下载文档原格式
高光谱遥感图像分类方法综述张蓓（长安大学理学院陕西·西安710064）摘要高光谱遥感技术已经成为遥感技术的前沿领域，受到国内外的广泛关注。
而地物目标分类是高光谱数据处理的一个基本内容。
文中列举了一些高光谱遥感图像的分类方法，并对每种方法作简要介绍。
关键词高光谱遥感图像处理分类中图分类号：TP751文献标识码：A1高光谱遥感的简介高光谱遥感技术是上世纪80年代发展起来的一种新兴的遥感技术，高光谱遥感利用很多窄的电磁波段（通常波段的宽度小于10nm）从感兴趣的物体中获取图像数据，一般它是在电磁波谱的可见光，近红外，中红外和热红外波段范围内，设置了几十甚至几百个连续波段，其光谱分辨率可高达纳米（nm）数量级。
由于许多地表物质的吸收特性仅表现在20~40nm的光谱分辨率范围内，高光谱遥感图像可以识别在宽波段遥感中不可探测的物质。
现在，遥感应用领域也更加拓宽，涉及全球环境，土地利用，资源调查，自然灾害，以及星际探测等方面。
遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
2高光谱遥感图像的分类方法依据是否使用类别的先验知识，可分为监督分类和非监督分类。
2.1非监督分类非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类；其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性；其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查数据相比较后确定的。
非监督分类主要的方法有K-均值聚类，ISODATA分类等。
K均值分类方法属于动态聚类法,其假定被用来表示样本空间的聚类中心的个数是预先知道的,这种假定本身在某种程度上限制了这一类方法的利用,它使聚类域中所有样本到聚类中心的距离平方和最小，这是在误差平方和准则的基础上得到的。
K均值分类方法简便易行。
高光谱遥感图像中的特征提取与分类算法优化高光谱遥感图像是一种获取地面物体反射光谱信息的重要数据源。
在资源环境监测、农业生产、城市规划等领域，高光谱遥感图像的特征提取与分类算法优化具有重要意义。
本文将重点探讨高光谱遥感图像中的特征提取与分类算法优化的方法和技术。
一、高光谱遥感图像的特征提取方法在高光谱遥感图像中，每个像素点包含多个波段的光谱信息，因此特征提取主要是从光谱、空间和纹理等多个方面进行。
以下介绍几种常用的特征提取方法：1. 光谱特征提取：光谱特征提取是指通过分析各个波段的光谱反射率，获取区分不同地物的特征。
常用的方法有平均光谱曲线、光谱强度、光谱比值等。
可以利用统计学方法或者光谱分解等技术进行光谱特征提取。
2. 空间特征提取：空间特征提取是指通过分析高光谱图像像素点之间的空间关系，提取地物的空间分布特征。
常用的方法有纹理特征、空间模式指数等。
可以利用滤波器、卷积操作、灰度共生矩阵等技术进行空间特征提取。
3. 纹理特征提取：纹理特征提取是指通过分析高光谱图像中地物表面纹理的特征，提取地物的纹理信息。
常用的方法有灰度共生矩阵、小波变换、局部二值模式等。
可以通过计算纹理特征的统计值或者采用机器学习方法进行纹理特征提取。
以上是高光谱遥感图像中常用的特征提取方法，通过综合运用各种方法，可以获得更多的特征信息，提高特征提取的准确度和鲁棒性。
二、高光谱遥感图像的分类算法优化高光谱遥感图像分类是指将图像中的每个像素点划分到不同类别中，以实现对地物的识别和分类。
分类算法的优化可以提高分类的准确性和效率。
以下介绍几种常用的优化算法：1. 监督分类算法优化：监督分类算法是指在训练样本的基础上，通过对特征进行提取和选择，利用统计学或模型建立分类器，实现对遥感图像进行分类。
常用的监督分类算法有支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。
通过优化特征选择、样本分布策略和分类器参数等方面，可以提高分类的准确性。
高光谱遥感影像分类方法
1、基于像素的分类：这种分类方法是针对每个像素进行分类，将像素的光谱信息作为输入特征，然后利用各种分类算法对像素进行分类。
常见的分类算法包括支持向量机、随机森林和神经网络等。
2、基于对象的分类：这种分类方法是先将高光谱图像中的目标或区域进行分割，然后提取分割后的区域或目标的特征信息进行分类。
基于对象的分类方法可以利用目标或区域的空间信息，提高分类精度和鲁棒性。
常见的基于对象的分类方法包括基于支持向量机（SVM）的目标分类方法、基于图论的目标分类方法和深度学习方法等。
高光谱遥感数据的分类与分析研究高光谱遥感是利用遥感技术获取地球表面光谱信息的一种方法。
相比传统的遥感图像，高光谱图像包含大量的波段信息，能够更详细地反映地物的光谱特征。
因此，在农业、林业、环境等领域中都有着广泛应用。
然而，高光谱图像数据的单个像元(spectral pixel)往往包含大量信息，需要对其进行分类与分析，以便更好地理解和利用数据。
本文将从数据预处理、特征提取及分类算法等方面进行探讨。
一、数据预处理高光谱遥感图像获取不易，数据来源也多种多样，因此其数据质量的影响也难以避免。
常见的高光谱图像预处理方法包括图像增强、谱带选择和噪声去除等。
其中，图像增强可以利用类似直方图均衡化的方法，使图像对比度更高，便于观察和处理；谱带选择则是针对图像中一个区域的不同波段信息不同的情况，选择最优波段进行分析；噪声去除则是利用相邻像元之间的相关性来消除噪声的影响，提高数据质量。
