利用有限的标记样本,将其作为硬性约束加入矩阵分解中;同时构建局部邻域graph,挖掘数据的流形结构并保持局部的不变特性,提出一种基于矩阵分解的高光谱数据特征提取(FEMF)方法.经过矩阵分解,使得原始高维光谱特征空间中相近的数据在低维空间中仍然相近,而相同类别的标记数据则被投影到同一个位置.这样的低维表示具有更强的判别性能,从而得到更好的分类和聚类效果.该方法的求解过程是非凸规划问题,同时给出了一个乘性更新规则获得局部优化解.最后,对真实高光谱数据进行特征提取验证了该方法的有效性.

为了充分利用高光谱图像的光谱信息和空间结构信息，提出了一种新的基于随机森林的高光谱遥感图像分类方法，首先，利用主成分分析降低数据的维数，并对主成分进行独立成分分析提取其光谱特征，同时消除像元的空间相关性，再采用形态学分析提取像元的空间结构特征，然后，根据像元的谱域和空域特征分别构造随机森林，并引入空间连续性对像元点的预测结果进行约束修正，最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明，所提方法的分类性能要优于传统的高光谱图像分类方法，且分类精度高于基于单一特征的方法。

很实用的用于高光谱遥感图像分类Salinas数据集，欢迎下载

高光谱遥感图像小目标探测方法研究，刘澍，邓喀中，高光谱遥感技术能够借助丰富的地物图像和光谱信息，反映目标地物与背景地物间的细微差异，非常有利于目标探测。本文分析了高光谱

高光谱遥感成像机理与成像光谱仪 中国科学院资料

粒子群优化算法用于高光谱遥感影像分类的自动波段选择

ENVI classic 使用手册，包含端元提取，高光谱影像处理的方法步骤，基本上手把手教，按步骤操作即可达到效果。适合学校作为遥感影像处理的指导教材。

与雷达技术走不同的道路，从光谱学建立一套分析、解译、识别的技术方法

在Bagging支持向量机（SVM）的基础上，将动态分类器集选择技术用于SVM的集成学习，研究了SVM动态集成在高光谱遥感图像分类中的应用。结合高光谱数据特性，通过随机选取特征子空间和反馈学习改进了Bagging SVM方法；通过引进加性复合距离改善了K近邻局部空间的计算方法；通过将错分的训练样本添加到验证集增强了验证集样本的代表性。实验结果表明，与单个优化的SVM和其他常见的SVM集成方法相比，改进后的SVM动态集成分类精度最高，能有效地提高高光谱遥感图像的分类精度。

遥感必备啊！！！高光谱 遥感 地信，测绘，资环都需要的啊！！！抱你满意啊！！！