《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
1、地面光谱测量的作用： ①地面光谱辐射计在成像光谱仪过顶时，常用于地面野外或实验室同步观测，获取下 行太阳辐射，以用于遥感器定标。 ②在一些反射率转换模型中，需要引入地面光谱辐射计测取得地面点光谱来完成 DN 值图像到反射率图像的转换。 ③地面光谱辐射计可以为图像识别获取目标光谱和建立特征项。但是，这时地面光谱 测量要在空间尺度上与图像像元尺度相对应，且要具有代表性；另外，地面光谱测 量要与高光谱图像获取条件相一致。 ④通过地面光谱辐射计测量数据和地面模拟，可以帮助人们了解某一地物被高光谱遥 感探测的可能性，理解其辐射特性，确定需要采用的探测波长、光谱分辨率、探测 空间分辨率、信噪比、最佳遥感探测时间等重要参数。 ⑤地面光谱辐射计还可以勇于地面地质填图。它可以用于矿物的光谱吸收特征，识别 地面矿物或矿物的集合，从而直接完成野外矿物填图。 ⑥可以用来建立地物的表面方向性光谱反射特性。 ⑦建立目标地面光谱数据与目标特性间的定量关系。 2、高光谱成像特点： ①高光谱分辨率。高光谱成像光谱仪能获得整个可见光、近红外、短波红外、热红外 波段的多而窄的连续光谱，波段多至几十甚至数百个，其分辨率可以达到纳米级， 由于分辨率高，数十、数百个光谱图像可以获得影像中每个像元的精细光谱。 ②图谱合一。高光谱遥感获取的地表图像包含了地物丰富的空间、辐射和光谱三重信 息，这些信息表现了地物空间分布的影像特征，同时也可能以其中某一像元或像元 组为目标获得他们的辐射强度以及光谱特征。 ③光谱波段多，在某一光谱段范围内连续成像。成像光谱仪连续测量相邻地物的光谱 信号，可以转化城光谱反射曲线，真实地记录了入射光被物体所反射回来的能量百 分比随波长的变化规律。不同物质间这种千差万别的光谱特征和形态也正是利用高 光谱遥感技术实现地物精细探测的应用基础。 3、高光谱遥感图像数据表达： ①图像立方体——成像光谱信息集。 ②二维光谱信息表达——光谱曲线。 ③三维光谱信息表达——光谱曲线图。（书本44页） 4、成像光谱仪的空间成像方式： （1）摆扫型成像光谱仪。摆扫型成像光谱仪由光机左右摆扫和飞行平台向前运动完成二维空间成像，其线列探测器完成每个瞬时视场像元的光谱维获取。扫描镜对地左右平行扫描成像，即扫描的运动方向与遥感平台运动方向垂直。其优点：可以得到很大的总视场，像元配准好，不同波段任何时候都凝视同一像元；在每个光谱波段只有一个探测元件需要定标，增强了数据的稳定性；由于是进入物镜后再分光，一台仪器的光谱波段范围可以做的很宽，比如可见光一直到热红外波段。其不足之处是：由于采用光机扫描，每个像元的凝视时间相对就很短，要进一步提高光谱和空间分辨率以及信噪比比较困难。 （2）推扫型成像光谱仪。是采用一个垂直于运动方向的面阵探测器，在飞行平台向前运动中完成二维空间扫描，它的空间扫描方向是遥感平台运动方向。其优点是：像元的凝视
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统
高光谱遥感及其发展与应用综述 摘要：高光谱遥感是20世纪80年代兴起的新型对地观测技术。文中归纳了高光谱遥感技术波段多、波段宽度窄，光谱分辨率高，数据量大、信息冗余，“图谱合一”等特点，具有近似连续的地物光谱信息、地表覆盖的识别能力极大提高、地形要素分类识别方法灵活多样、地形要素的定量或半定量分类识别成为可能等优势，简单介绍了高光谱遥感在国外及国内的发展情况。在此基础上，概述了高光谱遥感在地质矿产、植被生态、大气科学、海洋、农业等领域的应用。 关键词：高光谱遥感；发展；应用 1高光谱遥感 高光谱分辨率遥感是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。它的基础是测谱学。测谱学早在20世纪初就被用于识别分子和原子及其结构，20世纪80年代才开始建立成像光谱学。它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个象元提供数十至数百个窄波段光谱信息，能产生一条完整而连续的光谱曲线。 1.1高光谱遥感的特点 （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。 （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。（4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2高光谱的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势: (1)蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建，能获取
