7 高光谱遥感图像分类

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。

高光谱遥感图像分类准确度分析与评估算法改进摘要：随着遥感技术的发展和高光谱遥感图像数据的广泛应用，图像分类准确度成为评估遥感图像处理算法优劣的重要指标之一。

本文通过分析目前常用的高光谱遥感图像分类算法，发现存在一些问题，例如对于光谱特征提取不准确、样本分布不均衡、特征选择不合理等。

因此，本文提出了几种改进的算法，包括基于深度学习的特征提取和分类、模型融合方法等，以提高高光谱遥感图像分类的准确度。

1. 引言高光谱遥感图像是利用能够接收地物反射或辐射的多个波段信息进行图像获取和解译的一种遥感数据。

由于其具有更多的波段信息和更高的光谱分辨率，高光谱图像能够提供更多的地物属性信息，因此在农业、环境监测、城市规划等领域具有广泛的应用前景。

而高光谱遥感图像的分类准确度，则直接关系到地物分类的精度和应用效果。

2. 目前高光谱遥感图像分类算法存在的问题2.1 光谱特征提取不准确对高光谱遥感图像进行分类，首先需要提取有意义的光谱特征。

目前常用的方法有基于PCA（主成份分析）、SAM（光谱角度匹配）等。

然而，这些方法在提取光谱特征时，容易由于数据噪声、信噪比低等原因导致提取结果不准确，从而影响图像分类的准确度。

2.2 样本分布不均衡高光谱遥感图像分类中，不同类别的样本数量通常是不均衡的。

样本分布不均衡会导致训练的模型对多数类别的分类准确度较高，而对少数类别的分类准确度较低。

这样会影响整体分类的准确度。

2.3 特征选择不合理在高光谱图像分类中，特征选择对分类的准确度起着重要的作用。

目前常用的特征选择方法有相关系数法、信息增益法等。

然而，这些方法在选择特征时，往往无法准确地评估特征与类别之间的关联程度，导致选取的特征不一定是最具代表性和区分性的。

3. 高光谱遥感图像分类准确度分析与评估算法改进3.1 基于深度学习的特征提取和分类深度学习在计算机视觉领域取得了巨大成功，对于高光谱遥感图像分类也有着广泛的应用。

通过使用已经在自然图像领域得到验证的深度神经网络，可以实现对高光谱图像的特征提取和分类。

基于机器学习的高光谱图像分类方法研究高光谱图像分类是从高光谱遥感图像中提取出不同地物的特征，并将其分配到相应的类别中的过程。

高光谱图像具有丰富的光谱信息，因此在地物分类和识别中具有广泛的应用。

近年来，随着机器学习方法的发展，基于机器学习的高光谱图像分类方法成为研究热点之一。

本文将重点探讨基于机器学习的高光谱图像分类方法的研究进展和应用现状。

高光谱图像分类算法的关键在于选择合适的特征提取方法和分类器。

特征提取是高光谱图像分类的前提，其目的是从图像中提取出能够有效表征不同地物的特征。

常用的特征提取方法包括光谱特征提取、空间特征提取和频谱特征提取。

光谱特征提取是指从高光谱图像的光谱波段中提取特征，如反射率、发射率等。

空间特征提取是指从高光谱图像的空间分布中提取特征，如纹理、形状等。

频谱特征提取是指从高光谱图像的频域中提取特征，如能量、频率等。

在特征提取之后，需要选择合适的分类器对提取到的特征进行分类。

常用的高光谱图像分类器包括支持向量机（SVM）、随机森林（Random Forest）、人工神经网络（Artificial Neural Network）等。

支持向量机是一种基于间隔最大化的分类方法，其优点是对小样本和非线性数据有较好的适应能力。

随机森林是一种集成学习方法，通过构建多个决策树进行分类，具有较强的鲁棒性和精度。

人工神经网络是一种仿生学习模型，可以模拟人脑神经元的工作原理，具有较强的非线性建模能力。

以支持向量机为例，介绍基于机器学习的高光谱图像分类方法的一般流程。

首先，对高光谱图像进行预处理，包括波段选择、波段去噪、图像辐射定标等。

然后，从预处理后的图像中提取特征，常用的特征提取方法包括主成分分析（Principal Component Analysis）、线性判别分析（Linear Discriminant Analysis）等。

