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。

高光谱图像分类方法综述作者：雷湘琦来源：《科学与财富》2020年第24期摘要：过去数十年中，高光谱图像的研究与应用已经完成了从无到有、从差到优的跨越式发展。

在对其研究的众多方面中，高光谱图像分类已经成为了一个最热的研究主题。

研究表明空间光谱联合的分类方法可以取得比仅依赖光谱信息的逐像素分类方法更好的分类效果。

本文将对众多的空间光谱联合分类方法进行归类和分析。

首先介绍高光谱图像中相邻像素间的两类空间依赖性关系，因而可将现有的空谱联合分类方法分为依赖固定邻域和自适应邻域两类。

关键词：高光谱遥感;图像分类引言高光谱遥感（Hyperspectral Image，HSI）是20世纪以来遥感发展中十分突出的一个方面。

其通过搭载在不同空间平台上的成像光谱仪和非成像光谱仪等高光谱传感器，在一定波谱范围内，以数十甚至数百个连续且细分的光谱波段对目标区域同时成像。

与多光谱遥感影像相比，高光谱影像不仅获得地表图像信息，同时也获得光谱信息。

但是，随着参与运算波段数目的增加，会出现分类精度“先增后降”的现象，即Hughes现象。

本文将对空间光谱联合分类的方法进行着重介绍和总结，还将对从前经典述各类算法进行总结归纳，探讨一些其中具有代表性的方法的原理，对其进行总结，以期找出其中的联系。

1;;;; HSI图像空谱联合分类方法高光谱图像分类的目标是依据样本特征为图像中的每个像元赋予类别标签。

不同地物具有不同的光谱曲线，因此有许多利用光谱信息的方法被提出来用于高光谱图像分类，代表性方法有支持向量机（Support Vector Machine，SVM）、稀疏表示分类（Sparse Representation Classification，SRC）等。

此类逐像素的分类方法有计算简单、便于拓展等特点，然而此类方法并未考虑样本的空间关联性，这会导致两个主要问题：1）在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象;2）高维的光谱特征往往会导致分类模型中需要估计参量的增加，这会造成过拟合以至于模型的泛化性能难以提升。

2021574高光谱遥感图像包含着数百个丰富的空间和光谱信息的波段，可以为对感兴趣的领域进行分类提供依据，因此在农业[1]、医学图像[2-3]、土地管理[4]、生态监测[5]和法医学[6]等领域有着广泛的应用。

随着高光谱成像技术的发展，光谱分辨率大大提升，同时也增加了高光谱图像的复杂度，容易造成所谓的Hughes现象[7]。

因此，在高光谱图像处理过程中，去除数据冗余的过程必不可少。

而降维可分为特征提取和特征选择两种方式。

特征提取用于寻找合适的映射，将高维特征空间转换为低维特征空间，如常见的主成分分析方法[8]、独立成分分析方法[9]等。

另一种是特征选择方法，特征选择是从原始集合中选择最具代表性的特征子集，可以保留原始数据的物理意义，因此应用最为广泛。

如Huang等人根据信息熵理论，量化了各波段的信息量，从而达到降维的目的[10]。

近年来，深度学习已经成功应用到语音识别[11]、自然语言处理[12]和图像识别[13]等领域并取得了显著进标准分数降维的3D-CNN高光谱遥感图像分类佘海龙，解山娟，邹静洁杭州师范大学遥感与地球科学研究院，杭州311121摘要：针对高光谱图像存在Hughes现象，以及空间和光谱特征利用效率低的问题，提出了一种结合标准分数降维和深度学习的高光谱图像分类算法。

利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段，结合优化过的3D-CNN（3D Convolutional Neural Network）分类方法，通过使用大步距卷积层替代池化层，引入L2正则化、批量归一化（Batch Normalization，BN）、Dropout等一系列策略，在减少网络参数的同时有效防止过拟合现象。

