Sentinel-2工具箱 轻松处理哨兵2图像。 如果您知道如何下载Sentinel-2多光谱图像（或电光），但又不知道如何在Python中使用它们，那么这里已为您实现了所有这些。 内容 功能 功能说明 使用示范 功能： load_bands（） 轮廓（） outline2poly（） ndvi_index（） rvi_index（） savi_index（） evi_index（） rgb_img（） 用法演示： images = load_bands('F:\\S2_billeder\\..\\IMG_DATA',bands=['B03','B04','B05','B01']) 此功能会将您选择的乐队加载到python中。 您可以全部加载它们，但建议仅加载以后分析所需的波段，因为它们占用大量内存（即计算简单的NDVI索引）。 contours, contours_t

太赫兹时域光谱图像的模拟分析，裴继红，胡勇 ，本文通过分析太赫兹时域光谱(THz-TDS)图像成像机理，提出了一种利用THz-TDS参考脉冲信号和目标材料的吸收谱，以强度图像作为THz总体能��

该代码包含两种算法，即：通用综合先验 (GSP) 和通用分析先验 (GAP)，用于减少高光谱图像中的脉冲噪声。 这些算法利用空间和光谱相关性。 GSP 算法使用 Daubechies 小波作为空间维度和傅立叶变换作为垂直维度。 GAP算法基于总变化最小化。 运行代码需要 SPARCO 工具箱（可从以下 网址免费获得： http : //www.cs.ubc.ca/labs/scl/sparco/ ）。

光谱Python（SPy） 光谱Python（SPy）是用于处理高光谱图像数据（成像光谱数据）的纯Python模块。 它具有读取，显示，操作和分类高光谱图像的功能。 有关该程序包的完整详细信息，请参见。 安装说明 最新版本始终托管在，因此，如果已安装pip，则可以从命令行使用以下命令安装SPy： pip install spectral 打包的发行版也托管在和因此您可以下载并解压缩最新的zip / tarball，然后输入 python setup.py install 要安装最新的开发版本，请下载或克隆git存储库并按上述进行安装。 不需要显式安装，因此您可以简单地访问（或符号链接）源树中的光谱模块。 最后，可在官方找到有关如何通过流行的conda软件包和环境管理系统进行安装的最新指南。 单元测试 若要运行单元测试套件，必须安装numpy，并且必须将示例数据文件下载到当前目录（

数据融合matlab代码基于卷积自动编码器的多光谱图像融合 概述 该存储库包含运行基于深度学习的全色锐化方法以在遥感应用中融合全色和多光谱图像所必需的代码。 有关该算法的详细信息，请参见我们的论文。 用法：泛锐化 基于卷积自动编码器的多光谱图像融合是基于卷积自动编码器体系结构的一种基于深度学习的多光谱图像融合新方法。 有关更多信息，请参见以下文章： A. Azarang，HE Manoochehri，N。Kehtarnavaz，基于卷积自动编码器的多光谱图像融合，IEEE Access。 怎么跑 首先，您需要使用Data_Generation.m来准备要在我们的锐化框架中使用的数据。 我们仅使用4波段多光谱（MS）数据进行研究。 （B，G，R，NIR频段） Add path of your data 该路径应包含MS和PAN​​colour（PAN）数据。 另外，它可以是.mat文件（MAT文件）。 Importing the MS and PAN data 运行Data_Generation.m之后，将3个文件保存到该目录： Input.m // it is used to serv

高光谱图像分离matlab代码Endmember-Guided Unmixing Network (EGU-Net)：一种用于自监督高光谱解混的通用深度学习框架 , , , , , , 此工具箱中的代码实现了 . 更具体地说，详述如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 洪丹峰、高连如、姚静、横谷直人、乔斯林·查努索特、乌塔·海登、张冰。 Endmember-Guided Unmixing Network (EGU-Net): A General Deep Learning Framework for Self-Supervised Hyperspectral Unmixing, IEEE Transactions on Neural Networks and Learning Systems, 2021, DOI: 10.1109/TNNLS.2021.3082289. @article{hong2021endmember, title = {Endmember-Guided Unmixing Network (EGU-Net): A General Deep L

高光谱图像分离matlab代码深度生成端元建模：无监督光谱解混的应用 这个包包含作者对论文 [1] 的实现。 为了解决光谱分离中的端元可变性，端元光谱使用深度生成模型 (VAE) 建模，该模型从观察到的高光谱图像中学习。 这使我们能够使用生成模型的低维潜在空间中的点对可变端元进行参数化，然后可以与丰度同时优化以解决分离问题。 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) example4.m - 比较算法的演示脚本 (DC4) example_real1.m - 比较算法的演示脚本（休斯顿） example_real2.m - 比较算法的演示脚本 (Samson) example_real3.m - 比较算法的演示脚本（Jasper Ridge） ./DeepGUn/ - 包含与 DeepGUn 算法相关的 MATLAB 文件 ./python/ - 包含与 DeepGUn 算法相关的 Python 文件 ./other_

卷积神经网络代码Matlab 人工神经网络 使用空间光谱深度残差卷积神经网络（HSID-CNN）的用于高光谱图像降噪的Matlab演示代码，IEEE TGRS，2019。 By Qiang Zhang (whuqzhang@gmail.com) Wuhan University, China. 如果您在工作中使用/适应我们的代码（作为独立工具或任何算法的组成部分），请引用我们的论文。 Q. Yuan，Q. Zhang，J。Li，H。Shen和L. Zhang ，“使用空间光谱深度残差卷积神经网络进行高光谱图像降噪”， IEEE地理科学与遥感学报，第1卷。 57号2，第1205-1218页，2019年。 @ARTICLE{yuan2019, author={Q. {Yuan} and Q. {Zhang} and J. {Li} and H. {Shen} and L. {Zhang}}, journal={IEEE Trans. Geosci. Remote Sens.}, title={Hyperspectral Image Denoising Employing a Spatial

由于文件大小限制，上传一个mat格式的高光谱图像，直接用matlab中的load函数读取.

基于实现多光谱图像的多标签场景分类为目的，采用卷积神经网络的方法，通过计算数据集中所有样本标签的共现矩阵，利用共现矩阵为每个标签分配不同的权重，提出了一种新的计算损失函数的方法。所设计的卷积神经网络能够充分利用除了红绿蓝三通道之外的光谱信息，同时也能够利用已有的预训练的卷积神经网络权重进行参数的初始化，使得网络能够快速收敛。所提出的算法在Planet Amazon数据集上取得了最高的F值，从而得出了该算法具有高准确率和高可行性的结论。