接着，将提取到的特征作为训练样本输入到支持向量机模型中进行训练。

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。

高光谱遥感图像的分类与识别算法研究摘要：随着高光谱遥感技术的发展，高光谱遥感图像的分类与识别成为了研究的热点之一。

高光谱图像拥有丰富的光谱信息和空间信息，对地物的识别和分类具有较高的准确性和精度。

本文主要介绍了高光谱遥感图像的分类与识别算法的研究现状和发展趋势，并重点讨论了几种常见的分类与识别方法，并对未来的研究方向进行了展望。

1. 引言高光谱遥感技术是一种获取地球物体光谱反射率的近地空间技术。

与传统的遥感技术相比，高光谱遥感技术能够获取更多的连续谱段信息，能够提供更多的反射波段，有助于地物的识别和分类。

传统的遥感图像分类与识别算法在高光谱图像上存在一定的局限性，因此，高光谱遥感图像的分类与识别算法研究成为了一个重要的课题。

2. 高光谱图像分类方法2.1 基于光谱信息的分类方法基于光谱信息的分类方法是最基础的一种分类方法。

光谱信息代表了目标在不同波长下的响应情况，通过光谱信息可以对不同地物进行分类。

常见的方法包括像元分解法、主成分分析法等。

2.2 基于空间信息的分类方法高光谱图像不仅包含了光谱信息，还包含了空间信息。

基于空间信息的分类方法可以充分利用像素点的空间分布特征进行分类。

常见的方法包括最大似然法、支持向量机等。

2.3 基于特征提取的分类方法特征提取是一种将高维数据转化为低维特征向量的方法，可以提取出地物的显著特征。

常见的特征提取方法包括小波变换、主成分分析、线性光谱混合等。

3. 高光谱图像识别方法高光谱图像的识别主要是通过对图像中地物的特征进行提取和匹配，从而实现对地物的自动识别。

常见的识别方法包括主成分分析法、广义Hough变换法等。

4. 研究现状与发展趋势目前，高光谱遥感图像的分类与识别算法已经取得了一些进展。

然而，在实际应用中仍然存在一些挑战，如遥感图像的分辨率、遥感图像的质量等。

因此，未来的研究方向可以从以下几个方面展开：4.1 提高分类和识别的准确性和精度当前的高光谱遥感图像分类与识别算法还存在一些问题，如准确性和精度不高。

高光谱遥感图像高效分类与解混方法研究高光谱遥感兴起于20世纪80年代,是一种融合光谱学理论与成像技术的前沿技术。

高光谱遥感图像包含几十至几百个窄波段的光谱信息,能够为人类社会提供丰富且精细的观测数据。

地物识别与分析作为高光谱遥感图像的研究热点,是高光谱遥感图像处理的重要组成部分,主要可通过地物分类与像元解混两种技术实现。

地物分类技术是一种像元级处理技术,通过对观测像元进行类别标定与识别来完成对地物的分析与识别;而像元解混技术是一种亚像元级处理技术,通过对观测像元中所包含的不同纯地物进行分析并计算其含量来完成对地物的识别与分析。

虽然,高光谱图像具有光谱分辨率高及图谱合一的特点,可以为地物分类与像元解混处理提供丰富的细节信息,但同时给这两种技术带来了巨大的挑战和难度,主要原因有:(1)高光谱图像容易受到高光谱传感器在空间分辨率上的限制以及光照、大气、云层厚度等自然环境因素的影响,出现“同物异谱”和“异物同谱”的现象,这两种现象不同程度地增加了地物分类与像元解混的难度。

(2)高光谱图像光谱维度高,由小样本引起“Hughes”现象的出现,使高光谱图像地物识别性能呈现先增加后下降趋势。

(3)高光谱图像的大数据量给高光谱图像处理带来了极大的计算量。

针对上述高光谱图像在地物分类与像元解混中存在的问题,本文深入研究了基于人工神经网络的地物分类技术与基于稀疏回归的像元解混技术,提出了高效的地物分类方法和像元解混方法。

具体工作概括如下:一、基于优化极限学习机的高光谱图像分类方法研究针对高光谱图像数据量大,导致分类方法计算复杂度高、样本训练时间长等问题,本文开创性的将极限学习机方法应用在高光谱图像分类中,并提出了一种基于优化极限学习机的高效高光谱图像分类方法。

该方法研究并发掘出训练样本数目与隐层神经元数目之间存在一种经验的线性关系,且这种线性关系可从小样本数据集延伸至大样本数据集,因此避免了大样本数据集所带来的大计算量。

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。