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

包含训练代码、预测代码、数据划分代码、网络代码等，采用pytorch框架所写。 代码中包含3D卷积神经网络和支持向量机（SVM）、随机森林（RF）、K最邻近（KNN）这三个机器学习算法。可以随意组合为3DCNN-SVM、3DCNN-RF、3DCNN-KNN。代码清晰，便于理解。也可单独训练3DCNN或者机器学习。

通过SVM和超像素分割进行光谱空间高光谱图像分类

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

hsi matlab代码TGRS，2021年，具有针对高光谱图像分类的注意光谱先验的多方向网络。 ，，，Yuchao Xiao和。 纸张代码： 图1：我们建议的MSI-ASP用于HSI分类的框架。 它由四个部分组成：多方向样本构建，多流特征提取，具有注意光谱先验（ASP）的特征聚集和基于softmax的分类器。 相同的颜色表示具有相同操作的图层。 培训和测试过程 请首先运行“ generate_train_val_test_gt.m”以生成训练图和测试图。 然后，运行“ construct_multi_mat.py”以构造多方向样本。 最后，运行“ main_MDN_ASP.py”以在数据集上重现MDN-ASP结果。 训练样本分布和获得的分类图如下所示。 我们已经使用Matlab R2017b在Ubuntu 16.04和Windows系统上成功测试了它。 部分源代码来自和的工作。 图2：Indian Pines数据集的合成假彩色图像，地面真实情况，训练样本和分类图。 参考 如果您认为此代码有帮助，请引用： [1] B. Xi，J。Li，Y。Li，R。Song，Y。Xiao，Y。Shi，

资源一号卫星数据集：ZY1E_AHSI_E110.81_N19.70_20210330_008107_L1A0000260750，欢迎有需要的朋友下载，已上传百度云，如失效可联系。

Matlab实现的最大噪声分离变换（MNF），可以处理RGB图，高光谱图像以提取图像特征。算法速度较快，注释详尽。

基于MATLAB编程的最小噪声分离方法处理高光谱影像（Minimum Noise Separation Method Based on MATLAB Programming for Hyperspectral Image Processing）

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。