高光谱遥感图像研究意义及现状

合集下载

高光谱遥感图像处理与应用研究

高光谱遥感图像处理与应用研究

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。

(完整word版)高光谱目标检测文献综述

(完整word版)高光谱目标检测文献综述

基于核方法的高光谱图像目标检测技术研究----文献选读综述报告1前言20 世纪80 年代遥感领域最重要的发展之一就是高光谱遥感的兴起。

从20 世纪90 年代开始,高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。

高光谱遥感图像目标检测在民用和军事上都具有重要的理论价值和应用前景,是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。

2 研究目的及意义高光谱遥感图像是在电磁波谱的紫外、可见光、近红外和中红外区域,利用成像光谱仪获取的许多非常窄且光谱连续的图像数据(如图1.1所示)。

成像光谱仪为每个像元提供数十至数百个窄波段(通常波段宽度小于10 nm)的光谱信息,能产生一条完整而连续的光谱曲线。

图1.1 成像光谱仪探测地物目标示意图[1]高光谱遥感技术主要利用各种地物(例如某种土壤、岩石和作物)对不同的光谱波长具有各不相同的吸收率和反射率的原理,根据每种物质所拥有的独特光谱反射曲线来进行检测和分类。

利用高光谱遥感技术,能够很好地提取目标的辐射特性参量,使地表目标的定量分析与提取成为可能。

然而,高光谱遥感成像机理复杂、影像数据量大,这导致影像的大气纠正、几何纠正、光谱定标、反射率转换等预处理困难。

由于成像光谱仪获取的地物光谱特征曲线近乎连续,波段间相关性很高,数据冗余信息很多。

在使用传统目标检测方法对高光谱影像中感兴趣目标进行检测时,波段多且相关性高,会导致训练样本相对不足,致使分类模型参数的估计不可靠,检测分类存在维数灾难现象。

因此,高光谱影像给地物分类识别带来了巨大机遇,同时给传统的目标检测方法也带来了挑战。

为了充分发挥高光谱遥感技术的优势,必须在影像检测分类基本算法的基础之上,结合高光谱影像分类的特点,研究新的适用于高光谱影像的理论、模型和算法〕。

在国内外,许多研究机构在理论和应用上进行了探索,取得了不少成果。

自从上世纪90年代中期核方法在支持向量机分类中得到成功应用以后,人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况,在理论和应用中都有许多成果,引起了继经典统计线性分析、神经网络与决策树非线性分析后第三次模式分析方法的变革,成为机器学习、应用统计、模式识别、数据挖掘等许多学科的研究热点,在人脸识别、语音识别、字符识别、机器故障分类等领域得到成功应用[2]。

高光谱遥感影像技术发展现状与应用

高光谱遥感影像技术发展现状与应用

高光谱遥感影像技术发展现状与应用作者:李斐斐来源:《现代营销·学苑版》2018年第03期摘要:遥感作为一种常用的地质勘查技术,具有更为分辨率高、图谱合一等优势和特点。

因此被广泛地应用到地质、环境监测、农林资源调查、海洋研究等等方面。

本文在参考国内外研究文献的基础上,阐述了高光谱遥感的特点、优势,对高光谱遥感影像技术的发展现状进行分析,探讨该技术在经济、军事以及在航空及航天领域的发展情况,同时指出了目前高光谱遥感卫星技术应用存在的主要问题与发展趋势。

关键词:高光谱遥感;应用基金项目:兰州资源环境职业技术学院院级课题《基于图的半监督高光谱影像分类》(编号:Z2015-09;项目负责人:李斐斐)高光谱遥感又称为成像光谱遥感,主要是根据不同物质所反射出的光谱特征,通过数据识别物质属性,极大地提升了遥感技术在分辨率方面的精确度。

高光谱遥感与普通遥感技术的显著差异在于能够形成更加完整的光谱数据,进而实现从远距离而又不接触物质开展探测工作。

所以高光谱遥感是一项重要技术创新,实现了地物属性信息的量化提取。

一、高光谱遥感的概念高光谱遥感所获得的分辨率较高,这也是高光谱能够精确识别地表物质成分的核心优势。

成像光谱仪在空间成像的同时,能够以相同的空间分辨率记录下成百个光谱通道数据,从而有效丰富了图像空间几何信息及光谱信息,在将这些信息叠合之后便形成了高光谱立方体。

相对于二维空间来说,高光谱立方体在前者的基础上增加了一维光谱信息,最终形成三维的空间坐标系。

即将探测后形成的高光谱图像的每个波段数据都看成是一个层面,将成像光谱数据整体表达到该三维坐标空间,从而构成一个按波段顺序叠合构成的、拥有多个层面的数据立方体。

在对传统遥感成像技术与光谱技术有效融合的基础上,高光谱遥感技术能够精确的分析不同的物质所具有的光谱特征。

因为在一定的波长范围内(比如可见光-近红外、可见光-短波红外),相邻波段有光谱重叠区,也就是连续光谱成像,从而在高光谱立方体的每个图像像元均可提取一条连续的光谱曲线,这就是光谱的“指纹效应”。

