基于HSI算法的图像融合，是一个matlab文件，功能函数，直接调用即可.

在用于极化SAR（POLSAR）图像的常规地形分类中，除非最近进行了一项监督工作，否则很少涉及颜色特征。 与这项工作不同，本文将颜色特征用于无监督分类。 首先，基于POLSAR数据的极化分解，计算常见的色彩空间，例如RGB，HSI和CIELab。 通过引入颜色熵从这些颜色空间中定量选择颜色特征。 然后，结合空间信息，扩展的散射功率熵和同极化比率，使用自适应均值漂移算法对POLSAR图像进行分割。 最后，根据Wishart距离测量将这些段合并。 使用AIRSAR L波段POLSAR数据进行的实验表

提出了一种基于EMAPs和SMLR的高光谱图像分类方法。 首先，我们采用EMAPs（扩展形态学多属性谱）算法有效地提取了HSI的空间信息，并结合光谱信息形成了空间光谱特征融合模型。 EMAP可以用多个属性结构替换简单的结构元素，并对其进行级联以获得多个结构的属性特征。 然后，我们利用SMLR（稀疏多项式逻辑回归）进行HSI分类。 SMLR适用于高维和大数据集。 采用基于MLR的多分类器，并采用快速算法学习稀疏的多分类器。 与HSI实验中的其他方法相比，我们的方法提供了出色的结果。

在传统的火焰检测算法中,火焰前景提取容易出现火焰轮廓不完整和抗干扰性较差的情况。为此,融合红/绿/蓝(RGB)、色调/饱和度/亮度(HSI)和最大类间方差法(Otsu)提出一种新的火焰前景提取算法,利用双颜色空间融合的算法能够提取较完整的火焰轮廓,使火焰轮廓所受干扰影响程度尽量小。获得前景图像后用灰度共生矩阵提取纹理特征,在YCbCr颜色空间中提取颜色特征,用于最终的火焰判断。同时提出一种改进的概率神经网络(PNN),将传统PNN中单一固定值的平滑因子改进为多变量参数,用条件期望最大化(ECM)