第7-3章 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
高光谱遥感影像分类方法
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。
高光谱遥感数据的分类与分析研究
高光谱遥感数据的分类与分析研究高光谱遥感是利用遥感技术获取地球表面光谱信息的一种方法。
相比传统的遥感图像，高光谱图像包含大量的波段信息，能够更详细地反映地物的光谱特征。
因此，在农业、林业、环境等领域中都有着广泛应用。
然而，高光谱图像数据的单个像元(spectral pixel)往往包含大量信息，需要对其进行分类与分析，以便更好地理解和利用数据。
本文将从数据预处理、特征提取及分类算法等方面进行探讨。
一、数据预处理高光谱遥感图像获取不易，数据来源也多种多样，因此其数据质量的影响也难以避免。
常见的高光谱图像预处理方法包括图像增强、谱带选择和噪声去除等。
其中，图像增强可以利用类似直方图均衡化的方法，使图像对比度更高，便于观察和处理；谱带选择则是针对图像中一个区域的不同波段信息不同的情况，选择最优波段进行分析；噪声去除则是利用相邻像元之间的相关性来消除噪声的影响，提高数据质量。
二、特征提取高光谱图像中的像元包含大量信息，如何提取其中的特征并描述其各自所代表的地物类型是分类的第一步。
常见的特征提取方法包括传统的像元反射率(spectral reflectance)、指数特征(index feature)和主成分分析(principal component analysis, PCA)等。
其中，像元反射率描述了不同波段下地物的表面反射率特征，但由于单个波段反射率上下界的存在，其描述能力受到限制。
指数特征则将多个波段特征汇总成一个指数值，虽然降低了特征维度，但是对于某些地物类型特征不明显的情况下，其分类效果有限。
PCA则是通过线性代数的方法将原始数据映射至一个低纬度空间中，使数据间相关性最小化，从而提取具有大量信息的新特征，具有较好地分类效果。
三、分类算法特征提取之后，需要进行分类算法的选择。
目前常见的分类算法包括支持向量机(support vector machine, SVM)、随机森林(random forest)、人工神经网络(artificial neural network, ANN)等。
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[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。
《遥感图像分类》课件
将原始特征进行变换，生成新的特征，以更好地 反映地物类别之间的差异。
分类器设计
监督分类
利用已知样本的训练集设计分类器，对未知样本进行分类。
非监督分类
对未知样本进行聚类分析，将相似的样本归为同一类。
混合分类
结合监督分类和非监督分类的优势，提高分类精度和稳定性。
分类结果评价
精度评价
通过比较分类结果与实际地物类别， 计算分类精度、混淆矩阵等指标。
THANKS
感谢观看
分类器。
多源遥感数据融合问题
多源遥感数据融合可以提高分类精度和可靠性，但同时也带 来了数据匹配、融合算法选择等问题。
解决多源遥感数据融合问题的策略包括使用先进的融合算法 ，如基于深度学习的融合方法，以及优化数据匹配方法。
遥感图像分类技术的发展趋势
01
遥感图像分类技术正朝着高精度、高效率和自动化的方向发展 。
可靠性评价
评估分类结果的稳定性、可靠性以及 抗干扰能力。
应用价值评价
根据分类结果在实际应用中的价值， 如土地利用、资源调查、环境监测等
，对分类方法进行综合评价。
04
CATALOGUE
遥感图像分类的挑战与展望
数据质量问题
遥感图像常常受到噪声、失真和 模糊等影响，导致数据质量下降
。
数据质量问题还表现在不同传感 器获取的图像之间的差异，以及 不同时间获取的图像之间的变化
遥感图像分类的应用
遥感图像分类在多个领域有广泛应用，如环境保护、城市规划、资源调查、军事 侦察等。
通过遥感图像分类，可以快速获取大范围的地物信息，为相关领域的决策提供科 学依据。
02
CATALOGUE
遥感图像分类的方法
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方法研究
分类晋工学硕士学位论文（高校教师）镕‰：——编号：．高光谱遥感图像分类方法研究硕士研究生：杨希明指导教师：赵春晖教授学利专业：通信与信息系统学位论文主审人：赵旦峰教授哈尔滨Ｉ程大学２００７年９Ｊ１哈尔滨ｒＴ程人学硕士学位论文摘要光谱分辨率的提高是光学遥感不断发展的趋势。
高光谱分辨率（简称为高光谱）遥感技术是过去二十年中人类在对地观测方面所取得的重大技术突破之一，是当前遥感的前沿技术。
由于高光谱所特有的高光谱分辨率的性质，其潜在的可应用性受到人们的广泛关注。
分类是获取高光谱信息的一种重要手段。
目前硬分类方法较多，但分类效果不够理想或是方法本身有待提升；传统软分类方法由于在分离中无关类别的参与以及光谱分离模型本身的不足导致光谱分离效果不够理想。