高光谱遥感技术的发展与应用现状

高光谱遥感技术的发展与应用现状

三、高光谱遥感技术的应用现状
然而,目前高光谱遥感技术还存在一些问题和挑战。首先,高光谱遥感技术 的数据采集和处理成本较高,限制了其广泛应用。其次,高光谱遥感技术的数据 处理算法和模型还不够完善,分类精度有待提高。此外,由于高光谱遥感技术使 用的光谱波段范
三、高光谱遥感技术的应用现状
围较窄,对于某些特定地物目标的识别精度有限。
一、高光谱遥感技术概述
一、高光谱遥感技术概述
高光谱遥感技术是一种利用电磁波谱中可见光、近红外、中红外和热红外波 段的光谱信息,进行地表特征识别的遥感技术。它能够揭示出地物的光谱特征, 反映地物的空间、形态、结构等信息,具有很高的空间分辨率和光谱分辨率。
一、高光谱遥感技术概述
高光谱遥感技术的应用,为地球表面的资源调查、环境监测、精准农业等提 供了强有力的技术支持。
四、未来展望
四、未来展望
针对现有问题和未来发展趋势,高光谱遥感技术的研究和应用将朝着以下几 个方向发展:
1、降低成本:通过研发成本更低的硬件设备和优化数据处理算法,降低高光 谱遥感技术的数据采集和处理成本,促进其广泛应用。
四、未来展望
2、提高精度:通过对数据处理算法和模型的深入研究和完善,提高高光谱遥 感技术的分类精度和识别精度。
三、高光谱遥感技术的应用现状
高光谱遥感技术可以用于土地资源调查、土地利用规划、土地资源保护等方 面的应用。例如,通过对不同土地类型的光谱特征进行分析,可以实现对土地类 型的精细分类和利用评估。
三、高光谱遥感技术的应用现状
在农作物监测方面,高光谱遥感技术可以用于农作物的生长状态监测、产量 预测、品质评估等方面的应用。例如,通过测量农作物的叶绿素含量和水分含量 等光谱特征,可以判断农作物的生长状况和预测产量。此外,高光谱遥感技术在 地质勘察、城市规划、军事侦察等领域也有广泛的应用。

高光谱遥感技术综述

高光谱遥感技术综述

四、高光谱遥感成像技术的发展趋势
伴随着成像光谱技术的逐渐成熟,高光谱影像分析研究的 不断深入,应用领域日益广泛,高光谱遥感技术发展呈现以下 趋势: 1、成像光谱仪的光谱探测能力将继续提高 2、成像光谱仪获取影像的空间分辨率逐步提高 3、正在由航空遥感为主转为航空和航天遥感相结合阶段,逐 步从遥感定性分析阶段发展到定量分析阶段
谢谢!
三、高光谱遥感成像技术发展现状
高光号 检测、计算机技术、信息处理技术于一体的综合性技术。技术成 果主要表现在成像光谱仪研制、高光谱影像分析两方面。 1、国外发展现状 国外的发展大致可以分为机载成像光谱仪和星载成像光谱仪。 随着美国的三代机载成像光谱仪的问世,现在更多的倾向于在航 空领域的发展。美国的JPL研制的中分辨率成像光谱仪搭载TERRA卫星的发射,成为第一颗在轨运行的星载成像光谱仪。2000 年发射的高光谱成像仪地面分辨率为30m,2002年美国海军测绘 观测卫星携带的成像光谱仪具有自适应性信号识别能力,能够满 足军民两用,2007年美国又向空军交付的基地的高光谱成像传感 器通过TacSat-3卫星送入太空。
2、国内发展现状 20世纪80年代,我国开始着手研制自己的高光谱成像系统。 相继成功研制出推扫式成像光谱仪(PHI)系列,实用型模块 化成像光谱仪(OMIS)系列等。中科院上海技术物理研究所研 制的中分辨率成像光谱仪于2002年搭载神舟三号发射升空,成 功获取航天高光谱影像,从可见光到近红外30个波段,空间分 辨率在500m。2007年10月发射的嫦娥一号携带干涉成像光谱仪 升空,用于月球的探测。2007-2010年,我国组建了环境和灾 害监测预报小卫星星座,携带超光谱成像仪,采用0.450.95um波段,平均光谱分辨率在5nm,地面分辨率在100m。

