matlab改变代码颜色MDL4OW 的源代码和注释： 刘胜杰，石谦和张良培。 使用多任务深度学习的未知类的少量快照高光谱图像分类。 IEEE TGRS，2020年。 接触： 代码和注释在此处发布，或检查 概述 普通：错误分类道路，房屋，直升机和卡车 以下是正常/封闭式分类。 如果您熟悉高光谱数据，您会发现培训样本中未包含某些材料。 例如，对于上方的图像（萨利纳斯山谷），道路和农田之间的房屋无法分类为任何已知类别。 但是，深度学习模型仍然必须分配标签之一，因为从不教它识别未知实例。 我们的工作：用黑色掩盖未知的事物 我们在这里所做的是，通过使用多任务深度学习，使深度学习模型具有识别未知事物的能力：那些被黑色掩盖的事物。 对于上方的图像（萨利纳斯山谷），农田之间的道路和房屋已成功识别。 对于下图（帕维亚大学校园），直升机和卡车被成功识别。 钥匙包 tensorflow-gpu==1.9 keras==2.1.6 libmr 在Windows 10的Python 3.6上测试 推荐Anaconda，Spyder 如何使用 高光谱卫星图像 输入图像的大小为imx×imy×通道。 卫星图像是标

红根杂草（Amaranthus retroflexus L.）是一种有害杂草，会影响全世界的棉花（陆地棉）的生长和产量。 能够从棉花中区分出红根杂草，将有助于生产者和农作物顾问更好地实施用于抑制和控制它的策略。 杂草和作物冠层的高光谱反射特性已用于区分它们。 目前，尚无有关高光谱数据用于区分红根杂草与不同叶形棉花的信息。 积极的结果将进一步支持遥感技术的应用，以区分红根杂草和棉花。 目的是比较红根杂草的冠层高光谱反射率与秋葵和超级秋葵叶棉的冠层高光谱反射率，并确定光谱反射率特性存在差异的光谱区域。 在2019年5月6日至6月27日使用分光辐射计获得了红根杂草和棉花的高光谱反射率测量结果。该研究使用了温室中生长的植物。 通过方差分析（p≤0.05）和Dunnett检验（p≤0.05）评估了162个10 nm波段（400-2350 nm光谱范围），以确定可用于从中分离红根杂草的波段秋葵叶和超级秋葵叶棉。 以下两个波段在两个日期上均能区分红根杂草和秋葵叶棉：420 nm，510-650 nm，690-740 nm和2000-2010 nm； 然而，从红秋葵叶棉中分离出红根杂草的两个日期均鉴定

er菜（Amaranthus palmeri S.Wats。）入侵对全美国的棉花（Gossypium hirsutum L.）生产系统造成了负面影响。 这项研究的目的是评估冠层高光谱窄带数据作为随机森林机器学习算法的输入，以区分棉花中的distinguish菜。 该研究着重于将Palmer mar菜与棉花的近等基因系（铜，绿和黄叶）区分开来。 使用分光辐射计在两个不同的日期（2016年12月12日和2017年5月14日）获取Palmer mar菜和棉花冠层的高光谱反射率测量。数据是从温室中种植的植物中收集的。 将光谱数据汇总到提议用于研究植被和农作物的24个高光谱窄带。 这些带由随机森林（cforest）的条件推断版本进行了测试，以区分Palmer mar菜和棉花。 分类为二进制：Palmer mar菜和棉青铜，Palmer mar菜和棉绿，Palmer mar菜和棉黄。 分类准确性已通过总体，用户和生产者的准确性进行验证。 对于这两个日期的总和，总体准确性介于77.8％至88.9％之间。 相对于棉黄色分类，Palmer mar菜红的整体准确性最高（2016年12月12日为88.9％;

是用于高光谱遥感影像分类的机器学习脚本，其中使用了MLP算法（Multilayer Perceptron Algorithm）对Salinas数据集进行分类。 Salinas数据集是一个常用的高光谱遥感影像数据集，包含了来自13种不同作物和地物的224个像素。在你的Python脚本中，使用了MLP算法对这些像素进行分类。MLP算法是一种基于神经网络的分类算法，其通过多层神经元对特征进行抽象和表达，从而实现高效的分类。在该算法中，使用了反向传播算法对网络进行训练，以便调整网络中的权重和偏置，从而提高分类的准确性。

高光谱图像分类2D_CNN网络代码 基于pytorch框架制作 全套项目，包含网络模型，训练代码，预测代码，直接下载数据集就能跑，拿上就能用，简单又省事儿 内附indian pines数据集，采用20%数据作为训练集，并附上迭代10次的模型结果，准确率99左右。

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

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。

高光谱成像技术在生物医学中的应用进展；高光谱成像技术在生物医学中的应用进展

KSC高光谱数据含ground truth matlab格式

对新疆冰糖心红富士苹果采用高光谱成像技术进行分级和糖度预测研究。在糖度预测分析中,使用正交试验设计方法确定影响预测效果的主要因素是预测回归方法、光谱预处理方法和波长合并,次要因素是光谱校正处理方法、数据类型和实测值归一化处理。提取平均光谱,经过白板校正,采用一阶微分光谱预处理,10个波长的光谱合并,基于多元线性回归方法建立苹果糖度的预测模型,其验证集苹果糖度的预测模型相关系数为0.911,预测均方根误差为0.76%Brix,相对分析误差为2.44。在分级研究中,选择712nm波长图像,Gamma灰度变换增强图像,大津算法阈值确定后分割图像,基于形态学处理剔除果梗区域,提取苹果分割后区域的面积、充实度、周长、平均灰度等特征,采用二次判别分析分级苹果,验证集苹果分级准确率达到89.5%。结果表明,高光谱图像技术既能够准确预测新疆冰糖心红富士苹果糖度品质,也可以用于基于外部品质特征的分级研究。