通过Pavia Centre和Pavia University两个公开高光谱数据集的实验测试，该算法大幅度降低了网络模型的参数和计算量，取得了99.01%和95.99%的分类精度。

高光谱分类方法
高光谱分类方法主要包括深度学习、支持向量机（SVM）、随机森林等。

1. 深度学习：深度学习在高光谱图像分类中非常有效，尤其是卷积神经网络（CNN）由于其强大的特征提取能力，在处理高维度数据时表现出色。

CNN能够自动学习数据的层次特征，这对于高光谱数据的复杂性和多样性至关重要。

2. 支持向量机（SVM）：SVM是一种广泛使用的分类器，它通过找到一个超平面来最好地分隔不同类别的数据点。

在高光谱分类中，SVM因其在小样本数据集上的优秀表现和良好的泛化能力而被广泛采用。

3. 随机森林：随机森林是一种集成学习方法，它通过构建多个决策树并将它们的预测结果结合起来进行分类。

这种方法对于处理高维数据特别有效，因为它可以处理大量的输入变量，并且在训练过程中不易出现过拟合。

除了上述方法，还有一些其他技术如主成分分析（PCA）用于降维，以及一些特定的算法如光谱角映射（SAM）和匹配滤波器（MF）等，这些方法在特定应用场景下也非常有效。