高光谱遥感技术的应用前景

高光谱遥感技术的应用前景

高光谱遥感技术的应用前景随着科技的不断发展,遥感技术越来越成为人们了解和掌握地球信息的有力工具,而高光谱遥感技术就是其中一种很重要的技术。

高光谱遥感技术能够提供比传统遥感技术更丰富和精细的地球信息,因而在许多领域都有广泛应用,从环境保护、水资源管理到农药使用管理等等,都有着广泛的应用前景。

一、高光谱遥感技术的基本原理和特点高光谱遥感技术是指遥感技术中利用高光谱仪器获取并记录地物反射光谱的过程。

高光谱遥感技术相比于传统遥感技术,不仅能够获取到地物的空间和光晕信息,还能够获取到更高的光谱分辨率,能够对地物的光谱反射进行更精确的分析。

高光谱遥感技术有着广泛的应用范围,既能用于地表覆盖和生态环境监测,也能用于资源勘探和开发。

高光谱遥感技术数据的处理通常是建立在一个多波段反射率数据集上,数据集中每个像素的反射率都被记录在不同波长的光谱带中。

二、高光谱遥感在环境保护中的应用高光谱遥感技术在环境监测与评估中有着广泛的应用,可以用于监测和掌握地球上的各种环境指标,比如水质检测、空气污染等等。

在水资源管理中,高光谱遥感技术可用于测定水体水质、流速等水文参数,还可以追踪水文演化、水生生态系统变化等。

在空气污染的识别、区分和定量化监测方面,高光谱遥感技术也无疑是非常有用的。

能够捕获不同类型的污染物质与混合物在光谱上的独特的“指纹”,通过这些指纹可以对目标物质进行识别和区分。

这种技术可以适用于城市和工业区域、矿山地区、较为多源的汽车尾气等。

三、高光谱遥感在农业中的应用高光谱遥感技术在农业中的应用是多方面的,例如识别不同的植物覆盖、追踪作物生长等。

针对农业领域,高光谱遥感技术能够提供更为精确和准确的地物分类、植被指数、作物监测和干旱指数等信息,还可以对农药使用管理等方面进行科学决策和预测。

例如,在干旱监测上,采用高光谱遥感获取显著的有机物光谱特征,从而可制定地表和植被湿度指数,进而进行干旱程度分级评估。

这种技术可用于种植业、水资源管理、生态学和气候模型研究等领域。

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

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。

《高光谱遥感的发展》课件

《高光谱遥感的发展》课件

高光谱遥感技术的发展趋势
提高数据获取能力
未来将进一步提高高光谱传感器的性 能,提高数据获取的精度和稳定性。
加强数据处理能力
未来将进一步发展人工智能、机器学 习等技术,提高数据处理的速度和精 度。
拓展应用领域
未来将进一步拓展高光谱遥感技术的 应用领域,如城市规划、资源调查、 灾害监测等。
加强技术交流与合作
从分割后的图像中提取地物的光谱特征,包括光谱曲线、谱带宽度 、谱带深度等。
地物分类与识别
利用提取的光谱特征,对地物进行分类和识别,常用的方法包括监 督分类、非监督分类和支持向量机等。
03
高光谱遥感技术发展现状
高光谱遥感传感器的发展
高光谱成像技术进步
随着技术的不断进步,高光谱成像传 感器在空间分辨率、光谱分辨率和辐 射分辨率等方面取得了显著提升,为 地物精细识别提供了有力支持。
新型传感器研发
科研人员正致力于开发新型的高光谱 传感器,如多角度高光谱传感器和热 红外高光谱传感器,以拓宽遥感的应 用领域。
高光谱数据处理技术的发展
数据处理算法优化
针对高光谱数据的处理,算法不断优 化以提高数据处理速度和准确性,例 如支持向量机、神经网络等机器学习 方法在高光谱分类和识别中的广泛应 用。
3
城市规划与管理
在城市规划与管理方面,高光谱遥感为城市发展 提供了丰富的空间和环境信息,有助于实现精细 化管理和可持续发展。
04
高光谱遥感技术面临的挑战与展 望
高光谱遥感技术面临的挑战
数据获取难度大
数据处理复杂度高
高光谱遥感技术需要获取大量的高光谱数 据,但受到传感器性能、天气条件等多种 因素的影响,数据获取难度较大。
资源调查与利用

