为了解决基于深度学习的高光谱图像分类方法对于小样本数据分类精度低的问题,提出了一种基于多尺度残差网络的分类模型。该模型通过在残差模块中加入分支结构,分别构造了基于光谱特征和空间特征的提取模块,实现了空间特征和光谱特征的多尺度提取融合,充分利用了高光谱图像中丰富的空谱信息。此外,所提模型使用了动态学习率、批归一化以及Dropout等来提高计算效率和防止过拟合。实验结果表明,该模型在Indian Pines和Pavia University数据集上分别取得了99.07%和99.96%的总体分类精度,与支持向量机和现有的深度学习方法相比,所提模型有效地提高了针对小样本高光谱图像的分类性能。

Spectral Python（SPy）是一个python软件包，用于读取，查看，操作和分类高光谱图像（HSI）数据。 SPy包括用于聚类，降维，监督分类等功能。

针对LANDSAT-5 TM多光谱图像存在散粒噪声问题,提出一种基于异常探测和光谱归一化处理来检测及去除噪声的算法。视散粒噪声为强光谱异常,基于RX算子探测像元异常,根据异常分布统计特征确定含散粒噪声的像元;再以含散粒噪声的像元为中心,利用邻域内像元各分量上的光谱归一化分值,确定散粒噪声所在波段。利用邻域内具有最相似光谱的像元对应分量替换散粒噪声所在的像元分量。实验表明,该算法能够有效去除TM图像中的散粒噪声。

高光谱图像分离matlab代码高光谱图像的光谱超分辨率 高光谱图像光谱超分辨率代码 目录 介绍 该存储库包含为高光谱数据的光谱超分辨率设计的 MATLAB 代码和脚本。 所提出的方法通过利用稀疏表示 (SR) 学习框架，从其获得的低分辨率形式合成高光谱分辨率 3D 数据立方体。 根据 SR 框架，各种低光谱分辨率和高光谱分辨率的数据立方体可以表示为来自学习过的过完备字典的元素的稀疏线性组合。 依赖关系 数据集 所提出的光谱超分辨率方案的性能使用 EO-1 NASA 的 Hyperion 卫星高光谱地球观测场景进行量化。 由于其高光谱覆盖率，Hyperion 场景已被广泛用于遥感界用于分类和光谱分离目的。 我们考虑了 2015 年 8 月 30 日获得的夏威夷岛的高光谱场景，并利用了可见光和近红外光谱范围内的 67 个光谱带，从 436.9 到 833.83 nm。 字典 关于字典训练阶段，我们设计了耦合字典，基于 ADMM 稀疏耦合字典学习方案，对高光谱分辨率和低光谱分辨率特征空间进行建模。 我们从 100.000 对训练低和高光谱分辨率数据立方体中训练了 512 个代表性字典原子。

仿真matlab程序代码

用于多通道图像（例如，高光谱、MRI、卫星或任何其他类型的具有超过 1 个波段的图像数据）的图像立方体切片器的实现。 图像立方体切片器在左侧面板中包含一个图像带屏幕，其中显示了图像平面（使用 imshow() 或 imagesc()）。 使用位于图像平面下方的滑块工具选择图像平面。 此外，一个可拖动的矩形区域被放置在图像的中心。 右侧面板说明了对应于当前选定矩形区域的数据立方体的每个波段的平均数据值（作为一维图）。 可以选择四个不同的矩形区域。 对于高光谱图像，右侧面板图对应于当前选择的（平均）光谱信号。 对于低 RAM 的机器，可以选择调整图像数据的大小以加快切片器的速度。 注意：如果您收到以下错误： ？？？ 在81使用==> im_cube_slicer时出错此 hg 对象不会触发此事件 那么您的 Matlab 版本与 im_cube_slicer 不兼容。

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。

这是论文《Classification of Hyperspectral Images by Gabor Filtering Based Deep Network, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(4), 1166-1178.》的代码，更多详情可查看在纸上找到。 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minFunc matlab工具箱和drtoolbox。 minFunc matlab 工具箱和 drtoolbox 分别位于http://www.di.ens.fr/~mschmidt/Software/minFunc.html和http://homepage.tudelft.nl/19j49/Matlab_Toolb

关于数据集的注释： 使用一个简单的脚本将原始的.mat图像和基本事实转换为.txt文件。 数据目录包含这些.txt文件的示例（但不是全部）。 原始.mat文件可以从[Palis Vasco大学]（ ）获得。 使用注意事项： DBN_writeparams旨在替代DBN。 DBN仅由DBN_example使用。 DBN对象的参数应在DBN_writeparams和DBN_example中匹配（例如n_ins，hidden_​​layers_sizes，n_outs）。 去做： 在DBN_example中创建一个模块，用于加载训练后的权重和偏差。

矿物识别步骤 MNF变换 PPI计算 提取纯净像元 选取端元波谱 识别端元波谱 矿物分析 查看结果