程序用于自动生成NIR-Red二维光谱特征空间散点图，并通过人机交互获得土壤、植被等端元信息。 输入：Red、NIR波段遥感图像（tif格式）；土壤线截距与斜率 输出：NIR-Red二维光谱特征空间散点图 交互：在散点图上点击端元获得对应Red、NIR波段信息 利用NIR/Red图像自动提取土壤线及解算端元信息的V2.0程序即将发布，敬请期待。

支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

基于MNIST样式的自动编码器 （AAE）模型，可在高斯分布多元变量上对MNIST图像的样式信息进行编码。 这里使用的模型是从在第4所讨论的一个（监督对抗性自动编码）略有不同。 在本文中，仅解码器具有指示数字的标签。 鉴于此，我们还为编码器提供了标签。 路线图 简单的自动编码器 可视化潜在特征空间（样式空间）的脚本。 对抗式自动编码器，可将样式空间调整为高斯分布。 一个脚本，用于从随机样式矢量生成所有数字的图像。 设置 $ python3 -m venv pyenv $ source pyenv/bin/activate $ pip3 install -r requirements.txt 用法 $ ./mnist-sae.py --help usage: mnist-sae.py [-h] [--batch-size B] [--epochs E] [--lr LR]

软件介绍: 很专业的一个ENVI扩展插件，my2dscatter.sav是绘制二维光谱特征空间必备的一款ENVI插件，能够用于如提取土壤线等用途，安装方法：解压后直接复制到ENVI安装目录下的save_add文件夹下即可，在image窗口的Tools菜单下即可看到多出一项“My2DScatter”的子菜单，该工具要求输入的影像有效值范围归一化至0-1，选择波段的时候必须双击，给出土壤线的参数是，是给出了直线上两个点的坐标。推荐在ENVI4.8版本下使用。

针对基于特征空间(Eigen Space-Based Algorithm)的自适应波束形成算法在小信号条件下会出现的主瓣偏移，波束畸变，输出性能急剧下降的现象，提出了一种投影子空间重构的方法。该方法利用噪声在时间上不相关的特性，对投影空间进行重构，在此过程中削弱噪声能量，从而有效维持信号、噪声子空间的正交性，改善了传统EBS算法在低信噪比下的性能。实际计算机仿真结果表明了本文算法的有效性和优越性。

对特征空间进行可视化，包括二维和3维的，写论文可能会用到

纹理分割的matlab代码，包括测试图片，和cvpr论文一篇。供学习纹理分割的人参考。

绘制二维光谱特征空间（如提取土壤线）的ENVI插件，直接复制到ENVI安装目录下的save_add文件夹下，在image窗口的Tools菜单下即可看到多出一项“My2DScatter”的子菜单，该工具要求输入的影像有效值范围归一化至0-1，选择波段的时候必须双击，给出土壤线的参数是，是给出了直线上两个点的坐标。另外推荐在ENVI4.8下使用。

C#语言、VS2005，包括Hough变换、阈值法、特征空间聚类法、松弛迭代法