https://www.doczj.com/doc/4d16859355.html, 中国科技论文在线高光谱遥感影像的光谱匹配算法研究 蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感 通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt@https://www.doczj.com/doc/4d16859355.html, （1. 中国矿业大学环境与测绘学院，江苏徐州 221008； 2. 江苏煤炭地质勘探四队，南京 210046） 摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C++平台实现了最小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。 关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码 中图分类号：TP751 The Study on the Spectral Matching Technique of hyperspectral romote sensing Cai Yan1, Mei Ling2 (1. School Of Environment Science and Spatial Informatics China University of Mining and Technology, JiangSu XuZhou 221008;
2. JiangSu Geological Prospecting Team Four, NanJing 210046 Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes. Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding 0 引言 高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱 维上进行图像信息的展开和定量分析。 高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小 距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。
高光谱遥感影像分类算法——SVM 1高光谱遥感简介 20 世纪 80 年代以来，遥感技术的最大成就之一就是高光谱遥感技术的兴起[1]。高光谱遥感技术又称成像光谱遥感技术，始于成像光谱仪的研究[2]。所谓高光谱遥感(Hyperspectral Remote Sensing)通俗地说就是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据的方法。高光谱遥感的最大特点是，在获得目标地物二维空间影像信息的同时，还可以获得高分辨率的可表征其地物物理属性的光谱信息，即人们常说的具有“图谱合一”的特性。可见，与全色、彩色和多光谱等图像数据相比，高光谱影像革命性地把地物的光谱反射信息、空间信息和地物间的几何关系结合在了一起[3]。因此，可以很客观地说，高光谱遥感是代表遥感最新成就的新型技术之一，同时也是目前国内外学者，特别是遥感领域的学者的研究热点之一[4-5]。 2高光谱遥感研究背景 在以美国为代表的成像光谱仪研制成功，并获得高光谱影像数据后，高光谱遥感影像由于其蕴含了丰富的信息（包括地物的空间位置、结构以及光谱特性等信息）使得人们对地物的识别有了显著的提高，并且在许多方面和领域（比如，农业、林业、地质勘探与调查和军事等）都体现出了潜在的巨大应用价值[6]。虽然高光谱影像数据的确为我们的提供了丰富的对地观测信息，但也正是因为高光谱庞大的数据量和高维数的问题使得我们目前对高光谱数据的处理能力显得较为低效，而这也在一定程度上制约了高光谱数据在现实生产和生活的广泛应用与推广[7-8]。因此，为了响应人们对高光谱影像数据处理方法所提出的新的迫切要求，也为了充分利用高光谱数据所包含的丰富信息以最大程度地发挥高光谱的应用价值，我们必须针对高光谱数据的独有特点，在以往遥感图像数据处理技术的基础上，进一步改善和发展高光谱遥感影像处理分析的方法与技术。 3高光谱遥感分类研究 3.1分类的意义 分类是人类了解和认识世界的不可或缺的基本手段。人类的日常生活和生产实践都离不开，也不可能离开分类活动。面对海量数据，人类需要借助计算机来对自身感兴趣的数据进行自动、高效和准确地分类。这一迫切需求已体现在各个
实验报告 姓名专业：学号日期：2015 年12 月22 日 课程名称：高光谱遥感指导教师（学生填写）： 成绩：教师签名： 一、实验项目：高光谱遥感图像的分类 二、实验类型（√选）：0演示实验；1验证实验；2综合实验；3设计性实验；4创新实验 三、实验目的：利用ENVI软件实现高光谱遥感图像的分类 四、实验准备：电脑一台，ENVI Classic软件，HSI数据 五、实验简要操作步骤及结果： 1、EFFORT Folishing处理。 本次实验所用HIS数据是进行了大气校正等处理后的数据，由于数据光谱曲线呈明显的锯齿状。所以先利用EFFORT Folishing工具进行处理。 1）选择Spectral->EFFORT Folishing 2）出现“Select EFFORT Input File”对话框，选择数据，点击OK。 3）出现“EFFORT Input Parameters”窗口，进行目标的选择以及参数的设置。
