arcgis 高光谱 分类

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。

高光谱图像分类作者：黄何，康镇来源：《科技传播》 2019年第1期摘要近些年来，高光谱遥感技术迅速发展，同时也应用在了非常多的领域中。

而高光谱图像分类是其一个重要的方向。

但是高光谱图像成像机理复杂、波段繁多、数据量大等特点也向我们传统的图像分类方法提出了挑战。

文章综合介绍分析了几种监督分类方法和非监督分类方法。

监督分类方法主要介绍了平行多面体分类方法、最大似然分类方法、人工神经元分类方法；非监督分类方法主要介绍了K-mean s分类方法、ISDATA分类方法、谱聚类分类方法。

同时还综述了支持向量机分类方法、最小二乘支持向量机分类方法、决策树分类方法等新型分类方法。

关键词监督分类；非监督分类；最大似然分类；ISODATA分类；支持向量机分类中图分类号G2文献标识码A文章编号1674-67 08【2 01 9）226-0105-04高光谱遥感技术起源于20世纪80年代初，它是在多光谱遥感技术的基础上发展起来的。

经过数十年的发展，现在的高光谱遥感技术已经达到了一定的水平，在很多领域也得到了应用。

比如它在农业中的应用，其主要表现在快速、精准地获取各种环境信息，以及农作物生长情况。

在大气与环境应用上，在太阳光谱中，大气中的分子，如氧气、臭氧、二氧化碳、水蒸气等成分的反应十分强烈。

而因为大气成份生变而引起的光谱差异通过传统宽波遥感方法难以准确识别，而这种差异可通过窄波段的高光谱识别出来。

在城市环境与下垫面与环境特征的研究和应用，因为人们生活中的各种活动，使得城市环境与下垫面更为复杂。

而高光谱遥感技术的进步，能让人们依据光谱特征，更深入地去研究城市地物，而各种高光谱遥感器的出现，使得对城市的光谱的研究更加系统而全面，也为城市环境遥感分析及制图打下了基础。

在地质矿物勘探中的应用，区域地质制图和矿物勘查是高光谱技术主要的应用领域之一，也使得高光谱遥感技术的作用得到了有效的发挥，由于高光谱遥感比起宽波段遥感有诸多不同之处，因此在电磁谱上，每种岩石和矿物所显示出诊断性光谱特征各不相同，根据这一原理能清楚地识别出其中的矿物元素。

⾼光谱遥感影像分类⽅法综述2019-09-07摘要：该⽂简述了⾼光谱遥感影像分类的策略，主要有监督分类与⾮监督分类，基于分类判据的实现策略划分，硬分类和软分类，基于像素的分类和基于对象的分类，单分类器和多分类器集成。

并简单介绍了⼀些分类⽅法，包括监督分类法（最⼩距离分类法、最⼤似然分类法和平⾏多⾯体分类法）、基于光谱相似性度量的分类⽅法、⼈⼯神经⽹络分类法、⽀持向量机分类、决策树分类、⾯向对象分类和⾮监督分类。

关键词：⾼光谱；分类策略；分类⽅法中图分类号 TP751 ⽂献标识码 A ⽂章编号 1007-7731（2017）14-0155-02随着遥感传感器的光谱分辨率不断提⾼，许多隐藏的狭窄光谱区间的地物特征逐渐被发现，精细的光谱波段分割，宽泛的光谱探测范围是⾼光谱遥感的重要特征。

当前使⽤的航空航天成像光谱仪，其光谱探测能⼒有了很⼤的提⾼，覆盖了可见光、近红外、短波红外、中波红外和热红外的全部光谱区。

⾼光谱遥感在国民经济、建设等⽅⾯发挥了重要的作⽤，⼴泛⽤于地表分类、⽬标探测、资源监测等。

⾼光谱遥感影像分类的⽬的是给予每⼀像元唯⼀的类别标识。

1 ⾼光谱遥感影像分类的主要策略⾼光谱遥感影像分类的理论基础是“同谱同物”，同种地物具有相似的光谱特征及空间特征，在影像上呈现⾼度的相似，基于这种相似，可以实现对地区的识别。

