带噪声的同时带来新的噪声，并且边缘信息丢失等问题。最后进行了几种去除条带方法的比较试验，并且对试验结果进行了讨论。试验证明，提出的方法去除高光谱遥感影像的条带噪声效果明显，且能较好地保留原始影像中的地物信息。

作为一种强大而有前途的统计信号建模技术，稀疏表示已广泛应用于各种图像处理和分析领域。 对于高光谱图像分类，以前的研究已经表明了基于稀疏性的分类方法的有效性。 本文提出了一种非局部加权联合稀疏表示分类方法（NLW-JSRC），以提高高光谱图像分类的效果。 在联合稀疏模型​​（JSM）中，对中央测试像素周围的不同相邻像素使用不同的权重。 一个特定的相邻像素的权重由相邻像素和中央测试像素之间的结构相似性确定，这被称为非局部加权方案。 本文采用同时正交匹配追踪技术求解非局部加权联合稀疏模型​​（NLW-JSM）。 在三个高光谱图像上测试了所提出的分类算法。 实验结果表明，该算法的性能优于其他基于稀疏性的算法和经典的支持向量机高光谱分类器。

高光谱遥感数据蕴含着丰富的地物反射光谱信息,其原始反射数据中含有大量的噪声,这些噪声严重影响地物反射光谱中的吸收特征,大大降低数据的分析精度,研究有效的高光谱遥感数据噪声滤波算法是改善高光谱数据分析效果的关键环节。研究了推扫高光谱图像(PHI)影像中条带噪声的高频特性,针对目前常用的矩匹配方法及几种改进的矩匹配方法都存在一定的缺点,提出一种改进的行平滑条带滤波方案,对含有条带噪声波段行均值曲线进行平滑处理,并调整图像中各像元的灰度值,以减小行间灰度差异,所得图像的峰值信噪比有所提高,取得了比按波段的矩匹配方法更好的去条带效果,在较好地削弱图像中条带噪声的同时,保留了原图像的辐射特征。

HyperMix 是一种用于遥感高光谱图像解混的开源工具。 它包括几种流行的算法，涵盖了高光谱分离链的不同步骤。

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。

针对当前高光谱遥感影像分类人工标注样本费时费力，大量未标注样本未得到有效利用以及主要利用光谱信息而忽视空间信息等问题，提出了一种空-谱信息与主动深度学习相结合的高光谱影像分类方法。首先利用主成分分析对原始影像进行降维，在此基础上提取像素的一正方形小邻域作为该像素的空间信息并结合其原始光谱信息得到空谱特征。然后，通过稀疏自编码器得到原始数据的稀疏特征表达，并通过逐层无监督学习稀疏自编码器构建深度神经网络，输出原始数据的深度特征，将其连接到softmax分类器，利用少量标记样本以监督学习的方式完成模型的精调。最后，利用主动学习算法选择最不确定性样本对其进行标注，并加入至训练样本以提高分类器的分类效果。分别对PaviaU影像和PaviaC影像进行分类实验的结果表明，该方法在少量标记样本情况下，相对于传统方法能有效地提高分类精度。

高光谱影像波段多，信息冗余 通过数据降维，可以： 简化和优化图像特征 减少数据量 提高运算效率

高光谱反射率转换步骤.doc

首先获取图均值,读取原始图像的DN值,计算得到图均值.然后,对存放原始图像DN值的数组每一列进行处理,计算得到每一列的列均值.最后计算得到噪声去除后图像新的DN值

基于深度学习的高光谱影像分类方法研究