7 高光谱遥感图像分类
高光谱遥感图像分类方法综述
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算法中的应用研究
第９ 第 期 ２卷 ２
文 章 编 号 ：０ ６— ３ ８ ２ １ ） ２—０８ ０ １０ ９ ４ （０ ２ ０ ２ １— ４
计
算
机
仿
真
２１年２ ０ ２ 月
高光 谱 遥 感 图像 分 类算 法 中的应 用 研 究
张 敬 朱献 文 何 ， ， 宇
（ ．黄淮学 院国际学 院， １ 河南 驻马店 ４３ ０ ６ ０ ０；
ｒ ｍｏ ｅ ｓ ｎ ｉ ｇ ｉ ｇ ｅ ｔ ｒ ｘ ｒ ｃｉｎ，ｒ ｍｏ ｉ ｇ ｆａｕ ｅ ｅｗｅ ｎ ｃ ｒｅ ａｉｎ ａ ｄ ｒ ｄ ｃｎ ｈ ｅ ｔ ｒ ｉ ｎ ｉｎ ｅ ｔ ｅ ｓ ｍａ ｅ ｆ ａｕ ｅ ｅ ｔａ ｔ ｎ ｏ ｅ ｖｎ ｅ ｔ ｒ ｓ ｂ ｔ ｅ ｏ ｒ ｌｔ ｎ ｅ ｕ ｉｇ ｔ ｅ ｆａｕ ｅ ｄ ｍｅ ｓｏ ． ｏ
ｂ ｓｄｏ ｅＤ ｃｓ ｎＢ ｕｄ ｒ Ｆ ａ ｒ Ｅ ｔ ｃ ｏ （ Ｂ Ｅ ）ａ ｄＳ Ｍ．Ｆｒｔ ，ｈ Ｂ Ｅｗ ｓ ｓｄｆ ｙｅｓｅｔ ｌ ａｅ ｎｔ ｅｉｏ ｏｎ ａｙ ｅｔ ｅ ｘ ａｔｎ Ｄ Ｆ ｈ ｉ ｕ ｒ ｉ ｎ Ｖ ｉ ｌ ｔ Ｄ Ｆ ａ ｅ ｒ ｐｒ ｃｒ ｓｙ ｅ ｕ ｏｈ ｐ ａ
高光谱遥感图像分类准确度分析与评估算法改进
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。
高光谱遥感图像分类54页PPT
谢谢！
36、自己的鞋子，自己知道紧在哪里。——西班牙
37、我们唯一不会改正的缺点是软弱。——拉得很慢，但是我从不后退。——亚伯拉罕·林肯
39、勿问成功的秘诀为何，且尽全力做你应该做的事吧。——美华纳
高光谱遥感图像分类
6、法律的基础有两个，而且只有两个……公平和实用。——伯克 7、有两种和平的暴力，那就是法律和礼节。——歌德
8、法律就是秩序，有好的法律才有好的秩序。——亚里士多德 9、上帝把法律和公平凑合在一起，可是人类却把它拆开。——查·科尔顿 10、一切法律都是无用的，因为好人用不着它们，而坏人又不会因为它们而变得规矩起来。——德谟耶克斯
40、学而不思则罔，思而不学则殆。——孔子
基于机器学习的高光谱图像分类方法研究
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
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
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。
高光谱整理
1.遥感图像的最基本单元是像元，每个像元具有空间特征和属性特征。
空间特征：是用X值和Y值来表示；（纹理，形状，大小，方位）属性特征：常用亮度值表示。
（灰度值，亮度值）2.遥感图像特征（②，③遥感成像技术发展的方向）①时间分辨率：对同一地点进行遥感采样的时间间隔，集采样的时间频率。
也称重访周期。
②空间分辨率：像素所代表的地面范围的大小，或地面物体能分辨的最小单元；③光谱分辨率：传感器在接收目标辐射的光谱时能分辨的最小波长间隔；④辐射分辨率：指传感器接收波谱信号时，能分辨的最小辐射度差；3.高光谱遥感基本概念：①多光谱遥感（Multirspectral Remote Sensing）,光谱分辨率在波长的1/10数量级范围内(几十个至几百个nm)的遥感；②高光谱遥感（Hyperspectral Remote Sensing）,光谱分辨率在波长的1/100数量级范围内（几个nm）的遥感；③超光谱遥感（Ultraspectral Remote Sensing）,光谱分辨率在波长的1/1000数量级范围内（0.2-1nm）的遥感。
4.高光谱遥感与常规多光谱遥感的比较：①高光谱遥感：即高光谱分辨率成像光谱遥感，幅宽小，成像范围小，其细微的波段可进行地物成分的识别，风度估计（精细识别）。