高光谱遥感数据分析在农作物识别中的应用研究

高光谱遥感数据分析在农作物识别中的应用研究

高光谱遥感数据分析在农作物识别中的应用研究引言:随着农业现代化的推进和科技的不断发展,高光谱遥感技术在农作物识别中的应用日益广泛。

高光谱遥感是一种通过检测物体在不同波长下的反射或辐射,获得其光谱特性,从而对物体进行识别和分析的技术。

本文将探讨高光谱遥感数据分析在农作物识别中的应用研究,并介绍其原理、方法和现状,以及未来的发展方向。

一、高光谱遥感数据分析的原理高光谱遥感数据分析是基于光谱特性差异的原理进行的。

光谱特性是指物体在不同波长下的反射、吸收和辐射等性质。

农作物在生长过程中会吸收和反射不同波长的光,形成独特的光谱特征。

通过高光谱遥感技术可以获取农田的大量光谱数据,进而分析和识别农作物的类型和状态。

二、高光谱遥感数据分析的方法1. 光谱特征提取:高光谱遥感数据可以采集每一个像素点的光谱信息,这些信息可以通过光谱特征提取方法进行分析。

常用的方法包括主成分分析(PCA)、线性光谱混合模型(LSMM)等。

通过这些方法可以提取出反映不同农作物光谱特征的指标,如NDVI指数、EVI指数等。

2. 农作物分类与识别:利用高光谱数据的光谱特征差异,可以建立分类和识别模型,实现对不同农作物的自动识别。

常见的分类方法包括支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)等。

这些方法可以利用光谱特征和已知样本进行模型训练,从而实现对新样本的分类和识别。

3. 农作物生长监测:高光谱遥感数据不仅可以用于农作物的分类和识别,还可以用于农作物的生长监测。

通过分析不同时间点的高光谱数据,可以评估农作物的生长状态、生长速度、病虫害等情况,为农民提供科学的决策依据。

三、高光谱遥感数据分析在农作物识别中的应用现状高光谱遥感数据分析在农作物识别中已经取得了一些重要的研究成果。

例如,在水稻、小麦、玉米等主要农作物的识别和监测方面,高光谱遥感技术已经取得了很大的进展。

研究表明,高光谱数据的使用可以提高农作物分类和识别的准确度,同时可以提高对农作物生长状态的监测精度。

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。

高光谱遥感图像解译算法研究

高光谱遥感图像解译算法研究

高光谱遥感图像解译算法研究随着科技的不断进步和创新,高光谱遥感技术已经被广泛应用于解决环境、农业、林业、城市规划和资源管理等领域。

高光谱遥感图像是一种多波段、高光谱的图像,具有很高的信息量和空间分辨率,在解译上有很大的挑战。

因此,高光谱遥感图像解译算法的研究变得尤为重要。

一、高光谱遥感图像的基本特点高光谱遥感图像是指通过遥感技术获取的超过三百个波段的图像,包含了大量的细节和丰富的信息。

与传统的遥感图像相比,高光谱遥感图像具有更高的空间分辨率和更丰富的光谱信息。

因此,高光谱遥感图像能提供更加精确和全面的数据信息,为地表物质的检测、区分、定量分析和信息提取提供了更好的基础。

二、高光谱遥感图像解译算法研究高光谱遥感图像具有非常高的信息密度,但对于人类来说,难以直接对图像信息进行有效的解读。

因此,需要研究高效的高光谱遥感图像解译算法,该算法可以快速地对图像中的信息进行分类和解译,提取出我们所需要的结构信息。

(一) 监督分类算法监督分类算法是一种常用的高光谱遥感图像解译算法,它基于一些指定的代表性光谱特征向量库进行分类训练。

监督分类算法通常使用支持向量机(SVM)或最小距离分类器(MDC)等方法进行分类,能够进行更加准确和精细的图像分类和解译。

(二) 无监督分类算法无监督分类算法是一种使用统计学聚类方法对高光谱遥感图像进行分类和解译的方法。

无监督分类算法通常采用k均值聚类和谱聚类等算法进行分类,不需要人为干预将图像分类,能够在信息分析方面更好地体现高光谱遥感图像的纹理信息。

(三) 特征提取算法特征提取算法是一种通过选择有代表性的特征变量或特征值将高光谱遥感图像进行优化处理的方法,以便更好地分类和解译。

特征提取算法通常采用主成分分析(PCA)和线性判别分析(LDA)等算法,对图像空间、频率和时间等方面的特征进行分析,更好地提取出有用的信息。

三、高光谱遥感图像解译算法的应用高光谱遥感图像解译算法在众多领域都得到了广泛应用,例如,应用于农业领域可以实现对不同农作物的分类、成熟度评估和病虫害检测等。

高光谱图像分类

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。

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势摘要:遥感在中国已经取得了世界级的成果和发展,被广泛应用于国民经济发展的各个方面,如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等,形成了适合中国国情的技术发展和应用推广模式。

随着遥感数据获取手段的加强,需要处理的遥感信息量急剧增加。

在这种情况下,如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求,正成为遥感信息处理面临的一大难题。

这里涉及二个方面,一是遥感图像处理本身技术的开发,二是遥感与地理信息系统的结合,归结起来,最迫切需要解决的问题是如何提高遥感图像分类精度,这是解决大区域资源环境遥感快速调查与制图的关键。

关键词:遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段,它在近一二十年内得到了飞速发展,目前又将达到一个新的高潮。

这种发展主要表现在以下4个方面:1. 多分辨率多遥感平台并存。

空间分辨率、时间分辨率及光谱分辨率普遍提高目前,国际上已拥有十几种不同用途的地球观测卫星系统,并拥有全色0.8~5m、多光谱3.3~30m的多种空间分辨率。

遥感平台和传感器已从过去的单一型向多样化发展,并能在不同平台上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。

民用遥感影像的空间分辨率达到米级,光谱分辨率达到纳米级,波段数已增加到数十甚至数百个,重复周期达到几天甚至十几个小时。

例如,美国的商业卫星ORBVIEW可获取lm空间分辨率的图像,通过任意方向旋转可获得同轨和异轨的高分辨率立体图像;美国EOS卫星上的MOiDIS-N传感器具有35个波段;美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。