总的来说，高光谱分类是一个多学科交叉的领域，涉及到遥感学、模式识别、机器学习等多个领域的知识。

随着技
术的发展，新的算法和方法不断涌现，为高光谱图像的分析和应用提供了更多的可能性。

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。

联合纹理和光谱特征的高光谱图像分类方法余健【摘要】高光谱图像分类是当前遥感信息处理的热点问题.传统高光谱遥感图像分类方法只利用图像的光谱特征,没有考虑高光谱遥感图像各像素点邻域的空间特征.文中提出了一种联合纹理特征与光谱特征的高光谱图像分类方法.首先,使用灰度共生矩阵提取了高光谱遥感图像每一像素点邻域的贡献较大的六个纹理特征,再联合各像素点的光谱特征,形成纹理-光谱特征.最后,基于支持向量机和极端随机树算法对公开的高光谱遥感图像数据集Indian Pines和Pavia University scene进行分类实验,结果表明该方法相比传统方法取得更高的分类性能.【期刊名称】《韩山师范学院学报》【年(卷),期】2017(038)006【总页数】9页(P18-26)【关键词】高光谱遥感图像;分类;纹理特征;光谱特征;极端随机树【作者】余健【作者单位】韩山师范学院计算机与信息工程学院,广东潮州 521041【正文语种】中文【中图分类】TP7511 引言高光谱遥感技术通过成像光谱仪能够获取地物几十至上百个电磁波段的光谱信息，形成“图谱合一”的高光谱图像数据．高光谱图像数据是二维空间和一维光谱构成的图像立方体，在图像空间中每个波段是一幅二维图像，而在光谱空间中每个像素（也称为像元）则反映为一条连续光谱响应曲线，不同的物质在高光谱图像中表现为不同的辐射强度．高光谱遥感图像具有较高的空间平面分辨率以及丰富的地物光谱信息，从而使高精度的地物分类和目标识别成为可能．但由于高光谱数据的波段数目较多，部分波段存在较强的相关性以及冗余信息，抑制了地物分类的性能，甚至产生“维数灾难（Huges）”现象[1]．传统的高光谱遥感图像分类只考虑光谱特征信息，而没有充分利用其空间特征信息，导致分类的准确率不高．越来越多的学者将空间信息融入到高光谱图像的分类中，以提高分类器性能．Li Jun等[2]使用马尔科夫随机场分割的结果作为多类logistic 回归分类器的贝叶斯先验，从而将空间信息和基于光谱分类特征的分类器结合起来．He Zhi、Wang Qiang和Shen Yi等[3]利用经验模态分解和形态学小波变换得到光谱和空间特征，基于多任务稀疏学习方法对空谱域特征进行同时分类，达到了较高的分类准确率．Zhang等[4]采用了图像分割和主动学习方法来提升高光谱图像分类性能，取得了不错成果．Chen等[5]则采用了旋转森林和多尺度图像分割法取得了较高的分类准确率．一些学者[6-11]将空间特征和光谱特征相结合提出了多种高光谱图像分类方法，也取得较好效果．本文通过主成分分析（PCA）算法对高光谱图像进行降维处理，选取主成分最大的一个波段，使用灰度共生矩阵提取其像元空间邻域纹理特征信息，从中选取贡献最大的6个特征，并采用4个不同方向表示，获取了24维纹理特征向量，联合其光谱特征信息，进行地物分类．2 纹理和光谱特征提取高光谱遥感图像具有几十到上百个波段，波段间存在较大冗余．如果采用所有波段的平面图像参与分类，则会出现维数灾难现象．因此，需要先采用主成分分析（PCA）方法对高光谱遥感图像进行降维处理，再分类．本文只选择高光谱遥感图像PCA降维后，主成分最大的那个波段的二维图像，作为最能够代表图像空间平面维变化的一个二维平面表征，联合其光谱信息来抑制高光谱图像分类中的“同谱异物”现象，提高分类的准确率．基于灰度共生矩阵的纹理特征提取方法是纹理分析中常用的方法，该方法的实现原理是图像灰度元素之间的空间相关性，通过计算图像中存在一定相对位置关系（一定方向上，相距一定距离）的某两个像素之间的灰度相关性，建立起图像的一个灰度共生矩阵，并从这个矩阵中统计所需要的特征量来进行图像纹理特征分析．2.1 灰度共生矩阵一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图像的局部模式和它们排列规则的基础[12]．设 f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d，两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)．对距离为d，水平方向（即θ=0）的灰度共生矩阵计算公式为同理可得其他三个方向的灰度共生矩阵．在得到了上述灰度共生矩阵后，可以从中计算出一些能够反映图像纹理特征的向量，有二阶距、对比度、相关、熵、方差、逆差距、和平矩、和方差、和熵、差平均、差方差、差熵等14个特征向量，本文采用了其中贡献最大的6个特征，分别为：角二阶矩（ASM）、相关（Correlation）、对比度（Contrast）、熵（Entropy）、相异性（Dissimilarity）和逆差距（Homogeneity），统称为GLCM-6．2.2 GLCM-6特征（a）角二阶矩（ASM）：反应图像的灰度分布以及纹理颗粒的粗细，也被称为能量，描述的是灰度共生矩阵中所有元素的平方和．