下载文档原格式
高光谱遥感图像处理与应用研究遥感技术是地球科学和自然资源管理领域的核心技术之一。
高光谱遥感是一种近年来发展迅猛的高分辨率遥感技术，其具有高维度、高分辨率和高覆盖面积等优势，被广泛应用于农业、森林、城市规划和环境监测等领域。
本文将对高光谱遥感图像的处理方法和应用进行简要介绍。
一、高光谱遥感图像的处理方法（一）预处理高光谱遥感图像的预处理是为了降低图像噪声和增强图像特征，以提高后续分析处理的准确性和可信度。
1、辐射校正：即将图像灰度值归一化为反射率，以消除光照不均匀和大气影响。
2、几何校正：对图像进行几何校正可以消除成像中的扭曲和畸变，使得图像更为准确和精确。
3、噪声去除：高光谱遥感图像常常伴随着高噪声，因此需要通过噪声滤波或概率降噪等方法来降低图像噪声。
（二）特征提取特征提取是高光谱遥感图像处理的重要环节，它是提取图像中某些特定目标信息的过程。
1、主成分分析法（PCA）：PCA是最常见的特征提取算法之一，可以将高光谱数据降维并提取主成分，以保留更有效的信息，提高分类精度。
2、端元分解法（VCA）：VCA是一种基于混合像元模型的特征提取方法，可以将每个像素分解为混合的端元（pure pixels）和混杂像元，从而更好地识别目标对象。
（三）分类识别分类识别是高光谱遥感图像分析最常用的技术之一，它是将图像中像素点进行分类，把同一类别的像素标注相同标签的过程。
1、常用分类算法：传统的分类算法包括最小距离分类、支持向量机（SVM）分类、KNN分类等。
2、深度学习分类：随着深度学习的发展，深度卷积神经网络（CNN）被广泛应用于高光谱遥感图像分类中，并在各种分类任务中取得了不错的效果。
二、高光谱遥感图像的应用研究（一）农业领域高光谱遥感图像可以用于农作物的分类、生长状态的监测和病虫害的诊断，从而帮助农业生产做出更加科学和精准的决策。
（二）森林资源管理领域高光谱遥感图像可用于森林植被覆盖度、森林生物多样性、森林类型等指标的监测和评估。
高光谱遥感图像处理技术研究及应用高光谱遥感图像处理技术是一种新兴的研究领域，它可以对大量数据进行快速处理和分析。
在许多应用领域中，高光谱图像处理技术一直处于领导地位，如农业、地质学、环境保护和医疗保健等。
本文将探讨高光谱遥感图像处理技术的原理、应用以及未来的发展方向。
一、高光谱遥感图像处理技术原理高光谱遥感图像处理技术是一种能够获取大量信息的遥感图像处理技术。
它通过遥感探测器获取的光谱波段数据来判断图像的特征。
与传统的遥感图像技术不同，高光谱遥感图像技术可以获取图像红、绿、蓝以外的更多光谱波段数据，从而能够更加深入的了解图像的石景和特性。
对于一张高光谱遥感图像，通常包含了许多不同的光谱波段。
这些波段数据需要经过预处理和校正才能进行有效的分析。
预处理包括光谱归一化、波段筛选、噪声过滤和图像增强等步骤。
经过这些处理后，我们可以进行图像分类和聚类分析等操作。
最终得到的分析结果可以被应用到许多领域。
二、高光谱遥感图像处理技术应用2.1 农业高光谱遥感图像处理技术已经在农业领域中得到了广泛的应用。
通过对农田图像的分析，可以确定农田中各种作物的生长状态，土壤质地和含水量等指标。
这种分析方法可以帮助农民优化施肥、节约用水和改善种植条件。
高光谱遥感图像处理技术在农业领域中具有很高的研究和实践价值。
2.2 地质学高光谱遥感图像处理技术在地质学领域中也有着重要的应用。
通过对地质矿产图像的分析，可以识别出地下矿物质的类型、含量以及矿区的分布情况。
这种分析方法可以帮助地质工作者更好的开展矿产勘探和资源开发。
2.3 环境保护高光谱遥感图像处理技术在环境保护中也有很重要的应用。
通过对大气和水环境图像的分析，可以判断出污染源和污染物的种类，从而确定环境保护的重点处理区域。
这种分析方法可以帮助环境保护部门更好地进行环境治理和污染监测工作。
2.4 医疗保健高光谱遥感图像处理技术在医疗保健领域中也有着广泛的应用。
通过对医学图像的分析，可以确定人体组织的类型、结构和病变情况。
龙源期刊网 http://www.qikan.com.cn
高光谱遥感图像分类方法综述
作者：张蓓
来源：《科教导刊·电子版》2017年第10期
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：A
1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。这
种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因
龙源期刊网 http://www.qikan.com.cn
素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不
同的分类结果。
ISODATA分类又叫做迭代自组织数据分析技术，基本思想是通过设定初始参数而引入人
机对话环节，并使用归并与分裂的机制，当某两类聚类中心距离小于某一阈值时，将它们合并
为一类，当某类标准差大于某一阈值或其样本数目超过某一阈值时，将其分为两类。在某类样
本数目少于某阈值时，需将其取消。
非监督分类的主要优点是无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的
集群组；人为误差的机会减少，需输入的初始参数较少。但是无监督分类需要对其结果需进行
大量分析及后处理，才能得到可靠分类结果。
2.2监督分类
监督分类就是先用某些己知训练样本让分类识别系统进行学习，待其掌握了各个类别的特
征后，按照分类的决策规则进行分类下去的过程。监督分类又称训练场地法，是以建立统计识
别函数为理论基础，依据典型样本训练方法进行分类的技术。监督分类的主要分类方法有最大
似然法、贝叶斯方法、K近邻法等。
最大似然比判决分类方法是建立在贝叶斯准则基础上的，其分类错误概率最小，是风险最
小的判决分析，是典型的和应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训
练样本数据在光谱空间服从高斯正态分布。该分类法错误最小精度高，是较好的一种分类方
法。不足的是传统的人工采样方法工作量大，效率低，加上人为误差的干扰，使得分类结果的
精度较差。
最小距离分类法又称光谱距离，是用特征空间中的距离表示像元数据和分类类别的相似程
度，在距离最小（相似度最大）的类别上对像元数据进行分类的方法。
K近邻分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方
法的思路是：如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则
该样本也属于这个类别。K近邻算法中，所选择的邻居都是已经正确分类的对象。该方法在定
类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
有监督分类的主要优点是可充分利用分类地区的先验知识，预先确定分类的类别；可控制
训练样本的选择，并可通过反复检验训练样本，以提高分类精度。但是人为主观因素较强；只
能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类
不能识别，从而影响分结果。
3结束语
龙源期刊网 http://www.qikan.com.cn
监督分类和非监督分类的根本区别点在于是否利用训练区来获取鲜艳的类别知识，监督分
类根据训练区提供的样本选择特征参数，建立判别函数，对待分类点进行分类。相比而言，非
监督分类不需要更多的先验知识，它根据地物光谱特性进行分类。
参考文献
[1] 杜培军，夏俊士，薛朝辉，等.高光谱遥感影像分类研究进展[J].遥感学报，2016， 20
（2）：236-256.
[2] Rahman S A E. Hyperspectral Imaging Classification Using ISODATA Algorithm： Big
Data Challenge[C]// Fifth International Conference on E-Learning. IEEE， 2015：247-250.
[3] 陈进.高光谱图像分类方法研究[D].国防科学技术大学，2010.