②常规多光谱遥感：幅宽大，成像范围宽，可进行宏观地物影像分析，不可被高光谱遥感完全取代（宏观变化趋势）。
研究宏观的变化情况则必须用多光谱成像仪。
5.高光谱遥感发展概况：高光谱遥感的基础是光谱学(spectroscopy).①光谱学：实验室分析地物光谱特征(获得谱信息)②成像技术：把遥感传感器放置航空或航天平台(获得地物的图像信息)③成像光谱学：把实验室仪器放置航空或航天平台(获得地物的图和谱信息)注：光学遥感的发展——空间、光谱分辨率的不断提高：①全色Panchromatic：主要通过形状（空间信息）识别地物。
②彩色color photography：增加了颜色的感知，加强型的颜色感知。
高光谱图像分类
《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。
高光谱图像分类
《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 - SVM
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。
高光谱图像分类
《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。
高光谱遥感图像分类与目标检测算法研究
高光谱遥感图像分类与目标检测算法研究高光谱遥感图像是一种新型的遥感图像，它能够获取物体光谱信息的连续光谱数据。
与传统的光学遥感图像相比，高光谱遥感图像具有更高的光谱分辨率和更多的光谱波段。
这使得高光谱遥感图像在资源管理、环境监测、农业和林业等领域有着广泛的应用。
然而，由于高光谱遥感图像数据维度高、数据量大且光谱细节丰富，传统的分类和目标检测算法难以胜任。
因此，研究高光谱遥感图像分类与目标检测算法成为一个重要的课题。
高光谱图像分类是根据图像中物体的光谱信息来确定物体类别的过程。
传统的高光谱图像分类算法主要基于光谱角度来对图像进行分类。
然而，由于光谱角度分类方法仅仅考虑到了图像中物体的光谱信息，忽略了空间和光谱之间的关联性，分类精度较低。
因此，研究高光谱图像分类算法需要考虑到光谱、空间和光谱空间的信息。
近年来，随着深度学习的发展，利用深度学习算法对高光谱图像进行分类已经成为研究的热点。
深度学习算法通过多层神经网络将输入数据映射到特定类别上，可以自动学习特征和分类规则。
因此，深度学习算法在高光谱图像分类中能够得到较好的效果。
例如，卷积神经网络（Convolutional Neural Network，CNN）的出现极大地改进了高光谱图像的分类性能。
CNN通过卷积和池化操作可以自动提取图像的空间和光谱特征，从而实现高光谱图像的分类。
除了高光谱图像分类，目标检测也是高光谱遥感图像处理中的重要任务。
高光谱遥感图像中的目标检测主要是指对特定目标进行定位和识别，并进一步提取目标的光谱特征。
传统的目标检测算法主要基于像素级别的特征和核函数来进行目标检测。
这种方法需要大量的先验知识，并且在目标边界不清晰的情况下容易出现误检和漏检的问题。
因此，研究高光谱遥感图像的目标检测算法需要考虑光谱、空间和目标边界信息。
近年来，基于深度学习的目标检测算法在高光谱遥感图像处理中得到了广泛应用。
深度学习算法通过构建多层神经网络进行目标检测，可以自动学习目标的特征和分类规则。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
13
1）降维+传统分类
原始高光谱图像：山东青岛 OMIS128个波段
14
分类方法：
特征提取+传统分类算法
重点在于光谱维特征的提取，即通过映射和变换 的方法（如主成分分析PCA，最小噪声分离变换 MNF，小波变换等），把原始模式空间的高维数 据变成特征空间的低维数据。然后对特征更集中 的低维数据进行传统分类处理。
37
实验分析
实验1
38
该影像区域选择的是武汉城区，通过实际 调查后，预期将该影像分为，水体，植被， 城市，云四个类类别。经过实际调查后得 到的每个类别的样本数列在表中。
39
监督人工神经网络分类器的比较