在⾼光谱影像分类以每个像元的光谱⽮量数据为基础，⼀个像元可以看成是N个特征组成的N维空间中的⼀个点，同类地物的像元形成N维空间中的⼀个点群，不同地物会在N维空间中形成若⼲个点群，计算机分类就是根据这些点群的位置，分布规律等，确定点群的界限，从⽽完成分类任务。

⾼光谱遥感分类主要策略如下：1.1 监督分类与⾮监督分类遥感影像分类最传统的两种实现策略是根据分类中是否引⼊了先验已知类别的训练样本，将其划分为监督分类与⾮监督分类，监督分类是利⽤已知的先验训练样本，依据判定函数或判别规则，确定未知样本的类别。

高光谱分类数据集
高光谱分类数据集是一种用于高光谱图像分类的数据库，通常包含各种地物类型的图像数据和对应的标签。

这些数据集通常用于训练和测试机器学习模型，以实现高光谱图像的自动分类和识别。

高光谱图像是一种包含多个连续波段的图像，每个波段对应不同的光谱信息。

通过对这些光谱信息进行分析和处理，可以识别出不同的地物类型，如植被、水体、建筑物等。

高光谱分类数据集通常由多个图像组成，每个图像包含多个波段和像素。

每个像素都有一个对应的标签，表示该像素所属的地物类型。

这些标签通常由专家进行标注或通过其他方法获取。

高光谱分类数据集通常用于研究和实践高光谱图像处理技术，例如图像分类、目标检测、变化检测等。

通过训练分类器，可以实现对高光谱图像的自动分类和识别，为遥感监测、环境监测、城市规划等领域提供有力支持。

以上是关于高光谱分类数据集的一些基本介绍，希望能够帮助您了解这个概念。

如需获取更多关于高光谱分类数据集的信息，建议您咨询专业人士或查阅相关论文资料。

实习四高光谱分类一、实习目的应用不同方法实现高光谱数据的分类。

二、实习内容1、光谱角度制图分类2、最大似然法分类3、混合像元分解三、实习步骤1、启动ENVI软件，打开sub2文件，并以假彩色方式显示。

2、点击Overlay---Region of interest，开始提取感兴趣区，最后保存，并将感兴趣区合并：Optiong---Merge Regions ,将感兴趣区合并。

3、Transform-----MNF Rotation----Forward MNF -------Estimate Noise Statisticsfrom data，弹出对话框，输入文件选择sub2，OK，弹出对话框中，赋予相应的路径保存文件。

OK后输出文件，并弹出MNF Eigenvalues对话框，其纵坐标表示特征值。

4、Spectral-----n-Dimensional Visualizer(n维可视化)----- Visualize with new data，在弹出的对话框中，Inpu file选择刚刚得出的MNF文件，Spectral subset选择前十个波段，点击OK。

弹出n-D Controls 对话框，将1~10全选。

5、选取顶点处的点，并点击Class下修改颜色，点击start开始旋转，适当角度stop，options---mean all，输入文件选择sub2，得到以下图示：6、将选好的点导入到ROI中去，在n-D Controls对话框中，点击options ----exportall7、光谱角度制图分类Spectral-----Mapping Methods----Spectral Angel Mapper，输入文件寻则sub2，点击OK，然后点击Import -----from plot window，选择刚刚得出的光谱曲线。

然后点击Select all---Apply,在弹出的Spectral Angel Mapper Parametres中，将Maxium Angel改为0.5，最后保存输出文件。