ASM值越大，说明图像的纹理分布越均匀，变化越规矩．（b）相关（Correlation）：用于反映图像中的像素的灰度相关性，描述的是灰度共生矩阵中行或列间的矩阵元素的相似程度，若矩阵元素相似程度越大，则相关度越大，图像纹理特征的灰度相关性越大．其中μi、μj、σi、σj的定义如下（c）对比度（Contrast）：用于反映图像的纹理深浅和清晰度，灰度共生矩阵中的灰度相差较大的像素对越多，其对比度越大，对应的，其纹理沟纹越深，清晰度越好．（d）熵（Entropy）：用于反映图像纹理特征的复杂度，熵是信息量的度量，其值越大，表明灰度共生矩阵中的元素越分散，图像的纹理分布越均匀．（e）相异性（Dissimilarity）：同对比度类似，但在计算灰度差时所采取的增长方式与计算对比度时不同，对比度计算时期灰度差权值权重呈指数增长，相异性的计算权重呈线性增长．（f）逆差距（Homogeneity）：用于反映图像的不同局部区域间的相异性，逆差距越大，说明图像不同局部区域间的纹理变化越小，其纹理在局部区域分布得越均匀．2.3 高斯归一化方法本文使用灰度共生矩阵提取其像元空间邻域纹理特征信息，从中选取贡献最大的6个特征，即GLCM-6，并采用4个不同方向（0°，45°，90°，135°）表示，获取了24维纹理特征向量．对获得的24维纹理特征，选用高斯归一化方法进行处理，方便分类器的训练．归一化公式如下其中，μ、σ分别为原始数据集的均值和方差，上标(n)表示n维特征向量，取n=24，μj，σj表示第j维的均值、方差．使用3σj进行归一化，保证了V(n)的值落在[-1，1]区间上的概率接近100%，对于离群点，小于-1则置-1，大于1则置1．对特征向量采用高斯归一化至[-1，1]区间内，然后用归一化后的数据进行分类．经测试，经过高斯归一化后的特征，可以加快分类的训练速度，也能够提高准确率．2.4 联合纹理和光谱特征假设高光谱遥感图像使用PCA降维后主成分最大的波段平面图像为X．不失一般性，设高光谱图像中任意像元xi，提取像元xi的k×k邻域矩阵的GLCM-6的纹理特征，并将其展开形成一个24维和向量ti.再设像元xi的光谱特征为si，设该高光谱遥感图像具有m个波段，则像元xi的纹理-光谱特征为：该特征具有24+m维．提取纹理和光谱特征之后，分别采用支持向量机（SVM）和扩展随机森林方法训练分类器，并进行高光谱遥感图像地物分类实验．3 分类算法3.1 SVM算法支持向量机（Support Vector Machine，SVM）是Cortes和Vapnik于1995年首先提出的[13]，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中．支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的泛化能力．本文选用引入RBF核函数的支持向量机算法，以获得非线性分类能力．3.2 极端随机树极端随机树（Extremely randomized trees，ERT）是由PierreGeurts等人于2006年提出[14，15]．该算法与随机森林算法十分相似，都是由许多决策树集成的分类器．但与随机森林分类器相比，主要有两点不同：一是不采用随机森林bootstrap采样替换策略，即对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵树的训练集中，也可能从未出现在一棵树的训练集中．而是直接采用原始的训练样本，目的在于减少偏差．二是在对每棵决策树的节点划分时，先随机选取特征的一个子集，在对数据进行划分时，则是对子集中的每个特征随机选取一个划分阈值，然后从这些划分条件中选取划分效果最好的一个做为当前节点的最终划分依据．极端随机树完全随机地选择特征，得到的结果相比随机森林方差更小、更稳定．4 实验结果及分析为验证所提出方法的有效性，选用二组高光谱遥感图像数据集，即Indian Pines 和Pavia University scene(PaviaU)进行实验，分别选择传统的光谱特征与本文提出的纹理-光谱特征的分类结果进行对比．在分类方法方面，分别采用SVM算法（RBF核函数）和极端随机树方法，选择PCA算法获取主成分最大的那个波段，对该波段的二维空间提取纹理特征，形成联合的纹理-光谱特征．以10折交叉验证的方式得到结果，分类指标采用平均精度、Kappa系数、Jaccard（相似）系数和混淆矩阵，所有实验运行10次，取平均值．Indian Pines数据集是1992年采用AVIRIS（机载可见/红外成像光谱仪）系统在美国印第安纳州的印度松树测试地拍摄的航空数据，空间分辨率为20 m，图像大小为145×145像素，共224波段．去除大气水汽吸收波段及低信噪比波段后，波段数降为200．光谱范围为0.4～2.5μm，图像数据包含16类地物类别，具体情况如表1所示．