高光谱图像unmixing matlab代码

为了更好地监测太湖水体富营养化状况，我们利用高光谱地物波谱辐射计，通过垂直水面法和倾斜测量法得到太湖水体3～10月份的波谱信息．利用这些数据，分析了太湖水体藻类的叶绿素(主要是chl―a)与水体反射光谱特征的关系，建立了藻类叶绿素高光谱遥感模型，并分析了模型精度．研究发现：两种测量法数据精度差别不大；叶绿素在700 nm附近反射峰的位置、高度与叶绿素浓度有较好的对应性；利用700 nm左右反射峰／685 nm左右吸收峰附近波段的比值，建立了和叶绿素的线性关系，在较短的时间区间(月)内，有很好的相关性．

数据融合matlab代码CoSpace：从高光谱-多光谱对应中学习常见子空间 洪丹凤，横田直人，乔瑟琳·尚努索，朱孝祥 此工具箱中的代码实现。 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。 @article{hong2019cospace, title = {Co{S}pace: Common Subspace Learning from Hyperspectral-Multispectral Correspondences}, author = {D. Hong and N. Yokoya and J. Chanussot and X. Zhu}, journal = {IEEE Trans. Geosci. Remote Sens.}, volume = {57}, number = {7}, pages = {4349--4359}, year = {2019}, publisher = {IEEE} } 系统特定说明 该代码已在Windows 10计算机上的Matlab R2016a或更高版本中进行了测试。 如何使用它？ 直接运行demo.m来复

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

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。

需要读入已经包络线消除的文本文件

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。

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

摘要光谱特征波段的选取是植被高光谱分类识别的重要基础之一利用鄱阳湖种典型植被的实测高光谱数据在对数据进行预处理和分析的基础上提出了一种基于均值极差阈值法的光谱特