迭代自组数据分析（ＩＳＯＤＡＴＡ）算法是一种基于统计模式识别的非监督动态聚类划分算法，有较强的实用性。
支持向量机（ＳＶＭ）算法，作为基于统计学习理论的一种有良好推广性的高维非线性数据处理工具，得到了广泛应用。
它的核心是把样本非线性映射到高维特征空间，以结构风险最小化为归纳原则，在高维空间中构造最优分类超平面。
．为此，本文以迭代自组数据分析算法和支持向量机为主要理论，对超谱图像硬、软分类及相关技术进行了研究。
第一，阐述了高光谱遥感技术的概念，介绍了高光谱图像的特征模式并分析了高光谱图像数据的组成，阐述了硬分类、软分类以及监督无分类、无监督分类的研究现状、评价准则和现存的技术问题，支持向量机基本理论等，为课题研究的展开奠定基础。
第二，介绍了模糊ＩＳＯＤＡＴＡ算法的原理和实现步骤，结合高光谱遥感图像的特点，进行了高光谱遥感图像的分类，得到了理想的分类效果，并分析了参数的选取将对分类结果产生的影响。
同时也采用硬分类的ＩＳＯＤＡＴＡ算法，模糊Ｃ一均值算法对高光谱图像进行分类，并将结果与模糊ＩＳＯＤＡＴＡ算法进行了比较，试验结果表明，模糊ＩＳＯＤＡＴＡ算法在分类精度的改进上性能优于以上二种算法。
第7-3章 高光谱遥感图像分类
3、神经网络分类算法
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。
３.1 神经系统原理
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。
x2
o2
……
xn 输入层
…
…
隐藏层
… …… om
输出层
多级网——h层网络
x1
o1
x2
o2
W(1)
W(2)
W(3)
W(h)
……
…
…Leabharlann ………xn 输入层
隐藏层
om 输出层
3.4 学习规则与方式
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
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：
n
Si w ji x j i j 1
yi f (Si )
3.2 人工神经元的基本构成
x1 w1
x2 w2
… xn wn
∑ net=XW
人工神经元模拟生物神经元的一阶特性。
输入：X=（x1，x2，…，xn） 联接权：W=（w1，w2，…，wn）T 网络输入： net=∑xiwi 向量形式： net=XW
x1
o1
x2
o2
……
xn 输入层
…… 隐藏层
… ……
om 输出层
高光谱遥感分类和多光谱
高光谱遥感分类和多光谱高光谱遥感分类和多光谱是遥感技术中常用的两种影像分类方法。
高光谱遥感分类是指利用高光谱遥感影像数据进行地物分类和识别的过程，它利用地物的光谱特征来区分不同的地物类型。
多光谱遥感分类则是利用多波段遥感影像数据进行地物分类的方法，它将不同波段的光谱信息结合起来进行地物分类。
本文将分别介绍高光谱遥感分类和多光谱遥感分类的原理、应用和优缺点。
高光谱遥感分类是指通过获取地物光谱信息，在遥感影像中对地物进行分类和识别的过程。
高光谱遥感影像具有多个连续的窄波段，能够提供丰富的光谱信息。
在高光谱遥感分类中，首先需要对高光谱遥感影像进行预处理，包括大气校正、辐射校正、几何校正等。
然后，通过提取影像中每个像素的光谱响应曲线，利用统计学方法、机器学习算法或人工神经网络等方法对地物进行分类和识别。
高光谱遥感分类方法可以识别和区分植被、地表覆盖类型、土壤、水域等地物类型，具有较高的分类精度和信息提取能力。
高光谱遥感分类在农业、林业、环境监测、城市规划等领域具有广泛的应用。
在农业领域，高光谱遥感分类可以帮助农民进行作物种植监测、病虫害预警和灾害评估等工作。
在林业领域，高光谱遥感分类可以用于森林资源调查、森林火灾监测和病虫害防控等工作。
在环境监测领域，高光谱遥感分类可以用于土壤污染监测、水质评估和生态环境保护等工作。
在城市规划领域，高光谱遥感分类可以用于城市开发监测、建筑物变化检测和土地利用规划等工作。
然而，高光谱遥感分类也存在一些限制和挑战。
首先，高光谱遥感影像数据量大，处理和分析复杂，需要较大的计算资源和专业知识。
其次，高光谱遥感分类受到大气、云雾、阴影等因素的干扰，影响了分类的准确性。
另外，高光谱遥感分类容易受到地物的光谱变化和分类算法的选择等因素的影响，需要针对不同的分类对象和场景选择合适的方法。
多光谱遥感分类是指利用多波段遥感影像数据进行地物分类的方法。
多光谱遥感影像包含几个宽波段，主要包括可见光和近红外波段。
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。
高光谱图像分类
信息科技探索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[1]。
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[2]。