植被
(a) MODIS 影像 (b) K均值 (c) ISODATA
40
(d) 最大似然法
30
学习方式：
联接模式
用正号（“+”，可省略）表示传送来的信号起 刺激作用，它用于增加神经元的活跃度； 用负号（“-”）表示传送来的信号起抑制作用， 它用于降低神经元的活跃度。
31
4 BP(Back Propagation)神经网络
1.BP 网络在 1986 年提出，是一种按误差逆传播算法 训练的多层前馈网络，是目前应用最广泛的神经网 络模型之一。 2.BP网络能学习和存贮大量的输入-输出模式映射关 系，而无需事前揭示描述这种映射关系的数学方程。 3.BP 网络的学习规则是使用最速下降法，通过反向 传播来不断调整网络的权值和阈值，使网络的误差 平方和最小。 4.BP神经网络模型拓扑结构包括输入层（input）、 隐层(hide layer)和输出层(output layer)。
x1
x2 … xn 输入层 隐藏层 输出层 o1
o2 …
… … … …
…
om
29
3 学习与联接模式
学习规则：外部环境对系统的输出结果给出评 价，学习系统通过强化受奖的动作来改善自身 性能。
误差纠错学习（delta） Hebb学习 竞争学习
监督学习（Supervised learning） 非监督学习(Unsupervised learning)
21
区域C：可以看到左图中有很多被错分的像点， 如山脉中的部分植被和建筑被类分成了海水类。 而右图中几乎没有被错分的像点；
22
23
7.3 神经网络对高光谱影像分类
目前的多种先进而新颖的技术手段层出不穷， 人工智能，模糊理论，决策树，神经网络等都 被应用于遥感图像的理解和分析当中。
人工神经网络技术，黑匣子，能被用于多源数 据的综合分析被广泛用于遥感图像分类。
其分类的结果，只是对不同类别达到了区分，并不确 定类别的属性，其属性是通过事后对各类的光谱响应 曲线进行分析，以及与实地调查相比较后确定的。
10
聚类分析
非监督分类主要采用聚类分析方法，把一组像素 按照相似性归成若干类别。例如：K均值算法基 本思想是：通过迭代，移动各个基准类别的中心， 直至得到最好的聚类结果为止。该算法能使得聚 类域中所有样本到聚类中心的距离平方和最小。
concrete high buildings grass slope water bare soils forest
0 0 TM Band 3 255
0 0 TM Band 3 255
17
具体步骤：
选取海水，建筑物和植被3个不同类别的样本，样本 个数各为300个。样本要具有代表性就是样本的亮度 要反映该类地物的亮度特征,当同一地物区域分布不连 续时，我们要尽量使样本来自不同的区域。 如：在对海水取样时，既要选择来来自右上角的深水 区的样本，又要选择来自河道以及水田中的浅水区的 样本。从亮度特征角度而言,对于同一类地物具有不同 亮度特征情况,都要选取(同物异谱)。 原始图像选择前3个波段后，采用以下两种传统分类 算法进行分类：
训练区
已知地表覆盖类型的代表样区
用于描述主要特征类型的 其精度直接影响分类 用于评价分类精度的训练样区
检验区
8
样区选择示例
训练样区与检验区的选择：相互独立、不能重叠
9
非监督分类：是在没有先验类别（训练场地）作为样
本的条件下，即事先不知道类别特征，主要根据像元间相 似度的大小进行归类合并（即相似度的像元归为一类）的 方法，例如K均值，isodata算法等。
11
监督分类与非监督分类方法比较
训练样本的选择是监督分类的关键，必须充分考 虑地物光谱特征，且样本数目要能满足分类的要 求，有时这些还不易做到，这是监督分类不足之 处。 非监督分类不需要更多的先验知识，它根据地物 的光谱统计特性进行分类。因此，非监督分类方 法简单，但是，分类效果不如监督分类效果好。
( MN M / 2( N 2 N ) 1) (M N )
式中，M为分类数；N为特征向量维数，即影 像波段数。
36
具体过程：
