高光谱遥感图像数据集Pavia

高光谱遥感的理论基础、成像机理，数据预处理及应用简介

概述了成像光谱遥感技术的内涵、高光谱数据的特点、成像光谱仪的主要类型、数据处理软件以及光谱数据库建设等内容。在此基础上，综述了航空成像光谱技术在海洋、环境资源勘探以及植被与生态遥感等方面的应用现状。最

本文详细介绍了用于高光谱遥感影像分类的机器学习脚本，并详细解释了其中应用的最小错误贝叶斯分类器。同时，我们还探讨了如何使用这些工具对Salinas数据集进行分类和识别，从而更好地分析和研究不同的地物和

摘要：针对高光谱数据的特点，探讨了高光谱数据特征提取的若干算法，重点研究了导数光谱和光谱编码技术，并从地物光谱曲线中提取了其光谱吸收特征。对同类曲线特征求交得到识别地物的有效特征；对不同类曲线特征求交

该数据集包含同一地区不同时间的遥感图像，经过图像分析和变化检测处理得出相应的变化检测结果图。该数据集可用于遥感图像变化检测的研究和应用。

这个数据集由谷歌地球收集，其中包含了来自于7个典型的场景类别——草地、森林、农田、停车场、住宅区、工业区和河湖的2800幅遥感图像。每个类别内有400张图像，采用4个不同的尺度进行采样，1:700,1

针对传统拼接技术对图像信息利用率不足的问题,提出一种基于图像与数据双层融合的高光谱图像拼接技术。对于图像层,采用尺度不变特征变换算法对图像进行特征提取,使用欧氏距离确定特征匹配范围,根据坐标转换关系对

讲述高光谱图像噪声的评估方法，数据降维的目的方法，并进行实例分析

主要用于检验遥感降维算法的性能!!! 在使用的过程中可以使用MATLAB直接load 即可。其中data中每行为一个数据，label为其对应的标签

霾监测是环境治理中的关键技术之一。目前地面观测站进行霾监测的耗费较大,基于多光谱遥感的霾识别精度较低。将深度学习用于高光谱遥感数据的霾监测,提出一种基于深度残差网络的高光谱霾监测方法,利用深度网络提取