本教程是为遥感和计算机视觉领域专业人士编写的，内容涵盖了如何使用Python语言对高光谱数据进行加载和可视化。通过本教程，读者将能够掌握利用Python工具处理遥感数据的核心技能，具体而言，就是针对高光谱遥感数据集进行有效的数据加载和图像展示。 在高光谱遥感技术中，我们可以获取地表反射光的高分辨率光谱信息，这为地物识别、农作物分类和环境监测等研究提供了丰富数据资源。然而，高光谱数据通常体积庞大、维度高，对数据处理能力有着较高的要求。因此，如何高效准确地加载和处理这些数据成为了技术应用的瓶颈之一。 本教程通过提供相应的资源文件，帮助读者理解并实践高光谱数据的加载过程。资源文件包括印度松果数据集（Indian_pines_corrected.mat）及其对应的真实标签数据集（Indian_pines_gt.mat），这些数据集对于理解和应用高光谱图像的分类和分析至关重要。除此之外，教程还包含了一个Python脚本（Load_and_visual.py），该脚本提供了加载高光谱数据集并进行基本图像可视化的操作示例。 在教程中，首先会对高光谱数据的概念进行详细介绍，包括其数据结构、特点以及在遥感领域的应用。接下来，将深入讲解如何使用Python中的特定库（例如scikit-learn、NumPy等）来读取数据集，并进行必要的数据预处理操作。为了使数据可视化，教程还会介绍如何利用Python的可视化工具（如Matplotlib、OpenCV等）来展示高光谱图像。 通过本教程的学习，读者不仅能够学会如何加载和处理高光谱数据，还能够对数据进行深入分析，从而进行高光谱图像的分类和识别。这对于未来在遥感图像处理和计算机视觉领域的进一步研究和应用将提供宝贵的基础知识和实践经验。 此外，由于高光谱数据的复杂性和多维性，本教程还将介绍一些降维技术，比如主成分分析（PCA）、独立成分分析（ICA）等，这些技术能够帮助我们更好地理解高维数据并提取有用信息。最终，通过一系列的实例和练习，教程旨在帮助读者加深对高光谱数据处理和可视化的理解和应用。 无论读者是遥感领域的研究者，还是对计算机视觉感兴趣的学者，本教程都将是一个宝贵的资源。通过实际操作和案例分析，读者将能够掌握高光谱数据处理的核心技术，并能够将这些技术应用于各自的专业领域中。

利用matlab读取tif格式的高光谱数据，把反射率存储在一个三维矩阵中

KSC高光谱数据含ground truth matlab格式

hsdar软件包包含用于管理，分析和模拟高光谱数据的类和函数。 这些可能是通过rgdal界面进行的光谱仪测量或高光谱图像。

包含基本所有的高光谱数据处理，包括：高光谱格式转换，高光谱数据增强（旋转、拼接，缩放），高光谱空间-光谱剪切，高光谱数据归一化，高光谱数据显示等等，都是matlab代码，拿来就可以用，写有注释，简单易懂；研究高光谱方向的同学不要错过，我也是苦于网上没有系统的高光谱处理代码，遂总结此篇让后面的同学少走弯路。

内容：常用高光谱分类数据集，包括常用的Indian pines\KSC\Purdue\DC\HOUSTON\Botswana\Salinas等，基本上写论文是够用的公开数据集； 使用方法：格式全部为mat格式，可以在Python和Matlab上使用； 使用建议：建议使用不同传感器的数据集来验证自己分类方法的有效性。

在遥感数据处理研究中，高维高光谱数据的冗余信息和噪声严重影响高光谱数据的分类精度，针对此问题提出基于互信息波段选择和经验模态分解的高精度高光谱数据分类算法(MI-EMD-SVM)。分别采用基于互信息波段选择方法和经验模态分解实现对高光谱数据的冗余信息处理和特征提取，并获得处理后的高光谱数据X″。采用支持向量机分类算法对处理后的高光谱数据X″进行分类实验。仿真实验结果证实MI-EMD-SVM算法不仅提高高光谱数据分类精度，同时还减少支持向量数目，提高高光谱数据分类速度。

hdr格式高光谱图像matlab读取与显示，含数据集

1.辐射定标 辐射定标是将传感器记录的电压或数字量化值（DN）转换成绝对辐射亮度值（辐射率）的过程，或者转换为与地表（表观）反射率、表面（表观）温度等物理量有关的相对值的处理过程。 辐射定标可分为： 绝对定标 相对定标

IP, SV, UP, BS, KSC....XiongAn