核稀疏表示分类（KSRC）是稀疏表示分类的非线性扩展，显示了其在高光谱图像分类中的良好性能。 但是，KSRC仅考虑无序像素的光谱，而没有在空间相邻数据上合并信息。 本文提出了一种对空间光谱核稀疏表示的相邻滤波核，以增强对高光谱图像的分类。 这项工作的新颖性在于：1）提出了空间光谱KSRC框架； 2）通过核特征空间中的邻域滤波来测量空间相似度。 在几个高光谱图像上的实验证明了该方法的有效性，并且所提出的相邻滤波内核优于现有的空间光谱内核。 此外，所提出的空间光谱KSRC为将来的发展打开了广阔的领域，在其中可以轻松地合并滤波方法。

高光谱图像（HSI）通常在采集过程中由于各种噪声的混合而降低质量，这些噪声可能包括高斯噪声，脉冲噪声，虚线，条纹等。 本文介绍了一种基于低秩矩阵恢复（LRMR）的HSI恢复新方法，该方法可以同时去除高斯噪声，脉冲噪声，死线和条纹。 通过按字典顺序将HSI的补丁排序为二维矩阵，可以探索高光谱图像的低秩属性，这表明干净的HSI补丁可以视为低秩矩阵。 然后，我们将HSI恢复问题公式化为LRMR框架。 为了进一步消除混合噪声，应用了“分解”算法来解决LRMR问题。 在模拟和真实数据条件下都进行了一些实验，以验证所提出的基于LRMR的HSI恢复方法的性能。

对KSC和PU数据集进行1D光谱特征学习，2D空间特征学习和3D谱空联合特征学习，所用环境为tensorflow-GPU-1.5.0 keras2.1.6 资源包含KSC和PU两个高光谱数据集

高光谱图像混合像元分解算法.pdf

高光谱图像特征提取与分类算法研究.pdf

高光谱图像融合算法研究.pdf

针对单一滤波器提取高光谱图像空间特征时不能获得完整的图像空间信息的不足, 提出一种结合非局部均值滤波和导向滤波的高光谱图像分类算法。该方法利用非局部均值滤波提取高光谱全波段图像空间信息, 利用导向滤波提取经由主成分分析(PCA)降维后的高光谱图像的空间边缘信息, 将两种空间信息进行线性融合的结果输入至支持向量机(SVM)完成分类。实验表明, 相比于使用光谱信息、高光谱PCA降维、空谱结合的SVM分类、边缘保持滤波以及递归滤波等方法, 该算法能够有效提高光谱图像的分类精度。

matlab匹配滤波代码比较RX和SSRX算法 该存储库包含我该课程项目的一部分：“图像处理中的选定主题”， 该项目的目的是比较两种用于高光谱图像的异常检测算法-RX算法及其子空间投影变化，即SSRX算法。 虽然这两种算法在数学和逻辑上相似，但将它们应用于实际数据时所获得的不同结果值得研究。 为了进一步检查子空间投影的效果，还使用Chronochrome算法在变化检测任务中对其进行了测试。 回购用法 该项目主要基于实现这两种算法，运行多个实验并执行探索性数据分析。 这些组织在以下文件夹中： ：包含完整的项目报告和演示文稿（适用于那些懒得阅读并想要漂亮图片的人） ：包含主要的.mlx文件（以及那些无法访问MATLAB的文件的tex和pdf版本）和一些.m帮助程序脚本。 使用的数据集 可以在以下位置找到用于该项目的数据： MATLAB的高光谱工具箱（包含有用的运算符，转换和算法）： 免责声明 该项目对PCA公式进行了少许更改。 尽管这可能不会显着影响结果，但值得将来研究之用。 此项目中使用的PCA预测为： 正确的公式是： 建议阅读 Alan P. Schaum和Alan D. Stocke

spec-img-finesse 在他们的工作Makantasis等。 （2015年）表明，使用CNN，高光谱图像可以成功分类。 CNN可以对像素的光谱和空间特征进行编码。 特征的从低到高层次结构极大地提高了分类性能。 在我们的CNN实施中，我们使用层修剪和层压缩方法扩展和优化了它们的方法。 每个植物在电磁频谱上都有其独特的频谱“特征”，可以使用高光谱传感器捕获该特征。 将图像中的高光谱带作为特征，将每个像素作为样本，利用卷积神经网络（CNN）和支持向量机（SVM）对植物进行分类。 CNN优化有助于防止过拟合，加速推理并减少其在内存，电池和计算能力方面的资源。 Keras 2.1.5与Tensorflow 1.7.0结合使用。 使用了印度松树数据集。 使用支持多项式的SVM可以达到83.9％的测试精度，而使用CNN可以达到99.2％的测试精度。 可以在项目报告“使用高光谱图像进行植

高光谱图像分类是遥感领域的研究热点之一,是对地观测的重要手段,在地物的精细识别等领域具有重要的应用。使用卷积神经网络(CNN)可以有效地从原始图像中提取高级特征,具有较高的分类精度。但CNN计算量巨大,对硬件要求较高。为了提高模型计算效率,可以在图形处理器(GPU)上进行CNN模型的训练。现有的并行算法,比如GCN(GPU based Cube-CNN),无法充分利用GPU的并行能力,算法加速效果并不理想。为了进一步提升算法效率,提出基于通用矩阵乘法(GEMM)算法的GGCN(GPU based Cube-CNN improved by GEMM)并行加速算法,通过G-PNPE(GEMM based Parallel Neighbor Pixels Extraction)对输入数据和卷积核进行重新组织排列,实现卷积的并行计算,有效地提高了GPU的利用率并进一步提升了算法的训练效率。通过分析在三个数据集上的实验结果发现,改进算法的分类精度与原算法保持一致,而且模型的训练时间缩短了30%左右,表明算法的有效性和优越性。