高光谱图像分类方法研究摘要高光谱图像数据是光谱波段数据与空间位置数据的综合体，其包含的地物类别信息丰富而复杂。

高光谱图像分类研究的目的就是利用分类相关理论和技术去充分挖掘地物信息，提高高光谱图像分类精度，为后续的高光谱图像应用提供坚实可靠的地物信息基础。

目前，高光谱图像分类技术已经深深影响了现代生活的方方面面，其在农林、军事、海洋和地质等领域的应用已经越来越广泛、越来越成熟。

本文以传统高光谱图像分类算法对光谱信息和空间信息利用不充分为切入点，提出了基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类算法和基于块近邻的边界约束标签平滑高光谱图像分类算法。

本文的主要研究内容有：1. 提出基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类算法。

该算法将自适应增强思想融入稀疏表示的正交匹配过程中，在正交匹配的迭代寻优中加强对判决特征的提取，同时利用局部Fisher判别分析算法在降维特征域进行紧耦合像元的选取，利用生成的紧耦合像元平滑初始的特征分布，防止后面算法迭代增强过程中可能产生的过拟合。

在真实高光谱图像上的实验表明，该算法比对比的同类算法具有更优良的分类性能。

2. 提出基于块近邻的边界约束标签平滑算法。

该算法首先利用训练块聚合度和测试样本块聚合度计算出一个加权因子，然后用加权因子对块间距离进行加权计算判决距离并根据判决距离输出分类标签；同时，该算法利用局部Fisher判别分析算法对原始高光谱图进行降维生成单波段灰度图，接着利用自适应二值化处理成图像边界快照，最后利用获取的边界快照信息对前面输出的标签应用层次平滑操作输出最终的分类标签。

该算法在三个真实高光谱图像上的实验结果表明：其分类效果比对比的同类算法更优越。

关键词：高光谱图像分类，稀疏表示，自适应增强，块近邻，边界约束AbstractHyperspectral image data is a synthesis of spectral dimension information data and spatial information data, which contains rich and complex information of feature class. The purpose of hyperspectral image classification is to use the classification related technology and theory to fully excavate the information of objects, improve the accuracy of hyperspectral image classification, and provide a solid and reliable information base for the subsequent hyperspectral image application. At present, hyperspectral image classification technology has deeply affected the aspects of modern life, its application in the fields of agriculture, forestry, military, marine and geology has become more and more extensive and mature. In this paper, the traditional hyperspectral image classification algorithm for spectral information and spatial information is not sufficient as the starting point, than the close coupled set of pixels-based adaptive boosting class-wise sparse representation classifier for robust hyperspectral image classification algorithm and the block-nearest classifier based boundary constraint algorithm for classification of hyperspectral image algorithm are proposed. The main contents of this paper are as follows:1. Close coupled set of pixels-based adaptive boosting class-wise sparse representation classifier for robust hyperspectral image classification is proposed. In this algorithm, the adaptive-boosting idea is integrated into the sparse representation of the orthogonal matchingprocess. In the iterative optimization of orthogonal matching, the extraction of the decision feature is strengthened, and the close coupled set of pixels is produced in the feature domain created by the local Fisher discriminant analysis. The generated close coupled set of pixels is to smooth the initial feature distribution, and prevent the over-fitting the previous iterative process may produce. Experiments on real hyperspectral images show that the algorithm has better classification performance than similar algorithms.2. The block-nearest classifier based boundary constraint algorithm is proposed. Firstly, the weighting factor is calculated by using the degree of polymerization of the training block and the degree of polymerization of the test sample block. Then, the weighting factor is used to calculate the distance between the blocks, than the label is output according to the distance. At the same time, the algorithm uses the local Fisher discriminant analysis algorithm to reduce the original hyperspectral spectrum to reduce the single band grayscale, then use the adaptive binarization to process the image boundary snapshot, and finally use the acquired boundary snapshot information with Level smoothing operation for the label to output the final classification label. The experimental results of the algorithm on three real hyperspectral images show that the classification effect is superior to the similar algorithm.Keywords: hyperspectral image classification; sparse representation; adaptive boosting; block nearest neighbor; boundary constraint目录第1章引言 11.1 课题研究背景与意义11.2 国内外研究现状31.2.1 高光谱图像传统分类技术研究现状 41.2.2 稀疏表示分类器研究现状 41.2.3 高光谱图像分类框架研究现状 61.3 论文的主要研究内容71.4 论文的主要结构8第2章高光谱图像分类方法102.1 高光谱图像分类常见方法102.1.1 K近邻分类与局部费希尔判别分析102.1.2 支持向量机分类方法122.1.3 模糊神经网络分类方法132.2 稀疏表示高光谱图像分类方法152.2.1 稀疏表示分类模型162.2.2 稀疏模型重构算法182.3 高光谱图像分类效果评价方法202.4 高光谱图像分类常用实验数据集222.5 本章小结23第3章基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类253.1 自适应增强类内稀疏表示模型253.2 紧耦合像元生成算法283.3 实验分析303.3.1 Indian Pines数据集323.3.2 University of Pavia数据集343.3.3 Salinas数据集353.4 本章小结38第4章基于块近邻的边界约束标签平滑高光谱图像分类394.1 基于块近邻的高光谱图像分类模型394.2 边界约束标签平滑算法424.3 实验分析434.3.1 Indian Pines 数据集434.3.2 University of Pavia 数据集454.3.3 Salinas 数据集474.4 本章小结49第5章总结与展望505.1 工作总结505.2 发展展望50参考文献52致谢57攻读硕士学位期间从事的科研工作及取得的成果 58第1章引言1.1 课题研究背景与意义高光谱遥感技术[1](Hyperspectral Remote Sensing)又称成像光谱遥感，以高分辨力的光谱信息与遥感影像信息合二为一为特点。

