常规支持向量机应用到高光谱图像分类中有较好的分类效果,但它对训练样本内部的噪声和孤立点特别敏感,在一定程度上影响了支持向量机的分类性能,针对该问题,引入了模糊支持向量机(FSVM),并且利用灰色关联分析代替模糊隶属度的求解,将这种基于灰色关联分析的模糊支持向量机与一对多算法相结合,解决了多类高光谱图像分类问题。HYDICE高光谱图像分类结果表明,噪声和孤立点训练样本对支持向量机的影响得到了有效地抑制,相比于常规支持向量机方法,分类精度得到了明显的提高。

HYDICE传感器Washington DC mall地区数据（含影像数据和真实地物信息matlab数据）

本资源是高光谱异常探测工作中使用较为频繁的两组数据集。分别是圣地亚哥机场数据，以及HYDICE数据集。均为mat格式，并包含真实异常分布图。

描述了一种基于光谱混合分析（SMA）技术的新颖算法，用于使用高空间分辨率多光谱（MS）图像增强高光谱（HS）图像的空间分辨率。 所提出的算法解决了实际的遥感情况，在这种情况下，观测到的高空间分辨率MS图像与估计的高空间分辨率HS图像之间的光谱关系是未知的。 基于由端成员表示的低空间分辨率高光谱图像的高光谱信息和由丰度表示的高空间分辨率多光谱图像的高空间信息，重构高分辨率高光谱图像。 结果，开发了SMA图，其中在MS和HS图像上依次执行分解过程。 传感器观测模型的空间扩展变换矩阵用于产生低空间分辨