注意： 此代码按原样提供，可能存在错误，有时可能无法正常工作，因此请谨慎使用。 如果遇到任何问题，请先阅读下面的说明，然后再阅读两个参考资料。 [parmin,resnom,res,exitflag]= fit2voigt(dat,par0) 此代码执行以下操作：如果您提供两列光谱数据（第一列是波数，第二列是吸光度）数据和初始峰参数 par0，它将为您提供优化的 voigt 线形参数 parmin，以及拟合和拟合质量信息. 它使用 Sanjar Abrarov 的 Voigt/复杂错误函数（文件 ID：#47801）。 您需要下载代码，并将其放在与这些文件相同的文件夹下。 包括分析雅可比。 还包括测试数据。 您可以通过运行 voigtfit_test m.file 进行测试 参考： RJ Wells，Voigt/Faddeeva 函数及其导数的快速逼近，JQSRT 62(1999)，2

光谱数据预处理 超级全 都可以用 自己用的

用于高光谱图像处理实验等，经典的HSI高光谱数据，MATLAB数据格式

颜色科学中使用的光源D65数据，matlab用

包含五种基本高光谱数据集，适用于遥感图像分类。Indian_pine是一个很传统的高光谱数据集，包含16种数据，如：街道，农田等数据。同Indian Pines图像一样，Salinas数据也是由成像光谱仪所拍摄的，它是对美国加利福尼亚州的Salinas山谷所成的像。

此功能扩展了在单次运行中计算光谱数据集（多光谱）导数的能力。

已有基于深度学习的机载激光雷达点云分类方法存在训练时间长、对样本数据需求量较大等问题,无法广泛应用于不同情况下的复杂场景。针对该问题,提出了一种基于迁移学习的小样本机载激光雷达点云分类方法。该方法首先对机载激光雷达点云进行光谱信息的补充,通过提取点云数据的归一化高度、强度值和植被指数特征构建三通道点云特征图;通过设置不同的邻域大小和投影方向,生成多尺度和多投影特征图,并基于迁移学习方法进行多尺度、多投影的深层特征提取。针对上述提取的深层次特征,利用池化操作提取全局特征,并采用卷积神经网络进行初步分类,然后利用图割全局优化策略实现机载激光雷达点云的高精度分类。采用国际摄影测量与遥感协会提供的标准测试数据集对所提方法进行验证。与该协会网站上已公布的分类结果以及同样采用迁移学习方法的分类结果相比,所提方法在仅使用训练集中约0.6%的数据作为训练样本的情况下,总体分类精度可以达到94.9%,分类精度最高。

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.

Matlab数据处理文件，包括预处理和建模的文件，是运行过后能用的文件，和大家一起分享，希望能够对大家有用，谢谢大家

超级GAN 纸代码对抗网络的高光谱样本的现实合成。 如果您在工作中使用此代码，请引用以下内容。 @inproceedings{audebert_generative_2018, title = {Generative adversarial networks for realistic synthesis of hyperspectral samples}, booktitle = {2018 {IEEE} {International} {Geoscience} and {Remote} {Sensing} {Symposium} ({IGARSS})}, author = {Audebert, N. and Le Saux, B. and Lefèvre, S.}, month = jul, year = {2018} } 动机 高光谱成像