处理完成后生成数据Memory1 4）将处理前后同一像元的光谱曲线进行比较
处理前光谱曲线处理后光谱曲线 可以明显看出，经过EFFORT Folishing处理后的数据，其波谱曲线比较平缓，明显的锯齿状消失。 2、Spectral Angle Mapper 光谱角填图 光谱角填图是一种监督分类技术。该算法是将图像波谱直接同参考波谱匹配的一种交互式分类方法，是一种比较图像波谱与地物波谱或波谱库中地物波谱的自动分类方法。 定义示意图
计算公式 1)选择Spectral->Mapping Methods->Spectral Angle Mapper. 2)选择Memory1数据进行处理。出现Endmember Collection:Sam窗口。 3）在#3窗口选择Overlay->Region of Interest.用Zoom视野在图像上选择感兴趣区域（明显的地物类型区域）
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2017, 6(1), 31-39 Published Online February 2017 in Hans. https://www.doczj.com/doc/4d16859355.html,/journal/airr https://https://www.doczj.com/doc/4d16859355.html,/10.12677/airr.2017.61005 文章引用: 袁林, 胡少兴, 张爱武, 柴沙陀, 王兴. 基于深度学习的高光谱图像分类方法[J]. 人工智能与机器人研究, A Classification Method for Hyperspectral Imagery Based on Deep Learning Lin Yuan 1, Shaoxing Hu 1, Aiwu Zhang 2, Shatuo Chai 3, Xing Wang 3 1School of Mechanical Engineering and Automation, Beihang University, Beijing 2 Colledge of Resource Environment and Tourism, Capital Normal University, Beijing 3 Animal husbandry and Veterinary Hospital of Qinghai University, Xining Qinghai Received: Feb. 3rd , 2017; accepted: Feb. 18th , 2017; published: Feb. 24th , 2017 Abstract Remote sensing hyperspectral imaging can obtain abundant spectral information, which provides the possibility for the analysis of high precision terrain. The hyperspectral image has the charac-teristics of “map in one”, and the full use of spectral information and spatial information in hy- perspectral image is the premise of obtaining accurate classification results. Deep learning stack machine model in automatic encoding (Stack Auto-Encoder SAE) can effectively extract data in nonlinear information, and convolutional neural network (Convolutional Neural Network, CNN) can automatically extract features from the image. Based on this, this paper presents a classifica-tion method of hyperspectral images based on deep learning. Firstly, the spectral dimension of the hyperspectral data is reduced using automatic encoding