随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展,各类遥感分辨率的提高成为普遍发展趋势。

2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。

高光谱遥感图像处理与分析方法研究

高光谱遥感图像处理与分析方法研究

高光谱遥感图像处理与分析方法研究高光谱遥感图像处理与分析是一门关于获取、处理和分析高光谱遥感图像数据的研究领域。

高光谱遥感技术以其独特的优势,逐渐成为遥感领域的热点之一。

本文将探讨高光谱遥感图像处理与分析的相关方法和应用。

1. 高光谱遥感图像处理方法1.1 高光谱图像的预处理高光谱图像的预处理是数据分析的关键步骤之一。

预处理的目的是消除图像中的噪声、提高图像的质量和增强潜在的信息。

常用的高光谱图像预处理方法包括辐射校正、大气校正、几何校正等。

辐射校正可以校正图像中的辐射效应,消除不同时间、天气条件下的影响。

大气校正是为了消除大气介质对图像的遮挡和光束散射的影响。

几何校正则是为了消除由于传感器的几何影响导致的图像畸变等。

1.2 高光谱图像的特征提取高光谱图像中包含了丰富的光谱信息,因此特征提取是图像处理中的重要步骤。

常用的特征提取方法包括主成分分析(PCA)、线性判别分析(LDA)、t-SNE等。

主成分分析可以将高维的光谱数据降维到低维,减少冗余信息的同时保留关键的主要特征。

线性判别分析则是一种经典的分类方法,通过最大化不同类别间的可分性来提取有效的特征子空间。

t-SNE是一种非线性的降维方法,可以在保持样本间的局部关系的同时将高维数据映射到低维空间。

1.3 高光谱图像的分割与分类高光谱图像的分割与分类是高光谱遥感图像处理与分析的关键任务。

分割可以将图像分成不同的区域,以便进行进一步的分析和处理。

常用的分割方法包括基于光谱信息的阈值分割、基于区域的聚类分割、基于边缘的分割等。

分类则是将分割后的图像像素分类到不同的类别中,常用的分类方法包括最小距离分类法、支持向量机、随机森林等。

2. 高光谱遥感图像处理与分析的应用2.1 农业领域高光谱遥感图像可以提供农作物的光谱特性,通过对光谱特性的分析,可以实现作物类型分类和监测。

此外,高光谱遥感还可以检测作物的营养状况、水分利用效率等方面的信息,为农业管理和决策提供科学依据。

高光谱遥感技术的发展与应用现状概要

高光谱遥感技术的发展与应用现状概要

文章编号:0494-0911(200810-0001-04中图分类号:P237 文献标识码:B高光谱遥感技术的发展与应用现状杨国鹏,余旭初,冯伍法,刘伟,陈伟(信息工程大学测绘学院遥感信息工程系,河南郑州450052The D evel op m ent and Applicati on of H yperspectral RS TechnologyYANG Guo -peng ,YU X u -chu ,FENG W u -fa ,L I U W e,i CHEN W e i摘要:20世纪80年代初期出现的高光谱遥感技术,将反映目标辐射属性的光谱信息与反映目标空间几何关系的图像信息有机地结合在一起,与传统的全色、多光谱遥感相比,在地物识别方面具有明显的优势。

高光谱遥感技术在许多国家的重视下发展迅速,其应用领域也日趋广泛并更加成熟。

对高光谱遥感技术的发展与应用现状进行总结。

关键词:高光谱影像;高光谱遥感;发展;应用收稿日期:2008-04-24作者简介:杨国鹏(1982-,男,山东聊城人,博士生,研究方向为图像处理与模式识别、高光谱遥感技术应用。

20世纪80年代初期出现的高光谱遥感,在光谱分辨率上具有巨大的优势,被称为遥感发展的里程碑。

世界各国对该类遥感的发展都十分重视,成像光谱仪技术发展迅速,高光谱影像处理技术日趋成熟与深入,应用日益广泛。

一、高光谱遥感技术成像光谱仪能获取许多波段狭窄且连续的影像,光谱分辨率达到纳米级。

利用高光谱数据反演得到的地物反射光谱特征,能研究地球表面物体的分类、物质的成分、含量、存在状态、空间分布及动态变化[1]。

1.高光谱遥感技术的特点与传统的全色、多光谱遥感影像相比较,高光谱影像具有以下特点[2,3]:1.光谱响应范围广,光谱分辨率高。

成像光谱仪响应的电磁波长从可见光延伸到近红外,甚至到中红外;光谱分辨率达到纳米级。

2.光谱信息与图像信息有机结合。

在高光谱影像数据中,每一像元对应于一条光谱曲线,整个数据是光谱影像的立方体,具有空间图像维和光谱维。

高光谱图像处理与分析技术研究

高光谱图像处理与分析技术研究

高光谱图像处理与分析技术研究摘要:高光谱图像处理与分析技术是一项重要的研究领域,其在农业、环境科学、遥感等领域具有广泛的应用。

本文综述了高光谱图像处理与分析技术的基本概念及其在实际应用中的重要性。

重点介绍了高光谱图像的获取方式、预处理方法、特征提取与分类,以及图像融合与无损压缩等技术。

此外,本文还讨论了高光谱图像处理与分析技术发展中面临的挑战以及未来的研究方向。

1. 引言高光谱图像是在一个较宽的光谱范围内获取样本的光谱信息,并将其映射到图像上的一种技术。

相较于传统的彩色图像,高光谱图像包含了更丰富的光谱信息,有助于提高图像的识别和分类能力。

因此,高光谱图像处理与分析技术在许多领域中得到了广泛的应用。

2. 高光谱图像获取方式高光谱图像可以通过多种方式获取,包括航空遥感、卫星遥感以及近距离遥感等。

不同的获取方式对应着不同的数据质量和分辨率。

在选择获取方式时,需要综合考虑成本、易用性和应用需求等因素。

3. 高光谱图像预处理方法高光谱图像预处理是高光谱图像处理的第一步,其目的是去除图像中的噪声和其他干扰,以提高图像的质量。

常用的预处理方法包括噪声滤波、几何校正、辐射校正和大气校正等。

4. 高光谱图像特征提取与分类高光谱图像的特征提取与分类是高光谱图像处理的核心内容之一。

通过提取不同波段的图像特征,可以有效地对图像进行分类和识别。

常用的特征提取方法包括统计特征、频域特征和小波变换等。

而图像分类方法则包括传统的监督学习方法和近年来新兴的深度学习方法。

5. 高光谱图像融合与无损压缩技术高光谱图像融合是将多个波段的高光谱图像融合成一个多光谱图像的过程。

融合后的图像具有更高的空间分辨率和光谱分辨率,可以提高图像的识别和分类效果。

而高光谱图像无损压缩技术则可以压缩高光谱数据的体积,提高数据的传输效率。

6. 高光谱图像处理与分析技术的挑战与未来研究方向高光谱图像处理与分析技术在实际应用中面临着许多挑战,如数据维度高、图像复杂度大和计算复杂度高等。

高光谱图像分类算法的研究与实现

高光谱图像分类算法的研究与实现

高光谱图像分类算法的研究与实现随着高光谱遥感技术的快速发展,获取高光谱数据集的难度越来越小,但如何从大量的光谱数据中提取有用的信息,成为研究者们所关注的重要问题。