1 高光谱图像分类方法高光谱图像分类的主要作用机理是，按照待测地物的空间几何与光谱信息，来划分图像中的每个像素，划作不同的类别。
高光谱图像可采用监督和非监督两种分类方法。
其中的区别在于：非监督分类用于对分类区知之甚少的情况下，在统计和分类时，完全依据的是照像元的光谱特性。
非监督分类运算将原始图像的全部波段运用到其中，分类结果与各类像元数有着相类似的比例。
因为无需人工干预，非监督分类可采用高度自动化来完成。
非监督分类具体步骤如下：初始化各个分类、判断专题、分类合并、确定色彩、分类处理、定义色彩、转换栅格矢量、统计分析。
监督分类更依赖于用户的控制，适用于对研究区域了解较透彻的情况下。
在这种分类过程中，先选一些能够识别的，或者借助其它信息正确判断出类型的像元，来构建模板，再通过这一模块，使计算机系统对于具有相同特性的像元进行识别。
- 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)。
…
…
隐藏层
… …… om
输出层
第j层：第j-1层的直接后继层（j>0），它直接接 受第j-1层的输出。
输出层：它是网络的最后一层，具有该网络的最 大层号，负责输出网络的计算结果。
隐藏层：除输入层和输出层以外的其它各层叫隐 藏层。隐藏层不直接接受外界的信号，也不直接 向外界发送信号
x1
o1
基于变换的降维方法，如主成分分析PCA（K-L变 换），最小噪声分离变换MNF，小波变换等，经 过若干变换直接将高维数据降低到几维，降维速 度快。
分类比较
从图的每个类别中各选取300个训样本（所有 样本点在这两幅图像中对应相同的空间。原始 图像选择所有波段,K-L图像选择前3个波段,用 最大似然法分类。
分类步骤：
（1）参考光谱库的建立：以图像中已知类型的区域 为参考光谱，将区域中光谱的几何平均向量作为 类中心。
（2）计算未知像元与各类中心的夹角。 （3）通过多次实验分别对不同的类别设置不同的阈
值(若设置的闭值大于计算得出的光谱角度，则不 对该像元进行分类)。 （4）将给未知像元分类到夹角最小的类别中去。
Ai,Bi是第i(i=1,2,…,2N)位编码值,N为波段数, 则光谱相似系数r的计算方法如下:
X i Ai Bi
表示异或
2N
s Xi i 1
r (2N s) / 2N
除此之外，还可以采用包络线去除法或一阶导 的方法将光谱曲线进行变换，提取特征波段后， 再利用光谱匹配的技术，进行整个高光谱影像 的分类。
x1
o1
x2
o2
……
xn 输入层
…… 隐藏层
… ……
om 输出层
连接的拓扑表示： ANi
wij
ANj
层次划分
信号只被允许从较低层流向较高层。
层号确定层的高低：层号较小者，层次较低， 层号较大者，层次较高。
输入层：被记作第0层。该层负责接收来自 网络外部的信息
x1
o1
x2
o2
……
xn 输入层
光谱角（SAM）分类
光谱角度匹配是比较待识别地物向量与已知地物向量 的广义夹角，来确定每类地物的归属。广义夹角定义 如下：
cos( ) X Y
XY
由于光谱角度匹配只利用了角度这一唯一的参数，只 有当待识别像元的类内方差较小，类间方差较大，且 矢量的模中的信息对分类影响不大时，才能得到较高 的分类精度。
第七章 高光谱遥感图像分类
难点：
难点1：高光谱图像的光谱分辨率的提高是以其携 带的数据量显著增加为代价的，并且数据之间存 在很大的冗余，如何从大量带有冗余的数据中提 取有用信息，是高光谱而遥感图像研究的一个具 有极大挑战性的问题。
难点2：由于空间分辨率的限制，使得一个像元中 可能包含不止一种地物类型（混合像元），如何 对这种混合像元精确的分类是高光谱研究的另一 个重要课题。
层次（又称为“级”）的划分，导致了神经元 之间的三种不同的互连模式：
3.5 常用的神经网络模型
名称 Perceptron(感知 器) Hopfield网络
Back Propagation (反向传播网络)
Adaptive Resonan ce Theory(自适应 谐振理论)
Self-Organizing feature map(自组 织特征映射网络)
Boltzman and Cauchymachines (玻尔兹曼机和柯 希机)
主要应用领域 文字识别学习记 忆问题的研究 求解TSP问题
各个领域
模式识别图象识 别、语音识别及 生产中 语音识别，机器 人控制，专家系统 等
图象、声纳、雷 达等模式识别
局限性 不能识别复杂字 形(如汉字) 不能学习，权重 必须事先给定 有教师的训练， 必须有大量的输 入输出样本 受平移、歪斜及 尺度的影响
需要大量的练习 和训练
玻尔兹曼机训练 时间长，柯希机 在某些统计分布 情况下产生噪声
描述
这种最简单的感 知机已很少应用
能在大规模尺度 中实现
最普及和最广泛 应用的网络，工 作良好
系统复杂，难以 用硬件实现，应 用受到限制
优于许多数值计 算方法
使用一噪声过程 来取代函数的全 局极小值的网络
3.6 BP(Back Propagation) 神经网络概述
