高光谱分解 卷积神经网络的高光谱图像分解（无分叉，半成品） 说明 先决条件 Python 3.8 TensorFlow 2.3.0 建议使用conda创建虚拟环境并使用以下命令安装依赖项： pip install -r requirements.txt 用法 在设置参数后，在终端中输入以下命令： python run.py 更多细节： 使用python run.py -h获取更多参数设置详细信息。 数据集 我们提供了两个处理后的数据集：数据集中的Jasper Ridge（jasper），Urban（urban）/ data.npy：高光谱数据文件。 data_gt.npy：基本事实文件。 data_m.npy：端成员文件。 更新：2021年2月10日

介绍了多光谱图像：令灰度值是是二个空间变量和一个光谱变量的灰度值函数，并由二维推广到三维形式； 彩色图像：光谱采样限制到对应于人类视觉系统的红、绿、蓝光波时，称为彩色图像

这是论文《Gaussian Pyramid Based Multiscale Feature Fusion for Hyperspectral Image Classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(9), 3312-3324》的代码，更多详情可在纸上找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.20。 libsvm-3.20可从https://www.csie.ntu.edu.tw/~cjlin/libsvm/获得

这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

通过SVM和超像素分割进行光谱空间高光谱图像分类

这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码，更多细节可以在论文中找到。 如果你使用这个演示，请引用这篇论文。 要运行此演示，您应该先下载 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

hsi matlab代码TGRS，2021年，具有针对高光谱图像分类的注意光谱先验的多方向网络。 ，，，Yuchao Xiao和。 纸张代码： 图1：我们建议的MSI-ASP用于HSI分类的框架。 它由四个部分组成：多方向样本构建，多流特征提取，具有注意光谱先验（ASP）的特征聚集和基于softmax的分类器。 相同的颜色表示具有相同操作的图层。 培训和测试过程 请首先运行“ generate_train_val_test_gt.m”以生成训练图和测试图。 然后，运行“ construct_multi_mat.py”以构造多方向样本。 最后，运行“ main_MDN_ASP.py”以在数据集上重现MDN-ASP结果。 训练样本分布和获得的分类图如下所示。 我们已经使用Matlab R2017b在Ubuntu 16.04和Windows系统上成功测试了它。 部分源代码来自和的工作。 图2：Indian Pines数据集的合成假彩色图像，地面真实情况，训练样本和分类图。 参考 如果您认为此代码有帮助，请引用： [1] B. Xi，J。Li，Y。Li，R。Song，Y。Xiao，Y。Shi，

Classification of Hyperspectral Images by Gabor Filtering Based Deep Network代码minFunc matlab和drtoolbox。minFunc matlab和 drtoolbox 分别为www.di.ens.fr/~mschmidt/Software/minFunc.html

用matlab读取高光谱图像，可以显示出每个波段的图像。

hsi matlab代码QRNN3D TNNLS 2020论文的实施 强调 我们的网络在高斯和复杂噪声情况下均优于ICVL数据集上的所有领先方法（2019），如下所示： 我们证明了在31频段自然HSI数据库（ICVL）上进行预训练的网络可用于恢复由于恶劣的大气和水吸收而被现实世界的非高斯噪声破坏的遥感HSI（> 100频段） 先决条件 Python> = 3.5，PyTorch> = 0.4.1 要求：opencv-python，tensorboardX，caffe 平台：Ubuntu 16.04，cuda-8.0 快速开始 1.准备训练/测试数据集 从以下位置下载ICVL高光谱图像数据库（我们仅需要.mat版本） 火车测试拆分可在ICVL_train.txt和ICVL_test_*.txt 。 （请注意，我们分别将101个测试数据分为高斯和复数降噪两部分。） 训练数据集 注意cafe（通过conda安装）和lmdb是执行以下说明所必需的。 阅读utility/lmdb_data.py的函数create_icvl64_31 ，并按照指令注释定义您的数据/数据集地址。 通过python