分类作为高光谱图像应用的核心问题之一,属于监督学习的范畴,具有广泛的应用前景。

本文将介绍高光谱图像分类算法的研究现状和实现方法。

一、高光谱图像分类算法研究现状高光谱图像分类算法是从多光谱图像或全色图像中提取光谱信息以分类物体的遥感应用算法。

目前,高光谱图像分类算法主要有以下几种:1. 基于统计学习的分类算法统计学习是通过对大量实例进行学习和推断来构造模型,对观测数据进行分类或回归预测的方法。

在高光谱图像分类中,常用的统计学习算法包括KNN、SVM、决策树等。

这些算法快速高效,特别是在小样本分类中表现优秀,但是在对特征提取方法不足和噪声较多的情况下,分类精度有待提高。

2. 基于神经网络的分类算法神经网络是一种模拟人脑神经系统的学习算法,具有一定的自适应性,可增加模型的分析能力。

在高光谱图像分类中,常用的神经网络算法包括BP神经网络、SOM神经网络、CNN神经网络等。

这些算法具有极强的图像处理和模式匹配能力,但是需要大量样本,且模型复杂,训练速度较慢。

3. 基于深度学习的分类算法深度学习是近年兴起的一种基于神经网络的学习算法,包括卷积神经网络(CNN)、循环神经网络(RNN)等,具有很强的自适应性和泛化能力。

在高光谱图像分类中,深度学习算法具有很大的优势,目前在高光谱遥感分类领域有很多应用。

二、高光谱图像分类算法实现方法1. 特征提取特征提取是高光谱图像分类算法的重要环节。

目前,特征提取方法主要包括基础特征提取、频域特征提取、小波变换特征提取和稀疏表示特征提取等。

基础特征提取是最常用的方法之一,包括光谱信息和空间信息。

以光谱信息为例,可以采用平均值、标准差或者主成分分析等方法来提取基础特征。

空间信息可以通过纹理信息、梯度等方式来提供基础特征。

高光谱遥感影像的信息提取与应用研究

高光谱遥感影像的信息提取与应用研究

高光谱遥感影像的信息提取与应用研究高光谱遥感影像是近年来迅速发展起来的一种高精度遥感技术。

相比于传统的遥感影像,高光谱遥感影像可以提供更加丰富、细致的数据信息,能够更好地反映地面对象的物理和化学特性,具有广泛的应用前景。

本文将着重探讨高光谱遥感影像的信息提取与应用研究。

一、高光谱遥感影像的信息提取1.高光谱遥感影像的数据特点高光谱遥感影像相比于传统的遥感影像具有较高的光谱分辨率。

该技术可以将地球表面的反射光谱分为数百或数千个波段,获得更加详细的图像信息。

由于数据量极大,因此提取高度纯净的信息,需要学者们从多个维度上进行分析。

2.信息提取的方法信息提取方法在很大程度上决定了高光谱遥感影像的应用价值。

常见的信息提取方法包括:基于像元特征分析的方法、基于物质光谱匹配的方法、基于深度学习的方法等。

不同的方法适用于不同的应用场景,需要根据实际情况进行选择。

3.信息提取的应用高光谱遥感影像的信息提取可以广泛应用于自然资源管理、环境保护、城市规划等领域。

例如,在农业领域中,可以通过提取作物的生长状态信息,实现真正意义上的精准农业,提高粮食产量和质量。

此外,高光谱遥感影像的信息提取还可以帮助分析矿产资源、水资源和土地利用情况等。

二、高光谱遥感影像的应用研究1.农业领域在农业领域,高光谱遥感影像的应用主要体现在作物监测、土壤养分评估、灾害监测等方面。

例如,通过分析高光谱遥感影像中的叶绿素、植被指数等参数,可以对农作物的健康状态进行评估。

此外,在危害性灾害如病虫害和气象灾害等方面,也可以通过高光谱遥感影像来进行预警和监测。

2.环境保护领域在环境保护领域,高光谱遥感影像的应用主要体现在水体监测、气体监测等方面。

通过对高光谱遥感影像中的水体类别、浊度、富营养化度等参数进行分析,可以判断水体是否存在污染物,以及是否需要进行入河口治理等措施。

此外,在大气污染方面,也可以通过高光谱遥感影像来预测空气质量等指标。

3.城市规划领域在城市规划领域,高光谱遥感影像的应用主要体现在环境评估、景观设计等方面。

  1. 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. 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. 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)。

