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

hsi matlab代码

hsi matlab代码代码：用于高光谱图像去噪的低阶张量字典学习方法 《 TSP2020一种用于高光谱图像去噪的低秩张量字典学习方法》一文中的所有matlab代码。 数据集 从来自的ICVL。 我们通过msi=msi(1:2:size(msi,1),1:2:size(msi,2), :)下采样ICVL数据集。 来自的贾斯珀里奇（Jasper Ridge） 资料夹结构 Demo_DL_syn.m : Detect the object ' road ' on denoised jasperRidge HSIs via different methods (Fig. 7, 8). Please run it where we provide the pre‐computing denoising results and you can get the results in Fig. 7 and Fig. 8. Demo_denoise_ge.m : Denoise the CAVE- ' watercolors ' HSI with generated noise. It needs t

每个波段，即同一对象在高光谱图像的不同频段上的图像，不仅在空间上具有相关性，而且在光谱之间也具有很强的相关性。 高光谱图像压缩算法需要考虑如何利用空间和光谱的相关性。 在本文中，我们首先使用主成分分析（PCA）来消除光谱相关性。 然后使用方向提升小波变换（DLWT）去除空间相关性。 实验结果表明，与基于DWT的咨询算法相比，本文提出的图像压缩方案具有更高的性能。 空间数据系统委员会（CCSDS）。