二、特征提取高光谱图像中的像元包含大量信息，如何提取其中的特征并描述其各自所代表的地物类型是分类的第一步。
常见的特征提取方法包括传统的像元反射率(spectral reflectance)、指数特征(index feature)和主成分分析(principal component analysis, PCA)等。
其中，像元反射率描述了不同波段下地物的表面反射率特征，但由于单个波段反射率上下界的存在，其描述能力受到限制。
指数特征则将多个波段特征汇总成一个指数值，虽然降低了特征维度，但是对于某些地物类型特征不明显的情况下，其分类效果有限。
PCA则是通过线性代数的方法将原始数据映射至一个低纬度空间中，使数据间相关性最小化，从而提取具有大量信息的新特征，具有较好地分类效果。
三、分类算法特征提取之后，需要进行分类算法的选择。
目前常见的分类算法包括支持向量机(support vector machine, SVM)、随机森林(random forest)、人工神经网络(artificial neural network, ANN)等。
《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。
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。
高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。
其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。
在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。
由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。
在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。
因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。
一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。
特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。
常用的特征提取方法包括如下几种。
1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。
在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。
这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。
2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。
在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。
这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。
3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。
在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。
高光谱图像分类技术研究及其应用高光谱图像分类技术是一种利用高光谱数据进行自动分类的方法。
随着遥感技术的发展和高光谱数据获取手段的日益完善，高光谱图像分类技术成为了遥感数据处理领域的热点研究方向。
本文将从高光谱图像的概念入手，介绍高光谱图像分类技术的基本原理和方法，并探讨其在农业、环境、地质勘探等领域的应用情况。
一、高光谱图像概念高光谱是指光谱带宽小于5纳米的可见和近红外波段范围内的光谱数据。
高光谱图像就是在一定范围内获取物体表面反射光谱数据的图像。
高光谱图像包含了物体表面的光谱信息，可以通过分析反射光谱数据来识别和分类不同物质。
与传统彩色图像相比，高光谱图像具有更高的信息量和更强的识别能力，因此在农业、环境、地质勘探等领域得到了广泛应用。
二、高光谱图像分类技术原理高光谱图像分类是一种利用计算机算法自动对高光谱图像进行分类的技术。
其基本原理是：将高光谱图像中的每一个像素点看作是一个高维度的光谱向量，通过对这些向量进行聚类或分类，得到图像中各个物体的空间分布和数量信息。
高光谱图像分类技术通常包含以下步骤：1、光谱预处理对高光谱图像的光谱数据进行预处理，包括光谱重采样、波段处理、噪声去除等操作，将光谱数据转化为更易于处理和分析的形式。
2、特征提取从高光谱图像中提取更有代表性的特征，用于分类器的训练和分类任务中。
常用的特征提取方法包括主成分分析（PCA）、线性判别分析（LDA）、小波变换等。
3、分类器设计设计一个分类器，将特征向量映射到类别标签上，从而实现高光谱图像分类。
常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）、决策树等。
4、分类结果评估对分类结果进行评估，包括分类精度、召回率、准确率、F1值等指标。
三、高光谱图像分类技术应用高光谱图像分类技术具有广泛的应用前景，下面介绍其在农业、环境和地质勘探等领域的应用情况。
1、农业领域高光谱图像分类技术可以应用于农业领域，用于实现农作物的分类和监测。
《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。