高光谱遥感图像研究意义及现状1研究高光谱遥感图像的意义 (1)2高光谱遥感图像分类以及其基本现状 (2)2.1图像预处理 (3)2.2定义感兴趣地物类别并标记训练样本 (3)2.3特征提取与特征选择 (4)2.4分类判决 (4)1研究高光谱遥感图像的意义遥感图像是按一定比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式,因此遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征。

遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。

只要了解这些因素对遥感图像特征的影响,则可按图像特征判读地面物体的属性及其分布范围,实现遥感图像的分类识别。

高光谱遥感图像是一种高维图像,可反映地物的空间信息和光谱信息,其数据量庞大。

随着传感器的不断更新,人们已经可以在不同的航空、航天遥感平台上获取不同时空间分辨率和光谱分辨率的遥感影像。

高光谱遥感与以往遥感技术相比,具有图谱合一的特征和从可见光到红外甚至热红外的一系列波段,是一种综合性的遥感技术手段。

特别是在地面的信息比较微弱的情况下,高光谱遥感具有识别微弱信息和定量探测的优势。

发展高光谱遥感技术,满足军事和民用对该技术的需求,开展该领域的研究是非常必要而有实际意义的。

发展以地物精确分类、地物识别、地物特征信息提取为目标的超光谱遥感信息处理模型,提高超光谱数据处理的自动化和智能化水平。

高光谱遥感技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起,而许多物质的特征往往表现在一些狭窄的光谱范围内,高光谱遥感实现了获取地物的光谱特征同时又不失其整体形态及其与周围地物的关系。

高光谱技术产生的一组图像所提供的丰富信息可以显著地提高数据分析的质量、细节性、可靠性以及可信度,可有效地用于地物类型的像素级甚至亚像素级识别,己广泛应用于地质勘探与地球资源调查、城市遥感与规划管理、环境与灾害监测、精细农业、测绘及考古等方面。

当前,世界各国都加强了高光谱遥感技术在各领域的应用研究,比如:在对月球、火星等星体的科学考察中,通过高光谱传感器收集岩石和土壤矿物成分的光谱信息可获知星球的地质状况,具有很好的应用前景;在军事上,星载遥感成像技术和机载遥感对地观测技术是世界各国军事实力竞争的关键之一,高光谱传感器能够检测出普通CCD相机或摄像机无法捕获的各种伪装、隐蔽目标,可应用于战场情报侦察和目标识别。

2高光谱遥感图像分类以及其基本现状根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法叫做图像分类。

它利用计算机对图像进行定量分析,把图像或图像中的每个像元或区域划归为若干个类别中的某一种,以代替人的视觉判读。

遥感图像分类主要依据是地物的光谱特征,既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。

分类是对图像上每个像素按照亮度并接近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。

高光谱图像的分类和识别,主要有两种方法,即基于地物光谱特征的分类识别方法和基于统计的分类识别方法。

前者是利用光谱库中已知的光谱数据,采用匹配算法来鉴别和识别图像中地物类型。

这种方法既可采用全波长的比较和匹配,也可用感兴趣的光谱特征或部分波长的光谱或光谱组合参量进行匹配,达到分类和识别的目的。

基于统计特征的分类,可采用非监督和监督分类两种方法,非监督方法甚至不需要有对数据的先验知识,也可以直接应用原始高光谱遥感图像数据来进行分类,虽然精度有所欠缺,但简单易行,也是常用的方法之一。

对高光谱图像的分类,其基本流程如图1所示。

图1 图像分类的基本流程2.1图像预处理高光谱图像预处理与一般的图像数据一样,也需要对原始的数据进行基本的大气辐射校正、几何畸变校正、波段选择以及消除噪声等处理。

另外由于高光谱图像的数据量大,维数比较高,因此在判别分类处理之前应该对数据进行光谱和空间去冗余以得到高质量的特征,数据降维是高光谱遥感图像数据处理的一个关键预处理环节。

2.2定义感兴趣地物类别并标记训练样本在数据分析开始之前,一般先根据三个波段合成的假彩色图像对数据进行整体的直观分析,以产生较详细的类别组,从中定义出用户需要的类别。

定义的最优类别需要满足以下三个要求:①完整性:图像中每一个像素都有可以赋予的一个逻辑类别。

②可分性:对可得到的光谱特征,各个类别必须具有足够的可分性。

③有用性:类别的定义必须满足用户的需要,要有信息价值。

类别定义后,就需要为每一个类别选出一定数量的训练样本。

训练样本的标记必须依赖于地面真实数据。

获取训练样本的过程对不同的数据集以及分析员对场景先验信息了解的多少程度不同有很大的不同。

以下给出几种常用方法。

① 从图像中获取各类别可标记的样本。

② 在数据获取的同时在地面得到部分观测。

③ 分析表征像素点的光谱空间得到单一像素的类别信息。

这些训练样本必须是相应类别的一个均质样本,不能包含其他类别,也不能是和其他类别之间的边界或混合像元,但同时必须包括该类别的变化范围,因此常需对每一个类别标定多于一个的训练区。

每类地物的训练样本数目需要相似,如果差别太大容易出现少数归类于多数的现象,另外还需要考虑训练过程的推广性,即训练样本是否已表征整个数据集,训练过程能否推广到类别中为参加训练的其他样本。

2.3特征提取与特征选择特征提取和特征选择是遥感图像分类处理过程中一个必不可少的重要环节,一方面能减少参加分类的特征图像的数目,另一方面从原始信息中抽取能更好进行分类的特征图像。

