Indian_pines_classification 运行环境 Anaconda 3.6.4 python=3.6.4 Keras=2.1.5 TensorFlow=1.3.0 作为keras后端 numpy=1.14.2 notebook=5.4.1 ipython=6.3.1 spectral=0.19 代码结构 dataset.ipynb 利用spectral工具包读取数据集,然后对数据集进行预处理,包括进行训练测试集分割 / 序列化和PCA变换,并将其以npy的格式保存到文件中.处理后的数据集保存在predata文件夹中. train.ipynb 利用keras构建卷积神经网络模型,读取与处理的数据集进行训练. 其中训练过程,使用随机梯度下降法SGD作为优化算法,使用多分类的对数损失函数categorical_crossentropy作为损失函数. 使用ReduceLROnPla

用ENVI拼接多个高光谱图像的若干波段.docx

此内容包含高光谱遥感领域内 深度学习众多代码，包括1DCNN，2DCNN，3DCNN，等等各种神经网络模型代码，可以运行。欢迎大家相互学习！！！

像素级别分类.ipynb

SSPSR-Pytorch 论文： : （IEEE Xplore） （arXiv） 学习空间光谱先验以实现超光谱影像的超分辨率 在本文中，我们引入了空间光谱先验网络（SSPN），以充分利用空间信息和高光谱数据的光谱之间的相关性。 考虑到高光谱训练样本稀少且高光谱图像数据的光谱维数很高，因此训练稳定有效的深度网络并非易事。 因此，提出了一种组卷积（具有共享的网络参数）和渐进式上采样框架。 这不仅减轻了由于高光谱数据的高维而导致的特征提取的困难，而且使训练过程更加稳定。 为了利用空间和光谱先验，我们设计了一个空间光谱块（SSB），它由一个空间残差模块和一个光谱注意残差模块组成。 网络架构 拟议的SSPSR网络的整体网络架构 空间光谱块（SSB）的网络架构 结果 筑西数据集 Chikusei数据集上不同方法的平均定量比较。 帕维亚数据集 Pavia Center数据集上不同方法的平均

此软件版本包含论文中描述的算法的实现： BK Shreyamsha Kumar，“使用交叉双边滤波器基于像素重要性的图像融合”，信号、图像和视频处理，第 1-12 页，2013 年。(doi:10.1007/s11760-013-0556-9) 使用从使用交叉双边滤波器从源图像中提取的细节图像计算出的权重（边缘强度），通过加权平均融合源图像。 从下载原始手稿 http://link.springer.com/article/10.1007/s11760-013-0556-9 或者 http://dx.doi.org/10.1007/s11760-013-0556-9 从出版物链接中的https://sites.google.com/view/shreyamsha下载手稿草稿。

此软件版本包含论文中描述的算法的实现： BK Shreyamsha Kumar，“使用离散余弦谐波小波变换基于像素意义的多焦点和多光谱图像融合”，信号、图像和视频处理，2012 年。（doi：10.1007/s11760-012-0361-x） 从http://link.springer.com/article/10.1007/s11760-012-0361-x下载原稿 从出版物链接中的https://sites.google.com/view/shreyamsha下载手稿草稿。

matlab开发-多光谱图像的多变量图像分析指南。用于多光谱图像数据集（PCA、Simplisma、MCR、分类）的MIA的GUI。

光谱特征匹配分类方法 1. 二值编码匹配 一种简单的编码方法： 每个像元各波段对应的光谱值用1比特码长表示，像元光谱变为一个与波段数长度相同的编码序列。 编码完成后，可以采用最小距离算法来进行匹配识别。 特点：该法有助于提高图像光谱数据的分析、处理效率，但编码过程中会失去很多光谱信息，因此只适用于粗略的分类和识别。

讲述高光谱图像的分类方法，特征，判据、准则，算法等等