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。

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。

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。

高光谱图像分类，利用CNN，里面有全套的流程，包括数据处理，样本生成，测试，精度评价。

分类代码示例（C4.5、libsvm)，帮助理解高光谱遥感图像的分类。

基于三维卷积自动编码器的高光谱分类无监督空间光谱特征学习 通过，，，张治，，。 拟议框架 介绍 与传统的手工特征提取算法相比，使用深度神经网络（DNN）的特征学习技术表现出卓越的性能。 但是，DNN通常需要大量的训练样本来学习有效的特征，而在高光谱图像中很难获得有效的特征。 因此，在本文中，提出了一种使用三维卷积自动编码器（3D-CAE）的无监督空间光谱特征学习策略。 提出的3D-CAE仅包含3D或元素操作，例如3D卷积，3D池化和3D批处理归一化，以最大程度地探索空间光谱结构信息以进行特征提取。 还设计了一个配套的3D卷积解码器网络来重建输入模式，通过该模式，可以训练网络中涉及的所有参数而无需标记训练样本。 在多个基准高光谱数据集上的实验结果表明，我们提出的3D-CAE在提取空间光谱特征方面非常有效，不仅在传统的非监督特征提取算法方面表现出色，而且在分类应用中也优于许多监督特征提取算

使用tensorflow框架对高光谱图像进行识别、分类

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。

高光谱分类knn matlab代码FNGBS 这是用于高光谱波段选择的快速邻域分组方法的实现。 数据集 四个公共数据集，即 、 、 、 和 ，被用来验证所提出的 FNGBS 的有效性。 要求 MATLAB、libsvm、cruve拟合工具 执行 关于 FNGBS 算法，要运行代码，请执行 'main.m'。 对于获得的推荐频段，我们需要进行'main_recomBand.m'。 结果 为了定性地测量所提出的 FNGBS，KNN 和 SVM 分类器被用来验证算法的有效性。 推荐频段比较： 分类性能比较： 计算时间比较 数据集 E-FDPC 瓦卢迪 SNNC 到F FNGBS (1%) FNGBS (100%) 印度松树（6 段） 0.121 7.430 0.4411 0.4165 0.2542 0.2995 博茨瓦纳 (8 乐队) 0.661 99.281 3.738 1.843 0.892 3.442 帕维亚大学（13个乐队） 0.282 27.930 1.201 0.925 0.336 1.421 萨利纳斯 (6 乐队) 0.381 40.382 1.61 1.276 0.465 1

此内容包含高光谱遥感领域内 深度学习众多代码，包括1DCNN，2DCNN，3DCNN，等等各种神经网络模型代码，可以运行。欢迎大家相互学习！！！