表1 Indian Pines数据集地物类别类别1 2 3 4 5 6 7 8 9 1 0 11 12 13 14 15 16英文名称Alfalfa Corn-notill Corn-mintill Corn Grass-pasture Grass-trees Grass-pasture-mowed Hay-windrowed Oats Soybean-notill Soybean-mintill Soybean-clean Wheat Woods Buildings-Grass-Trees-Drives Stone-Steel-Towers中文名称苜蓿免耕玉米少耕玉米玉米草地/牧草草地/树木收割牧草干草料堆燕麦免耕大豆少耕大豆纯净大豆小麦森林建筑/草/树/道路石钢塔样本数46 1 428 830 237 483 730 28 478 20 972 2 455 593 205 1 265 386 93采用SVM算法和极端随机算法对Indian Pines数据集进行分类，移动窗口大小为3×3像素，其性能评价结果如表2所示．表2 Indian Pines检测性能对比平均准确率Kappa系数Jaccard系数82.21%0.79 0.82 89.86%0.88 0.90 87.46%0.85 0.87 91.23%0.90 0.91由表2可以发现，采用Indian Pines数据集，使用本文提出的纹理-光谱联合特征，不论选择SVM算法，还是极端随机树，其平均准确率、Kappa系数和Jaccard系数均优于只采用光谱特征的传统方法．以极端随机树分类算法为例，只采用光谱特征，对Indian Pines数据集进行分类后，各地物类别的混淆矩阵（归一化后）分别如图1所示．图1 Indian Pines光谱特征分类混淆矩阵通过图1和图2对比，可以发现，纹理-光谱方法相比传统的光谱特征方法，对于Alfalfa（苜蓿）、Corn-notill（免耕玉米）、Corn-mintill（少耕玉米）、Corn （玉米）、Grass-pasture（草地/牧草）、Grass-tree（草地/树木）、Oats（燕麦）、Soybean-notill（免耕大豆）、Soybean-clean（纯净大豆）、Woods （森林）、Buildings-Grass-Trees-Drives（建筑/草/树/道路）、Stone-Steel-Towers（石钢塔）等12个地物类别的分类精度分别提高了20%、7%、3%、9%、2%、1%、50%、7%、8%、3%、11%、11%，而Wheat（小麦）类别的分类精度低了10%，其它3个类别的分类精度与传统方法相同．因此，联合纹理-光谱特征方法对于该数据集大多数地物类别的分类精度都优于传统光谱特征方法．Pavia University scene（PaviaU）数据集为ROSIS（反射光学系统成像光谱仪）系统在意大利南部拍摄的帕维亚大学图像，空间分辨率为1.3 m，图像大小为610×340像素，127个波段，光谱范围0.43～8.6μ m．去除大气水汽吸收波段及低信噪比波段后，剩余103个波段用来分类，此地区共包含9种地物类别，见表3．以极端随机树分类算法为例，采用本文提出的纹理-光谱特征，对Indian Pines数据集进行分类后，各地物类别的混淆矩阵（归一化后），如图2所示．图2 Indian Pines纹理-光谱特征分类混淆矩阵表3 PaviaU数据集地物类别英文名称类别中文名称样本数Asphalt Meadows Gravel Trees Painted metal sheets Bare Soil Bitumen Self-Blocking Bricks Shadows 1 2 3 4 5 6 7 8 9沥青马路低洼地砂砾树木涂覆金属板裸土沥青屋顶地砖阴影6 631 18 649 2 099 3 064 1 345 5 029 1 330 3 682 947采用SVM算法和极端随机算法对PaviaU数据集进行分类，其性能评价结果如表4所示．由表4可以发现，采用PaviaU数据集，使用本文提出的纹理-光谱联合特征，不论选择SVM算法还是极端随机树，其平均准确率、Kappa系数和Jaccard系数均优于只采用光谱特征的传统方法．以极端随机树分类算法为例，只采用光谱特征，对PaviaU数据集进行分类后，各地物类别的混淆矩阵（归一化后），如图3所示．以极端随机树分类算法为例，采用本文提出的纹理-光谱特征，对PaviaU数据集进行分类后，各地物类别的混淆矩阵（归一化后），如图4所示．通过图3和图4对比，可以发现，纹理-光谱方法相比传统的光谱特征方法，对于Asphalt（沥青马路）、Meadows（低洼地）、Gravel（砂砾）、Trees（树木）、Bare Soil（裸土）、Self-Blocking Bricks（地砖）6个地物类别的分类精度分别提高了2%、1%、5%、3%、1%、4%，而其它3个类别的分类精度与传统方法相同．因此，采用本文提出的联合纹理-光谱特征方法对于该数据集大多数地物类别的分类精度都优于传统光谱特征方法．表4 PaviaU检测性能对比平均准确率Kappa系数Jaccard系数 91.78%0.890.92 95.05%0.93 0.95 93.01%0.91 0.93 95.53%0.94 0.95图3 PaviaU光谱特征分类混淆矩阵5 结束语通过灰度共生矩阵方法获取贡献最大的6个统计量，形成24维纹理特征向量，联合光谱特征，分别采用SVM算法和极端随机树算法，对公开的高光谱遥感数据集进行分类测试，获得了比传统采用单一光谱特征方法更高的分类精度．