高光谱图像和多光谱图像的融合，是关于《A Convex Formulation for Hyperspectral Image Superresolution via Subspace-Based Regularization》中的程序，可以直接运行

针对高光谱图像空间分辨率不足导致异常检测虚警率过高的问题，提出了一种利用主成分分析（PCA）和IHS变换融合以降低虚警率的算法。首先对低分辨率高光谱图像进行PCA变换，提取3个主成分；然后对这3个主成分和高分辨率图像分别进行IHS变换，得到各自的强度分量，把高光谱数据的强度分量替换成高分辨率图像的强度分量；再运用IHS变换的可逆性，将新的强度分量与原色度分量和饱和度分量进行IHS逆变换，得到空间信息增强的高光谱图像数据；最后使用KRX算法对空间信息增强的高光谱图像数据进行异常检测。实验结果表明，本文算法的虚警率与KRX算法相比有很大的降低，取得了良好的检测效果。

利用稀疏字典表示、OMP算法进行高光谱图像分类，内含高光谱数据。

高光谱图像处理 matlab，用matlab处理高光谱图像

本研究回顾了基于主成分分析PCA和判别分析LDA的降维方法及其扩展，包括经典主成分分析、概率主成分分析、核主成分分析，以及线性判别分析、局部保持降维、图形嵌入判别分析和半监督降维分析。

结合高光谱数据和深度学习的特点，提出一种同时考虑像素光谱信息和空间信息的深度卷积神经网络框架。 该框架主要步骤如下：首先利用主成分分析法对高光谱遥感图像进行光谱特征提取，消除特征之间的相关性，并降低特征维数，获得清晰的空间结构；然后利用深度卷积神经网络对输入的样本进行空间特征提取；最后通过学 习到的高级特征进行 回归训练

进行高光谱图像处理时的降维程序，修改文件中的读入参数名称即可使用。

matlab cnn高光谱图像分类

The NASA AVIRIS (Airborne Visible/Infrared Imaging Spectrometer) instrument acquired data over the Kennedy Space Center (KSC), Florida, on March 23, 1996. AVIRIS acquires data in 224 bands of 10 nm width with center wavelengths from 400 - 2500 nm. The KSC data, acquired from an altitude of approximately 20 km, have a spatial resolution of 18 m. After removing water absorption and low SNR bands, 176 bands were used for the analysis. Training data were selected using land cover maps derived from color infrared photography provided by the Kennedy Space Center and Landsat Thematic Mapper (TM) imagery. The vegetation classification scheme was developed by KSC personnel in an effort to define functional types that are discernable at the spatial resolution of Landsat and these AVIRIS data. Discrimination of land cover for this environment is difficult due to the similarity of spectral signatures for certain vegetation types. For classification purposes, 13 classes representing the various land cover types that occur in this environment were defined for the site.

一组标准的高光谱数据，以及自己编写 multibandread（）函数读取的matlab程序，和大家分享，应该对大家有帮助