特征提取是从原始特征中求出最能反映其类别特征的一组新特征。

特征提取能使同类物质样本的分布具有密集性,而不同类别物质的样本在特征空间能够隔离分布,为进一步分类打下了良好的基础。

特征选择是依据原始波段图像的量测值,经过一定的变换重新形成一组能够有效地描述地物类别特征的模式的过程。

特征选择的实质是从n 个特征中挑选出()m m n 个最有效的特征。

但要尽量做到两点:第一是数据压缩意义,即在不损失原始数据有用信息的条件下,来选择部分有效特征,而抛弃多余特征;第二是类别可分性意义,即所选择的特征相对于其它特征能够更有效地进行分类。

2.4分类判决训练区选好之后,相应的地物类别的光谱特征便可以用训练区中的样本数据进行统计。

根据图像特点和分类目的设计或选择恰当的分类器及其判决准则,对未知区域的样本进行类别归属的判断,分类判决是分类处理的核心阶段。

基于统计特征的分类,根据分类过程中人工参与程度分为有监督分类和非监督分类 [6,9] 等,有监督分类常简称监督分类。

监督分类,又称训练分类,即用被确认类别的样本像元去识别其他未知类别像元的过程。

已被确认类别的样本像元是指那些位于训练区的像元。

在这种分类中,分析者在图像上对每一种类别选取一定数量的训练区,通过计算,将每个像元和训练样本作比较,按照不同规则划分到和其最相似的样本类。

主要步骤包括:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。

监督分类的主要优点:①可根据应用目的和区域,有选择地决定分类类别,避免出现一些不必要的类别;②可控制训练样本的选择;③可通过检查来决定训练样本是否被精确分类,从而避免分类中的严重错误;④避免了非监督分类中对光滑集群组的重新归类。

监督分类的缺点:①由于人为因素,分类系统的确定、训练样本的选择,分析定义的类别也许并不是图像中存在的自然类别,致多维数据空间中各类别间并非独一无二,而是有重叠,分析者所选择的训练样本也可能并不代表图像中的真实情形;②由于图像中同一类的光谱差异,如同一森林类,由于森林密度、年龄、阴影等的差异,其森林类的内部方差大,造成训练样本没有很好的代表性;③训练样本的选取和评估需要花费较多的人力和时间;④只能识别训练样本中所定义的类别,若某类别由于训练者不知道或者其数量太少未被定义,则监督分类不能被识别。

非监督分类,也称为聚类分析或点群分析,是指事先对遥感图像地物的属性不具先验知识,纯粹依靠不同光谱数据组合在统计上的差别来进行“盲目分类”,事后再对已分出各类的地物属性进行确认。

即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。

非监督分类不需要人工选择训练样本,仅需极少的人工初始输入,计算机按照一定规则自动地根据像元光谱或空间等特征组成集群组,然后分析者将每个组和参考数据比较,将其划分到某一类别中去。

在无监督分类方法下,只能假定初始的参量,并通过预分类处理来形成集群(即聚类),再由集群的统计参数来调整预置的参量,接着再聚类、再调整,如此不断迭代直至有关参量的变动在容忍的范围内为止。

由于无监督分类没有使用任何关于数据的先验信息,所以分类效果通常较差,而且无法给出数据类别的含义。

而在遥感数据分析中,研究者总是或多或少的掌握一些关于数据的先验信息,利用监督分类方法可以大幅度的提高分类的精度。

与监督分类相比,非监督分类具有以下优点:①不需要预先对所要分类的区域有广泛的了解和熟悉,但分析者仍需要一定的知识来解释分类得到的集群组;②人为误差的机会减少,所产生的类别比监督分类的更均质;③独特的、覆盖量小的类别均能够被识别,而不会像监督分类那样被分析者的失误所丢失。

与监督分类相比,非监督分类主要缺点是来自对其“自然”的依赖性:①所产生的光谱集群组并不一定对应于分析者想要的类别,因此分析者面临着如何将它们和想要的类别相匹配的问题,实际上几乎很少有一对一的对应关系;②分析者较难对产生的类别进行控制,因此其产生的类别也许并不能让分析者满意;③图像中各类别的光谱特征会随时间、地形等变化,不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性,从而使不同图像之间的对比变得困难。

20世纪80年代末,神经网络开始应用于遥感图像分类。

神经网络具备了一些智能推理功能和并行运算的能力,它能自己组织和自己学习训练,可以有效的解决很多非线性问题。

神经网络在处理高光谱数据是也存在一定的缺点:由于它完全依赖于经验地使用训练样本,其所需的迭代训练时间就会很长;另外它还会产生过学习问题,即对于有限的训练样本来说如果网络的学习能力过强,则无法保证它对新的样本也能够得到好的预测,即训练误差过小反而会导致推广能力下降的现象出现。

在很多情况下,即使已知问题中的样本来自比较复杂的模型,但由于训练样本有限,用复杂的预测函数对样本进行学习的效果通常不如用相对简单的预测函数,当有噪声存在时更是如此。

为了解决有限样本问题,Vpnik等人早在20世纪60年代就开始研究有限样本情况下的机器学习问题,直到90年代中,有限样本情况下的机器学习理论研究才逐渐成熟起来,形成了统计学习理论(Statistical Learning Theory, SLT)。

相关文档
最新文档