光谱和图像是人们观察世界的两种方式，高光谱遥感通过“图谱合一”的技术创新将两者结合起来，大大提高了人们对客观世界的认知能力，本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。以高光谱遥感为核心，构建大范围、快速、远程、定量探测技术，已在矿物填图、土壤质量参数评估、植被、农作物生长状态监测等领域取得了突出的成果，而在药品、食物、环境等领域也显示了不可估量的应用潜力。高光谱技术可以在不同空间尺度上，快速获取目标定量信息。这些能力越来越引起学术界、工业界的重视。那么如何深刻理解高光谱技术的机理？如何高效处理好高光谱数据？如何针对具体领域建立切实可行的高光谱技术应用解决方案？本课程将提供一套基于MATLAB编程工具的方法和案例。
为什么选择MATLAB? MATLAB是美国MathWorks公司在20世纪80年代中期推出的数学软件，优秀的数值计算能力和卓越的数据可视化能力使其很快在数学软件中脱颖而出。到目前为止，已经进化到2022版本。随着版本的不断升级，它在图像处理上得到了进一步完善，并且在2020版本上增加了高光谱处理的工具箱。实际上，这个课程不是要教大家如何用MATLAB去编程，大多数使用MATLAB的人并不是程序员，也不想成为程序员。课程将MATLAB视为进行高光谱技术研究的环境，因为MATLAB具有一些你必须学习它的优势。比如：符号简单而强大，实现快速且值得信赖，非常擅长生成图和其他交互式任务。有很多带有良好代码的“工具箱”可以很好地完成特定任务，有大量共享数字代码的用户社区。
阅读全文点击:《Matlab在高光谱遥感中的作用：从数据处理到决策支持》
目录
第一章、理论基础
.1、高光谱遥感
高光谱遥感是什么？—高光谱遥感基本概念；
高光谱遥感的三个特点—光谱分辨率高、光谱通道连续、光谱成像；
高光谱遥感为什么有用？—高光谱遥感产生动机和过程，基于cite space的高光谱技术热点分析。
2、高光谱遥感成像与数据处理
数字魔方游戏—高光谱成像机理与成像光谱仪；
谈反射率数据实际上是谈什么？—高光谱遥感数据类型、参数、元数据数据预处理（辐射校正、大气校正）；
高光谱为什么要降维？—光谱特征提取，主成分分析（PCA）、最小噪声分离（MNF）。
3、高光谱遥感图像分类与混合像元分解
高光谱遥感图像分类与识别，监督分类与非监督分类。
无处不混合—混合光谱形成、物理机理；
线性与非线性模型—混合像元分解模型，线性光谱混合物理、数学模型，Hapke非线性模型。
第二章、Matlab开发基础
1、matlab软件介绍及安装、常用功能介绍
matlab版本介绍，安装；
Matlab软件界面，常用功能介绍；
过去踩过的那些坑—常见错误和使用注意，路径问题等
2、Matlab高光谱图像处理框架
Matlab高光谱图像处理框架组织与分析；
APP—高光谱查看器的使用介绍。主要界面，波段选择，波段组合图像显示和光谱可视化；
数据读写可视化、增强、校正、降维、光谱解混、光谱匹配等六组函数；
数据预处理（辐射校正、大气校正）Matlab模块介绍及解析。
3、Matlab精选案例及解析
高光谱遥感图像分类案例介绍及解析，SAM图像分类；
高光谱遥感图像解混案例介绍及解析，HFC、N-FINDR、spectralMatch、SID等程序。
第三章、Matlab高光谱数据处理技术
1、高光谱成像数据处理及matlab实现
GF-5、资源02D卫星高光谱图像数据读取可视化（APP、函数）
2D\3D高光谱数据矩阵变换（函数）
2、地面波谱测量数据处理及matlab实现
便携式地物光谱仪（asd），数据读取，可视化（函数）
反射率因子数据计算（函数）
光谱曲线显示可视化（函数）
3、高光谱数据回归定量分析及matlab实现
高光谱回归分析数据整理（函数）
回归学习器，随机森林、线性、支持向量机等（APP、函数）
回归分析结果、误差分析可视化。（APP、函数）
第四章、Matlab混合像元分解技术
1、高光谱端元数量评估及matlab实现
Harsanyi-Farrand-Chang（NWHFC）噪声白化方法、Hysime高光谱数据的程序实现。
Hysime端元数量评估方法代码解析。
2、端元光谱提取及matlab实现
采用PPI、VCA等方法对高光谱数据的端元光谱进行提取。
VCA端元光谱提取的代码解析。
3、端元含量评估及matlab实现
采用最小二乘、稀疏运算等方法对高光谱数据的端元含量进行评估。
最小二乘端元含量评估方法代码解析
第五章、典型案例操作实践
1.矿物填图案例：以甘肃某地区为例，采用资源02E数据进行绢云母、绿泥石等蚀变矿物信息提取和定量评估。涉及研究区高光谱影像读取、评估矿物种类数目、提取矿物端元光谱、利用光谱库进行识别、评估矿物含量、数据处理、矿物图可视化、结果输出等。
2.木材含水量算法案例：采用回归学习器对森林木材样品数据含水量进行定量分析，涉及高光谱数据读取、写入、高光谱回归分析数据整理，回归学习器，随机森林、线性、支持向量机等含水量评估、误差分析可视化。回归分析结果可视化、结果输出等。
3.土壤质量评估案例：基于航空高光谱、地面波谱测试数据对土壤质量参数进行评估，涉及航空、地面高光谱土壤调查方案设计、高光谱数据的预处理整体，土壤质量参数建模，结果可视化等。
