该文档描述了一种基于支持向量数据描述的高光谱图像的混合相元分解技术，详述了计算步骤，给出了一定结果。

为进一步抑制遥感图像的非均匀噪声,首先分析了空间遥感高光谱图像条带噪声产生的原因及噪声模型,进而提出一种基于窗口阈值判决的改进矩匹配算法。选取相对平坦,且条带噪声与背景对比较明显的区域进行阈值估算,并选取参考均值、标准差和条带阈值判决对条带噪声进行矩匹配处理。实验结果表明,所提算法的峰值信噪比相对传统方法至少提高了6.2163 dB,均方误差最小降低了5.9630,结构相似度至少提高了0.254。与传统方法相比,采用所提方法处理后的图像变异逆系数有所提高,图像横向梯度与标准差有所降低,该方法还去除了图像中的条带噪声,保留了原始图像的细节信息。

高光谱图像分类：在Matlab中使用朴素贝叶斯，最小Eucleidian距离和KNN进行高光谱图像分类

由于高光谱遥感数据具有波段多、特征非线性、空间相关等特点, 提出一种基于深度学习的空-谱联合(SSDL)特征提取算法来有效提取数据中的空-谱特征。该算法利用多层深度学习模型--堆栈自动编码机对高光谱数据进行逐层学习, 挖掘图像中的深层非线性特征, 然后再根据每个特征像元的空间近邻信息, 对样本深度特征和空间信息进行空-谱联合, 增加同类数据聚集性和非同类数据分散度, 提升后续分类性能。在帕维亚大学和萨利纳斯山谷高光谱数据集上进行地物分类实验: 在1%样本比例下, 地物总体分类精度达到了91.05%和94.16%; 在5%样本比例下, 地物总体分类精度达到了97.38%和97. 50%。结果表明: 由于SSDL特征提取算法融合了数据中深层非线性特征和空间信息, 能够提取出更具鉴别特性的特征, 较其他同类算法能够获取更高分类精度。

使用matlab，计算高光谱图像两个波段的灰度分布，灰度概率以及两幅图像的互信息熵。

基于半监督广义学习系统的高光谱图像分类

为解决高光谱数据维度高、波段之间相关性强、获取大量监督信息费时费力的问题，对高光谱图像的分类进行研究。半监督分类方法是基于传统的机器学习的一种分类方法，它可以利用少量带标签的监督信息和大量无监督信息解决获取大量监督信息问题。将分类精度高、分类时间长的孪生支持向量机分类方法与迭代速度快、收敛速度快的的

图像处理分析 对于HJ-1小卫星高光谱图像的处理方法

稀疏多元逻辑回归（SMLR）是高光谱监督分类中的重要方法,然而仅仅利用光谱信息的SMLR忽略了影像本身的空间特征,在少量监督样本下的分类精度和算法的鲁棒性仍明显不足;虽然通过引入核技巧,核稀疏多元逻辑回归（KSMLR）可以部分克服上述缺点,其分类错误仍然有待进一步降低.本文基于核稀疏多元逻辑回归分类误差的统计建模分析,提出一种联合核稀疏多元逻辑回归和正则化错误剔除的高光谱图像分类模型.提出的模型通过引入隐概率场,采取L1范数度量KSMLR分类误差的重尾特性建立数据保真项;利用全变差（Total Variation,TV）正则化度量隐概率场的局部空间光滑性.由Indian Pines和University of Pavia数据集等实测数据应用表明,该方法可以得到更鲁棒和更高的分类精度.

高光谱图像分离matlab代码具有光谱可变性的高光谱解混的数据相关多尺度模型 这个包包含作者对论文 [1] 的实现。 我们考虑使用超像素的多尺度策略，以解决具有端元可变性的光谱分离问题。 我们使用关于丰度和端元的空间规律信息（即，这些变量根据基于超像素的多尺度变换是平滑的），以便 1) 引入先验信息以提高丰度估计质量，以及2) 重新制定优化问题以显着降低方法的计算复杂度。 代码在 MATLAB 中实现，包括： example1.m - 比较算法的演示脚本 (DC1) example2.m - 比较算法的演示脚本 (DC2) example3.m - 比较算法的演示脚本 (DC3) demo_houston.m - 比较算法的演示脚本（休斯顿） demo_cuprite.m - 比较算法的演示脚本（Curite） ./MUAV/ - 包含与 MUAV 算法相关的 MATLAB 文件 ./other_methods/ - 包含 ELMM 和 PLMM 方法 ./utils/ - 有用的函数 ./DATA/ - 示例中使用的文件 README - 这个文件 重要的： 如果您使用此软件，请在任