针对遥感图像影像分辨率低的问题，提出了一种新的基于HIS和小波变换的低分辨多光谱和高分辨全色图像的融合方法。该方法通过对高分辨全色图像小波分解后的低频分量进行低通滤波，将全色图像的低频信息中的高频分量融入到多光谱图像HIS空间的亮度信息的低频中；再将这个融合后的低频和高分辨全色图像的细节信息进行小波反变换，得到融合后的图像。该图像很大程度地保留了多光谱的光谱特性和高分辨图像的空间分辨率。仿真结果表明了本方法的有效性。

多光谱图像数据集（PCA、Simplisma、MCR、分类）和基本处理技术（阈值、直方图、轮廓绘图、图像过滤器过滤器）的 MIA GUI 在 MATLAB 14 和 13 版本下运行。 如果发现问题/错误，请直接给我发电子邮件。 我非常感谢您的反馈！ 需要图像处理工具箱。 需要 PLS_Toolbox。 包含以下多变量例程： - PCA、Simplisma（纯变量法）和MCR（多元曲线分辨率）； - 三种类型的图像分类（2 种无监督（K 均值，模糊 C）和 1 种监督（最大似然））。 基本图像处理（来自 IP 工具箱）： - 裁剪，调整大小- 过滤： - 平均- 对比度增强- 形态（开、闭、腐蚀、膨胀） - 边缘提取 - 直方图均衡化（GUI histogram.m） - 阈值（GUI 阈值.m） - 轮廓绘图仪（GUI profile.m） 适用于大多数类型的图像格式： -

数据融合matlab代码来自单个传感器的多光谱多分辨率图像的超分辨率 作者 何塞·比奥卡乌斯·迪亚斯（Jose Bioucas Dias） 版权所有2017：苏黎世联邦理工学院，里斯本大学 变化 0.1第一版。 重要的 如果您使用此软件，则应在任何所得的出版物中引用以下内容： [1] Super-Resolution of Multispectral Multiresolution Images from a Single Sensor C. Lanaras, J. Bioucas-Dias, E. Baltsavias, K. Schindler In CVPRW, Honolulu, USA, July 2017 关于 这是作者对[1]的实现。 该代码在MATLAB中实现： apexSample.mat-模拟为Sentinel-2响应的APEX图像的示例，可在（）获得 ms_fusion_apex.m-执行SupReME的演示脚本 ./functions-所有必要的功能 许可证-代码的GPL许可证 自述文件-此文件 笔记 与真实Sentinel-2图像一样对待不同分辨率通道的共配准

这项工作解决了使用压缩传感 (CS) 技术从单传感器相机恢复多光谱图像的问题。 这是一项探索性工作，因为以前没有解决过这个特殊问题。 因此，我们不会试图“竞争”和“超越”任何先前的工作。 我们考虑了两种类型的传感器阵列——均匀和随机； 以及两种恢复方法-Kronecker CS和小组稀疏重建。

针对LANDSAT-5 TM多光谱图像存在散粒噪声问题,提出一种基于异常探测和光谱归一化处理来检测及去除噪声的算法。视散粒噪声为强光谱异常,基于RX算子探测像元异常,根据异常分布统计特征确定含散粒噪声的像元;再以含散粒噪声的像元为中心,利用邻域内像元各分量上的光谱归一化分值,确定散粒噪声所在波段。利用邻域内具有最相似光谱的像元对应分量替换散粒噪声所在的像元分量。实验表明,该算法能够有效去除TM图像中的散粒噪声。

遥感影像融合的程序和数据，基于MFC，程序简单易懂，可以用于学习

多光谱掌纹图像，包括ROI和原图，针对非接触掌纹掌脉识别场景的需求和目前存在的问题，本文设计了一种 非接触掌纹掌脉采集设备方案。通过使用主动光源和滤光片，抑制了环境光对 手掌中心块定位算法的干扰，简化了中心块定位算法；同时，这一设计也抑制 了环境光对样本质量的影响，使得光照强度预处理算法不再必须。通过使用距 离传感器，减小了样本尺度变化，避免了样本离焦模糊，使尺度预处理算法得 以简化。通过双摄系统缩短了样本采集时间。本文通过这些方法实现了凭借硬 件设计简化算法设计的目的，并通过实验验证了该方案的有效性。

实现多光谱图像的分割和手动采点MATLAB，对任意点位置均可，亲测绝对可用，读入的图片要换分别为多光谱图和PS处理后的多光谱图。

最近的基于低秩的矩阵/张量恢复方法已经在多光谱图像（MSI）去噪中得到了广泛的探索。 但是，这些方法忽略了固有结构相关性沿空间稀疏性，光谱相关性和非局部自相似性模式的差异。 在本文中，我们通过对矩阵和张量情况下的秩属性进行详细分析，进一步找出非局部自相似性是关键因素，而其他人的低秩假设可能不成立。 这促使我们设计一个简单而有效的单向低秩张量恢复模型，该模型能够如实地捕获固有的结构相关性，并减少计算负担。 然而，由于重叠的补丁/立方体的聚集，低等级模型遭受了振铃伪影。 虽然以前的方法诉诸于空间信息，但我们通过利用MSI中的专有频谱信息来解决此问题，从而提供了一个新的视角。 引入基于分析的超拉普拉斯先验模型对全局频谱结构进行建模，以间接减轻空间域中的振铃伪影。 与现有方法相比，该方法的优点是多方面的：更合理的结构相关可表示性，更少的处理时间以及重叠区域中更少的伪影。 所提出的方法在多个基准上得到了广泛评估，并且明显优于最新的MSI去噪方法。

全色锐化-PCA 使用 PCA 进行多光谱图像全色锐化 这是如何使用线性主成分分析执行全色锐化的示例。 将imshow应用于计算的图像矩阵所产生的图形包含在fig目录下。 有关分步说明，请参阅我的博客文章。 实现是在Matlab中。 随意使用和改进！