高光谱影像分类技术研究近年来，随着高光谱遥感技术的快速发展和在各个领域中的不断应用，高光谱影像分类技术成为遥感图像处理领域中的研究热点。

高光谱影像分类技术主要是通过对遥感影像中的光谱信息进行处理，实现对不同地物和地貌的自动识别和分类，可以广泛应用于土地利用、环境监测、农业生产、城市规划和防灾减灾等领域。

一、高光谱影像分类技术概述高光谱遥感技术是在传统多光谱遥感技术的基础上发展而来的，其可以采集某个区域内的连续、高分辨率的遥感影像，每个像元的光谱信息包括可见光、红外和近红外等波段的反射率，即从丰富的光谱信息中提取出地物的特征，再进行分类处理。

与传统多光谱遥感相比，高光谱遥感技术能够提供的光谱波段更加密集，覆盖的光谱范围更宽，可以较为准确地反映出地物的物理和化学特征。

高光谱影像分类技术即是在这一技术的基础上进行的一项研究工作。

高光谱影像分类技术的核心是对光谱信息的提取和分析。

在处理高光谱影像时，通常需要将光谱数据进行处理和降维，例如进行主成分分析等操作，从而归纳出与地物相应的光谱特征，并将这些特征用于地物的自动识别和分类。

高光谱影像分类技术的分类对象包括植被、水体、建筑、道路等多种地物类型，对于不同的地物类型和各自的分类目标，需要采用不同的算法和参数，以达到最佳的分类效果。

二、高光谱影像分类技术的分类算法在高光谱影像分类技术中，分类算法是实现自动分类的重要手段。

目前，常用的高光谱影像分类算法包括基于光谱角度的分类算法、基于统计的分类算法、模型驱动的分类算法以及神经网络分类算法等。

1.基于光谱角度的分类算法基于光谱角度的分类算法主要是针对高光谱影像中的高光谱角度信息进行处理，从而实现对地物的自动识别和分类。

该算法通常使用特定的光谱角度来描述丰富的光谱信息，通过光谱角度的分类和光谱角度的距离等方式计算样本之间的相似度。

由于该算法对光谱数据进行处理后，可以减少数据量和降低特征维度，其分类效果较好，但对于噪声极大的遥感影像数据而言，该算法的分类结果会受到很大的影响。