machine, then convolutional neural net-work is used as the classifier, and the pixel and its neighborhood pixels are classified together as the input of the classifier, so as to realize the hyperspectral image classification with spectral space. Keywords Hyperspectral, Image Classification, Depth Learning, Automatic Coding Machine, Convolutional Neural Network 基于深度学习的高光谱图像分类方法 袁 林1，胡少兴1，张爱武2，柴沙陀3，王 兴3 1北京航空航天大学机械工程及自动化学院，北京 2 首都师范大学资源环境与旅游学院，北京 3 青海大学畜牧兽医院，青海 西宁 收稿日期：2017年2月3日；录用日期：2017年2月18日；发布日期：2017年2月24日
第36卷第3期2011年3月武汉大学学报 信息科学版 Geo matics and Info rmat ion Science of W uhan U niver sity V ol.36N o.3M ar ch 2011 收稿日期:2011 01 27。 项目来源:国家自然科学基金资助项目(40901234);中国科学院知识创新工程青年人才领域前沿项目专项资助项目 (O8S01100CX)。 文章编号:1671 8860(2011)03 0306 05文献标志码:A 利用SVM CRF 进行高光谱遥感数据分类 李祖传 1,2 马建文1 张 睿 2,3 李利伟 1 (1 中国科学院对地观测与数字地球科学中心,北京市中关村北一条9号,100190) (2 中国科学院研究生院,北京市玉泉路甲19号,100049)(3 中国科学院遥感应用研究所,北京市大屯路甲20号,100101) 摘 要:提出了一种改进的随机场模型SV M CRF ,它以支持向量机作为条件随机场的一阶势能项,结合了支持向量机和条件随机场的优点。采用A V IRIS 高光谱遥感数据进行实验,对SV M CRF 模型进行了分析,结果表明,在分类精度上SV M CRF 优于支持向量机和传统条件随机场模型。关键词:支持向量机;条件随机场;高光谱数据中图法分类号:P237.4;T P753 高光谱遥感数据包含丰富的光谱信息,能够对目标进行精细分类。传统的基于像元的高光谱遥感数据分类方法,如支持向量机(support v ec tor machine,SVM )[1],假定数据是独立同分布的[2,3]。但是,遥感数据,特别是高光谱遥感数据,在类别和观测数据上存在很强的相关性,即所谓的上下文信息,不满足独立同分布的假设[4,5] 。同时,如果能有效利用这些上下文信息,可以有效地提高分类精度。 马尔柯夫随机场(Markov random fields,MRF)是传统的描述上下文信息的概率模型,它认为类别的分布满足Gibbs 分布 [6] 。但是,基于 计算可行性考虑,M RF 假定观测数据是条件独立的。对于遥感数据而言,相邻像素之间的观测数据并不独立,存在很强的相关性,特别是高光谱遥感数据。因此,对于遥感数据而言,MRF 条件独立的假设太强。为了解决这个问题,一种新的概率模型 条件随机场(conditio nal random fields,CRF)得到了越来越多的关注[7 10] 。CRF 是一种判别式概率模型,直接把后验概率建模为Gibbs 分布,放宽了M RF 的条件。但是,传统CRF 模型定义的简单一阶势能项(特征的简单线性组合),不适合高光谱遥感数据分类。首先,由于高光谱数据维度很高而且样本有限,因此,传统 CRF 模型对!维度灾难?问题敏感。此外,高光谱遥感数据特征空间极其复杂,一般线性不可分,通过简单的一阶势能项不能得到理想分类结果[11]。针对这些问题,本文提出了一种改进的适用于高光谱遥感数据分类的随机场模型 支持向量机条件随机场(support v ector m achine co nditional random field,SVM CRF)。 1 S VM C RF SVM 是一种基于结构风险最小的小样本统计学习方法,非常适合于高光谱遥感数据分类。因此,SVM CRF 采用SVM 作为一阶势能项,采用CRF 的方法描述上下文信息。因此,SVM CRF 结合了SVM 和CRF 的优点。根据CRF 的定义,SVM CRF 的定义为: P (y |x )=1Z exp { #i ?S SP i (y i ,x i )+ #i ?S #j ? i I ij (y i ,y j ,x ,v)} (1) 式中,SP i (y i ,x i )表示点i 只考虑当前观测值的后验概率。 SVM 是一种判别式分类器,最终的输出结果不带后验概率。但是,可以通过组合所有的二类