正向传播：对权值赋予-1～1之间的随机值，然后从 网络的输入节点输入样本数据，计算样本信息在正向 传播过程中，前一层的神经元数据对本层每个神经元 的加权，并利用Sigmoid函数运算输出。 反向传播：接着求出误差进行反向的迭代，调整权值， 权值训练完成后，求出满足一定误差条件的权矩阵。 测试：将影像上的每个像素的波段值作为输入向量， 通过计算可得到输出向量，对应于该像素在各个预先 指定的各个分类类型的概率值，将最大的概率值赋值 为1，其余的赋值为0，即得出分类图。
32
BP网络的拓扑结构
x1
V W
o1
x2
o2
… xn
…
…
… om
输入层
隐藏层
输出层
33
训练过程概述
样本：(输入向量，理想输出向量) 权初始化：（-1,1） 1、向前传播阶段： （1）从样本集中取一个样本(Xp，Yp)，将Xp输入网络； o 神经元的网络输入： 1
neti=x1w1i+x2w2i+…+xnwni
（3） 网络关于整个样本集的误差测度：
E Ep
p
（4）按极小化误差的方式调整权矩阵。 即：对W不断做调整，直到∑E<ε。
35
具体应用于遥感影像分类
BP神经网络模型的输入层的神经元个数为波 段数，输入值为各个像元的灰度值。输出层的 神经元个数为地物端元的个数，输出值为像元 在各个典型地物所属的类别。隐含层神经元的 个数经过多次的实验确定，同时也可以采用有 经验公式计算：
24
1 神经系统基本构成
神经网络是在生物功能启示下建立的信息 处理系统，摸仿了人脑的结构特征和信息处 理机制，表现出了许多与人脑相同的特征。
25
简单的神经元网络是对生物神经元的简化 和模拟，其模型如下图：
S i w ji x j i
j 1
n
yi f ( S i )
26
2 拓扑结构
0
0
0
TM Band 3
255
0
TM Band 3
255
16
(2) Maximum likelihood classifier
255 255
1
2
TM Band 4
TM Band 4
concrete high buildings grass slope water bare soils forest
12
7.2 高光谱遥感图像分类思路
高光谱遥感图像分类的主要特点在于： 1）光谱分辨率高，波段众多，且可以挑选特定 的波段来突出特征，进行分类。 2）数量冗余程度增加，波段相关性高。 3）hughs现象的存在，样本数目要求高，且随着 波段增加分类精度反而下降。
我们主要介绍三种方式进行有效的高光谱遥感图 像分类： 1）降维+传统分类算法 2）智能化的新分类算法 3）光谱匹配分类
4
2）分类判据
相似性作为分类判据的度量：可以表现为不同的 形式:
距离值（Distance Value）：像素或像素组信号特 征向量之间距离值的大小来衡量。假如样本均线性 可分－－欧式距离 假如样本正态分布－－马氏距 离，假如样本线性不可分－－似然度 概率值（Probability Value）：像素信号特征向量 与某一像素组的似然性的大小为相似性的量度 光谱角值（Spectral Angle Value）：像素或像素 组之间光谱角的大小为相似性量度。光谱波形特征 －－光谱相似度或光谱夹角
18
分类结果比较图
最小距离法分类结果
最大似然法分类结果
可以分为三个类别：
海水 植被及农作物 建筑物及桥梁
19
区域A：在浅水区，最大似然法分类图像中出 现了原始分类图像中没有的像点。这些像点是 水中的暗礁和草,RGB图像上用肉眼无法识别 到这些细节。
20
区域B：通过目视解译，可以分辫出这个区域 是由田埂分开的一块又一块的稻田，这些稻田 中全是海水。最小距离法分类时却忽略了这些 由植被覆盖的田埂，将其全部分成了海水。甚 至将右上角处的海水类分成了植被类。
第七章 高光谱遥感图像分类
本章主要介绍高光谱遥感数据的分 类算法和实验。
1
7.1 遥感图像分类
利用计算机通过对高光谱遥感图像中的各类地物 的光谱信息和空间信息进行分析、选择特征，并 用一定的手段将特征空间互分为互不重叠的子空 间，然后将图像中的各个像元划分到各个子空间 去。
数据信息
2
构造分类器
x1
x2 … xn 输入层 隐藏层 输出层