iPLS提取特征，数据为高光谱数据，感兴趣区域数据，最后一列为标签

常见化学键红外光谱特征吸收的区域 ν(cm-1) 4000 3000 2000 1500 1000 与氢原子 结合的 化学键 叁键 双键 单键

提出了一种基于EMAPs和SMLR的高光谱图像分类方法。 首先，我们采用EMAPs（扩展形态学多属性谱）算法有效地提取了HSI的空间信息，并结合光谱信息形成了空间光谱特征融合模型。 EMAP可以用多个属性结构替换简单的结构元素，并对其进行级联以获得多个结构的属性特征。 然后，我们利用SMLR（稀疏多项式逻辑回归）进行HSI分类。 SMLR适用于高维和大数据集。 采用基于MLR的多分类器，并采用快速算法学习稀疏的多分类器。 与HSI实验中的其他方法相比，我们的方法提供了出色的结果。

基于光谱特征的高空间分辨率遥感影像阴影检测

以1997年底、1998年初广东省12景美国LANDSATTM数据为信息源，以地理信息系统(GIS)为平台，马尾松林、杉木林、桉树林、软阔叶林、硬阔叶林、其他阔叶林、针叶混交林、针阔混交林为研究对象，通过主成分分析，探讨 TM光谱值及其比值项对林分及其相关因子的解释作用．结果表明，第4主分量均反映与林分蓄积有关的平均树高、平均胸径、龄组、郁闭度等信息，大部分林分的第1、2、3主分量均由波段光谱值及其比值项来反映其信息，其他主分量表示的信息因林分而异．

envi做PCA分析遇到NAN异常值处理，保留原始影像的投影信息等原始信息

为了更加精确地分析土壤光谱中不同水分吸收带内的光谱吸收特征参数在估测土壤水分含量(SMC)中的重要性，以新疆渭干河-库车河绿洲为研究区，采集38个土壤样本进行土壤光谱反射率及SMC的测定。利用去包络线消除法提取反射光谱水分吸收特征参数，包括最大吸收深度D、吸收谷右面积Ra、吸收谷左面积La、吸收谷总面积A、面积归一化最大吸收深度DA和对称度S, 将反射光谱水分吸收特征与SMC进行相关性分析，通过随机森林方法对光谱水分吸收特征参数进行分类，获取各参数对SMC的重要性。运用多元逐步回归模型建立SMC反演模型。结果表明：D、A与SMC的相关性最高，同时2200 nm及1400 nm波段范围内的光谱吸收特征参数与SMC的相关性优于1900 nm波段范围内的光谱吸收特征参数；对SMC影响较为重要的前5个参数分别为D2200、La2200、A2200、D1900和Ra2200；SMC的最佳预测模型是采用A2200、D2200建立的多元逐步回归模型，其建模集决定系数为0.88，建模集均方根误差为2.08，测试集决定系数为0.89，预测均方根误差为2.21，相对分析误差为2.80。随机森林分类能得到对

基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习 通过，，，张治，，。 拟议框架 介绍 与传统的手工特征提取算法相比，使用深度神经网络（DNN）的特征学习技术表现出卓越的性能。 但是，DNN通常需要大量的训练样本来学习有效的特征，而在高光谱图像中很难获得有效的特征。 因此，在本文中，提出了一种使用三维卷积自动编码器（3D-CAE）的无监督空间光谱特征学习策略。 提出的3D-CAE仅包含3D或元素操作，例如3D卷积，3D池化和3D批处理归一化，以最大程度地探索空间光谱结构信息以进行特征提取。 还设计了一个配套的3D卷积解码器网络来重建输入模式，通过该模式，可以训练网络中涉及的所有参数而无需标记训练样本。 在多个基准高光谱数据集上的实验结果表明，我们提出的3D-CAE在提取空间光谱特征方面非常有效，不仅在传统的非监督特征提取算法方面表现出色，而且在分类应用中也优于许多监督特征提取算

可以实现光谱特征波段的提取，减少建模时间。

光谱信息的特征选择，通过云永欢等提出的VCPA来进行光谱信息的特征选择（文件中包含了VCPA，IRIV，VCPA-GA以及VCPA-IRIV等光谱的变量选择算法）。In this study, we propose a hybrid variable selection strategy based on the continuous shrinkage of variable space which is the core idea of variable combination population analysis (VCPA). The VCPA-based hybrid strategy continuously shrinks the variable space from big to small and optimizes it based on modified VCPA in the first step. It then employs iteratively retaining informative variables (IRIV) and a genetic algorithm (GA) to carry out further optimization in the second step. It takes full advantage of VCPA, GA, and IRIV, and makes up for their drawbacks in the face of high numbers of variables. Three NIR datasets and three variable selection methods including two widely-used methods (competitive adaptive reweighted sampling, CARS and genetic algorithm-interval partial least squares, GA–iPLS) and one hybrid method (variable importance in projection coupled with genetic algorithm, VIP–GA) were used to investigate the improvement of VCPA-based hybrid strategy.