为了提高高光谱成像数据的质量和分析效率，我们应用凸包方法选择关键像素和波长，以去除无用和冗余信息，从而减小计算压力并有效地消除高度混合的像素，从而提供基于证据的分拣决策，进而实现高效的废物管理。

Aug, 2023

本研究提出了针对文档图像的新型盲式高光谱图像去模糊方法，它利用高光谱图像的低秩属性和文本优化图像先验来进行 PSF 估计和去模糊。初步结果表明，该方法在所有光谱带上都可以得到良好的结果，成功地消除了模糊和噪声引起的图像伪影，并显著增加了可以用于进一步分析的波段数。

Mar, 2023

通过图像处理和深度学习技术，本文提出了一个能够提取和分析手稿文档与文本行高度、单词间距和字符大小相关的内在度量的框架。通过量化待比较文档的特征向量之间的欧几里德距离，可以辨别出作者身份。我们还提出了一个新的、具有挑战性的数据集，包括 124 个不同人物撰写的 362 个手写和数字设备上的手稿。实验结果表明，我们的方法能够在不同的写作媒介中客观地确定作者身份，并超越现有技术水平。

Oct, 2023

本文研究了 15 种降维方法在多光谱图像增强中的应用，通过主客观方法评估结果，发现 Matlab 实现的 CVA 方法优于其他方法。此外，本文还提出了一种用 C 编程语言实现的 CVA 方法，比较了 CVA 和 PCA 的计算时间和图像结果。

Dec, 2016

该研究论文提出了一种数据处理流水线，旨在从未知太空物体的高光谱特征中提取信息，通过单像素图像确定太空物体的物质组成，并使用基于机器学习和最小二乘匹配的技术对物质进行识别和分类，研究了在非理想情况下的物质分类方法的行为，并初步展示了太空物体的鉴定和分类的一些初步结果。

Aug, 2023

这篇论文开发了一种全自动的无监督处理工作流程，使用一种轻量级的自动编码器和高斯混合模型来对地质材料进行聚类，该工作流程称为 GyPSUM， 可以快速准确地聚类相似的地质材料并在实验室图像和遥感图像中一致地识别和分离主要的矿物类。

Jun, 2021

最近的研究尝试使用高光谱成像（HSI）来检测产品中的异物，因为它能够可视化包括紫外线和红外线在内的不可见波长。本文提出了一种新的特征选择方法，通过绕过传统的维度缩减方法，实现了更好的解释性和捕捉 HSI 的时间延迟问题，从而重新设计了一个任务优化和成本效益的光谱相机。通过对合成 MVTec AD 数据集进行广泛的实验证明，与特征提取方法相比，特征选择方法在推断阶段显示出 6.90 倍的更快速度，同时保持了异常检测的性能。最终，我们得出结论，特征选择方法具有高效且快速的优势。

Jan, 2024

本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

Feb, 2018

本研究生成实验室地面真实数据集，用于验证非线性解混和物质组成估计的高级方法，包括研究光谱变异性和训练监督解混方法。

Aug, 2023

该论文主要介绍了如何通过统计学习等方法，解决高光谱图像在分类方面所面临的信号处理问题，包括空间同质性、半监督学习中的曲面结构，不变性提取与编码等技术，同时给出了实例展示如何进行遥感图像分类。

Oct, 2013