图像处理分析 对于HJ-1小卫星高光谱图像的处理方法

稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total Variation,TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.

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。

高光谱图像分离matlab代码具有光谱可变性的高光谱解混的数据相关多尺度模型 这个包包含作者对论文 [1] 的实现。 我们考虑使用超像素的多尺度策略，以解决具有端元可变性的光谱分离问题。 我们使用关于丰度和端元的空间规律信息（即，这些变量根据基于超像素的多尺度变换是平滑的），以便 1) 引入先验信息以提高丰度估计质量，以及2) 重新制定优化问题以显着降低方法的计算复杂度。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) demo_houston.m - 比较算法的演示脚本（休斯顿） demo_cuprite.m - 比较算法的演示脚本（Curite） ./MUAV/ - 包含与 MUAV 算法相关的 MATLAB 文件 ./other_methods/ - 包含 ELMM 和 PLMM 方法 ./utils/ - 有用的函数 ./DATA/ - 示例中使用的文件 README - 这个文件 重要的： 如果您使用此软件，请在任

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息，对降维后的图像利用局部二值模式进行空间纹理特征分析，采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取，保证了高光谱图像的谱间冗余的有效去除，同时保护了高光谱图像的空间局部邻域信息，因此，此类算法不但能充分挖掘高光谱图像的谱间-空间特征，在较大程度上提高分类精度和Kappa系数，而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

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！

带标签的训练样本的有限且昂贵的可用性导致以基于数据增强的监督学习的形式定义高光谱分类任务的方法的发展。 但是，大多数方法只是隐式地利用各向同性邻域中的频谱空间信息，而不是显式指示各向异性或操纵邻域系统。 在本文中，我们应用导向模板来估计局部方向的同质区域，并利用更有价值的光谱空间环境。 通过使用最佳的导向模板匹配方法，我们提出了一种数据扩充和精炼方法，以改善带有有限标记样本的任何光谱空间分类器的性能。 实验表明，该方法对许多光谱空间分类器都非常有效。

基于MCNN的_HSI_分类 文件 MCNN-CP：使用混合卷积和协方差合并的高光谱图像分类（TGARS 2021） MCNN-PS和Oct-MCNN-PS：使用混合3D八度音程和2D子像素卷积神经网络的高光谱图像分类（已提交TGARS） 1.环境设置 该代码已在配备Intel i7-9750H 2.6 GHz处理器，32 GB RAM和NVIDIA GTX1650图形卡，Python 3.6，tensorflow_gpu-1.14.0，Keras-2.2.4，CUDA 10.0， cuDNN 7.6。 请在运行此代码之前安装相关的库： pip install -r requirements.txt 2.下载日期集： IP：， UH： 上： SA：和 并将它们放入数据目录。 3.下载模型（加载模型）： 代码：caor 并将它们放到models目录中。 4.下载pretrai

高光谱图像解混 数据集 Samon 高光谱图像解混 数据集 Samon

利用高光谱相机拍摄的图像（仅包含图像TIF格式），有需要的可以下载