但在某些地物类别上，仍存在错分结果，这需要进一步研究高光谱遥感图像中的同谱异物特点，更好地提取其非线性特征进行分类，以达到更高的分类精度．图4 PaviaU纹理-光谱特征分类混淆矩阵【相关文献】[1]Hughes G．On the mean accuracy of statistical pattern recognizers[J]//IEEE Trans．Inf．Theory,1968,14(1):55-63．[2]LI Jun，Bioucas-Dias J M，Plaza A．Spectral-Spatial Hyperspectral Image Segmentation Using Subspace Multinomial Logistic Regression and Markov Random Fields[J]．IEEE Transactions on Geoscience and Remote Sensing，2012，50(3):809-823．[3]He Zhi，Wang Qiang，Shen Yi，et al．Kernel sparse multi-task learning for hyperspectral image classification with empirical mode decomposition and morphological wavelet-based features[J]．IEEE Transactions on Geoscience and Remote Sensing，2014，52（8）:5150-5163．[4]Zhang Z，Pasolli E，Crawford M M，et al．An active learning framework for hyperspectral image classification using hierarchi⁃cal segmentation[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，9（2）:640-654．[5]Chen J，Xia J，Du P，et al．Combining Rotation Forest and Multiscale Segmentationfor the Classification of Hyperspectral Data[J]．IEEE Journal of Selected Topics in Applied Earth Observations&Remote Sensing，2017，9（9）：4060-4072．[6]朱勇，吴波．光谱与空间维双重稀疏表达的高光谱影像分类[J]．地球信息科学学报，2016，18（2）：263-271．[7]李铁，孙劲光，张新君，等．高光谱遥感图像空谱联合分类方法研究[J]．仪器仪表学报，2016，37（6）：1379-1389．[8]叶珍，白璘，粘永健．基于Gabor特征与局部保护降维的高光谱图像分类算法[J]．光学学报，2016（10）：504-513．[9]李垒，任越美．基于随机森林的高光谱遥感图像分类[J]．计算机工程与应用，2016，52（24）：189-193．[10]付琼莹，余旭初，张鹏强，等．联合空谱信息的高光谱影像半监督ELM分类[J]．华中科技大学学报（自然科学版），2017（7）：89-93．[11]李吉明，贾森，彭艳斌．基于光谱特征和纹理特征协同学习的高光谱图像数据分类[J]．光电工程，2012，39（11）：88-94．[12]薄华，马缚龙，焦李成．图像纹理的灰度共生矩阵计算问题的分析[J]．电子学报，2006，34（1）:155-158．[13]齐滨，赵春晖，王玉磊．基于支持向量机与相关向量机的高光谱图像分类[J]．吉林大学学报（工），2013，43（s1）：143-147．[14]王爱平，万国伟，程志全，等．支持在线学习的增量式极端随机森林分类器[J]．软件学报，2011，22（9）：2059-2074．[15]吕伟民，王小梅，韩涛．结合链路预测和ET机器学习的科研合作推荐方法研究[J]．数据分析与知识发现，2017，1（4）：38-45．。

《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［11 o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，将表征地物儿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。

《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。

高光谱遥感影像分类算法——SVM1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。

《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。