1 if v 1/ 2 (v) v if 1/ 2 v 1/ 2
1 if v 1/ 2
3、S形函数（Squashing Function）
(v)
1
1 exp(av)
3.3 拓扑结构
网络的拓扑结构是NN的重要特征，从连接方 式上可以包括：前馈型网络和反馈型动态网络 两大类。
如何面对高光谱数据的海量以及高维特点,将 高光谱图像的各种特征相结合,研究快速、高 效的目标识别与分类算法是目前和未来一段时 间内高光谱图像处理研究的一个热点。
1、降维+传统分类
遥感图像分类的主要基础是地物的光谱特征。 然而，高光谱的多波段影像的原始亮度值并不 能很好地表达类别特征，因此需要对数字图像 进行运算处理（如比值处理、差值处理、主成 分变换以及K－T变换等），以寻找能有效描述 地物类别特征的模式变量，然后利用这些特征 变量对数字图像进行分类。
结合mnf变换
为有效降低原始图像波段间的相关性，将原始 图像进行MNF变换后，然后转换到原来的空间， 再利用SAM方法采用与上面实验同样的阈值进 行分类，分类精度会有所提高。
原因在于：MNF反变换后消除了图像中的噪声， 使得某些孤立的像元点得到了较好的分类。
相关光谱匹配（SCM）
SCM也称为光谱相似度匹配或光谱相关系数， 与SAM原理类似，用光谱间相关系数(r)来衡量 整个测量的波长范围内光谱的相似程度，是一 种模糊数学的分类方法，可定义为:
SMLC方法
Jia和Richards（1994）根据波段间的相关性， 将高光谱数据分成几个组，由不同的组构成每 个类别的协方差矩阵，再从每个波段组计算出 判别函数值，最后求所有波段组产生函数值 的和，对每个像元进行分类，即简化最大似然 分类法。
2、光谱匹配分类法
基于相关/匹配滤波器的分类方法是充分利用 高光谱图像的高分辨率的光谱维优势，将待分 未知像元的光谱与参考光谱按照一定的规则进 行比较，以确定未知像元类别的方法。比较有 效的是光谱角填图，相关系数法以及二值编码 分类。
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。原始图像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。
区域C：可以看到原始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K-L变换图像中几乎没有被错分的像 点；
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：
n
Si w ji x j i j 1
yi f (Si )
3.2 人工神经元的基本构成
x1 w1
x2 w2
… xn wn
∑ net=XW
人工神经元模拟生物神经元的一阶特性。
输入：X=（x1，x2，…，xn） 联接权：W=（w1，w2，…，wn）T 网络输入： net=∑xiwi 向量形式： net=XW
h(n)=0, if x(n)<=T;
h(n)=1,if x(n)>=T; 其中x(n)是像元第n通道的亮度值，h(n)是其编
码，T是选定的门限制，一般选为光谱的平均 亮度，这样每个像元灰度值变为1bit，像元光 谱变为一个与波段数长度相同的编码序列。
分类步骤
设A,B分别是两个光谱曲线的二进编码,其中
3、神经网络分类算法
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。
３.1 神经系统原理
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。
1、BP算法的出现
非循环多级网络的训练算法 UCSD PDP小组的Rumelhart、Hinton和Williams1986年独立 地给出了BP算法清楚而简单的描述 1982年，Paker就完成了相似的工作 1974年，Werbos已提出了该方法
_
_
r
(R R )(R R )
_
_
[ (R R )2 ][ (R R )2 ]
二进制编码方法
对光谱进行二值编码是使得光谱可用简单的01序列来表述。一旦完成编码，就可利用基于 简单的算法来进行匹配识别。
一条光谱曲线，只需要用几个整形数就可以存 储，使得高光谱数据得到了巨大的压缩。在进 行匹配运算时，也只需要进行简单的位运算 (按位异或)即可，算法实现简单，分类效率较 高处理速度得到很大提高。
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)。
分类结果比较图
原始图像的最大似然法分类结果
K-L图像的最大似然法分类结果
区域A：在浅水区，K-L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。
原始高光谱图像
MLC分类
最大似然法因有严密的理论基础，对于呈正态分布的 类别判别函数易于建立综合应用了每个类别在各波段 中的均值，方差以及各波段之间的协方差，有较好的 统计特性，一直被认为是最先进的分类方法。