高光谱图像数据集是包含高光谱图像信息的集合，这些图像数据集广泛应用于遥感、农业、地质勘探、环境监测等多个领域。高光谱成像技术是一种可以获取物体反射或发射光谱信息的高分辨率光谱成像技术。它能够捕捉到从可见光到近红外或短波红外波段范围内成百上千的连续窄波段图像，每个波段对应于光谱的一个特定波长。与传统的多光谱图像相比，高光谱图像具有更高的光谱分辨率，因此能够提供更为丰富和详细的物体表面或内部的材料组成信息。 高光谱图像数据集的建立通常需要经过复杂的采集和预处理过程，包括从成像系统获取原始图像数据、校正图像数据中的畸变、对图像进行大气校正、去除噪声、进行光谱重采样等步骤。这些数据集通常包含了丰富的地面真实信息，是进行图像分析、分类、目标识别和提取等研究的重要基础资源。研究人员可以通过分析这些数据集中的光谱特征，结合地物光谱库进行比较，识别出图像中的不同地物类型，如植被、水体、土壤、建筑物等。 在处理高光谱图像数据集时，常用的算法包括主成分分析（PCA）、独立成分分析（ICA）、最小噪声分离（MNF）、支持向量机（SVM）、随机森林等。这些算法旨在降低数据的维度，提取有效的特征，实现对图像的有效分类和识别。同时，随着机器学习和深度学习技术的发展，基于卷积神经网络（CNN）的图像处理方法也被广泛应用于高光谱图像的特征提取和目标检测中。 高光谱图像数据集的典型应用场景包括农作物的种植监测、资源勘探、土地利用分类、环境影响评估等。例如，在农业领域，高光谱图像能够通过分析作物的反射光谱来评估作物的健康状况和养分含量，辅助农民进行精准农业管理。在资源勘探中，通过高光谱图像可以探测地下矿藏的分布情况。在环境监测中，可以用于监测污染物的扩散情况和生态系统的健康状况。 为了提高高光谱图像数据集的质量和应用价值，研究者还在不断探索如何将高光谱成像技术与其他传感器技术结合起来，例如与激光雷达（LiDAR）技术的融合，可以提供更为准确的地物三维信息。同时，随着空间分辨率和光谱分辨率的不断提高，高光谱图像数据集也在变得越来越大，这对数据存储、传输和处理技术提出了更高的要求。 高光谱图像数据集的研究和应用不仅推动了遥感科学的发展，也为地球科学、农业科学、环境科学、材料科学等众多学科提供了强大的数据支持和分析工具。随着技术的进步，高光谱图像数据集的采集和应用将会更加广泛和深入，其在科学研究和实际应用中的重要性也将不断增长。

高光谱分解 卷积神经网络的高光谱图像分解（无分叉，半成品） 说明 先决条件 Python 3.8 TensorFlow 2.3.0 建议使用conda创建虚拟环境并使用以下命令安装依赖项： pip install -r requirements.txt 用法 在设置参数后，在终端中输入以下命令： python run.py 更多细节： 使用python run.py -h获取更多参数设置详细信息。 数据集 我们提供了两个处理后的数据集：数据集中的Jasper Ridge（jasper），Urban（urban）/ data.npy：高光谱数据文件。 data_gt.npy：基本事实文件。 data_m.npy：端成员文件。 更新：2021年2月10日

这是论文《Gaussian Pyramid Based Multiscale Feature Fusion for Hyperspectral Image Classification, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(9), 3312-3324》的代码，更多详情可在纸上找到。 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 libsvm-3.20。 libsvm-3.20可从https://www.csie.ntu.edu.tw/~cjlin/libsvm/获得

这是论文“Density Peak Clustering-based Noisy Label Detection for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2018, (Accepted)”的代码，更多细节可以在论文中找到。 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 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

这是论文“PCA based Edge-preserving Features for Hyperspectral Image Classification, IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(12), 7140-7151.”的代码，更多细节可以在论文中找到。 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 libsvm-3.22。 libsvm-3.22 可在https://www.csie.ntu.edu.tw/~cjlin/libsvm/ 获得

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

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

图卷积网络用于高光谱图像分类 ， ，，，， 该工具箱中的代码实现了 。 更具体地，其详细如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 D. Hong，L。Gao，J。Yao，B。Zhang，A。Plaza，J。Chanussot。 用于高光谱图像分类的图卷积网络，IEEE Trans。 Geosci。 遥感，2020，DOI：10.1109 / TGRS.2020.3015157。 @article{hong2020graph, title = {Graph Convolutional Networks for Hyperspectral Image Classification}, author = {D. Hong and L. Gao and J. Yao and B. Zhang and A. Plaza and J. Chanusso

数据融合_HSI_LiDAR 基于深度学习的HSI和LiDAR图像融合 作者 平台 Ubuntu 14.04 CUDA 8.0 GTX 850M 张量流1.4 python2 / python3 使用卷积神经网络的体系结构 输入-[转换-关联-最大池] x 2-[仿射-关联] x 2-仿射-softmax 档案文件 ./HSI/Load_data.py加载HSI源数据并制作Train / Test文件作为补丁 ./HSI/CNN.py定义CNN参数./HSI/CNN_feed.py训练HSI CNN权重./HSI/run_cnn.py使用预先训练的CNN参数进行HSI分类./HSI/Spatial_dataset.py为处理HSI数据。 ./HSI/Get_feature.py保存最后汇聚层平功能./DSM几乎一样./HSI 结果 接触

hsi matlab代码通过3D全卷积神经网络的高光谱图像空间超分辨率 通过，袁鑫，，， 介绍 3D-FRCNN是具有单个网络的高光谱图像超分辨率（SR）的统一框架。 您可以使用该代码为hsi超分辨率（SR）训练/评估网络。 有关更多详细信息，请参阅我们的。 拟议框架 一些SR结果 引用我们的工作 @Article{rs9111139, AUTHOR = {Mei, Shaohui and Yuan, Xin and Ji, Jingyu and Zhang, Yifan and Wan, Shuai and Du, Qian}, TITLE = {Hyperspectral Image Spatial Super-Resolution via 3D Full Convolutional Neural Network}, JOURNAL = {Remote Sensing}, VOLUME = {9}, YEAR = {2017}, NUMBER = {11}, ARTICLE NUMBER = {1139}, URL = {http://www.mdpi.com/2072-4292/