超谱图像分类方法及研究进展

合集下载

基于Vision Transformer的高光谱图像分类

基于Vision Transformer的高光谱图像分类基于Vision Transformer的高光谱图像分类摘要：随着科技的发展，高光谱图像的获取和应用越来越广泛。

高光谱图像包含了丰富的光谱信息，对于许多领域的问题都具有重要的指导意义。

然而，高光谱图像的分类任务一直面临着挑战，主要是由于数据维度高、噪声干扰和像素关联性等问题。

为了解决这些问题，本文提出了一种基于VisionTransformer （ViT）的高光谱图像分类方法。

该方法利用了ViT在计算机视觉领域的优秀表现，并将其应用于高光谱图像分类任务中。

通过对高光谱图像进行切块，并将每个切块作为输入，我们可以利用ViT模型学习到高光谱图像的特征表示，从而实现分类任务。

实验结果表明，该方法在高光谱图像分类任务中取得了良好的性能，不仅提高了分类准确率，还具有较强的鲁棒性和泛化能力。

一、引言高光谱图像是指在一定波长范围内对物体进行连续光谱采样，并将采样结果以图像的形式表示的一种数据。

与普通图像相比，高光谱图像不仅包含了RGB等通常的三个通道，还具有大量的光谱信息，可提供更丰富的物质表达和细微结构特征。

因此，高光谱图像在农业、环境监测、地质勘探等领域具有广泛的应用前景。

然而，高光谱图像的分类任务并不简单。

首先，高光谱数据的维度往往非常高，每个像素点都有数百个或数千个光谱波段。

这使得传统的分类方法在处理高光谱图像时面临着维度灾难问题。

其次，高光谱数据往往受到噪声干扰，而且不同波段之间存在相关性，这增加了分类任务的难度。

因此，如何从高维度、噪声干扰和相关性等挑战中提取有用的特征，成为了高光谱图像分类研究的重要问题。

二、相关工作在高光谱图像分类任务中，研究者们尝试了许多方法，包括传统的机器学习方法和深度学习方法。

传统的机器学习方法通常利用特征提取和分类器模型来完成分类任务。

这些方法在一定程度上能够提取出高光谱数据中的有用信息，但由于数据维度高和噪声干扰等问题的存在，分类准确率较低。

深度学习在高光谱图像分类领域的研究现状与展望

深度学习在高光谱图像分类领域的研究现状与展望张号逵;李映;姜晔楠【期刊名称】《自动化学报》【年(卷),期】2018(044)006【摘要】高光谱图像(Hyperspectral imagery,HSI)分类是高光谱遥感对地观测技术的一项重要内容,在军事及民用领域都有着重要的应用.然而,高光谱图像的高维特性、波段间高度相关性、光谱混合等使得高光谱图像分类面临巨大挑战.近年来,随着深度学习新技术的出现,基于深度学习的高光谱图像分类在方法和性能上得到了突破性的进展,为其研究提供了新的契机.本文首先介绍了高光谱图像分类的背景、研究现状及几个常用的数据集,并简要概述了几种典型的深度学习模型,最后详细介绍了当前的一些基于深度学习的高光谱图像分类方法,总结了深度学习在高光谱图像分类领域中的主要作用和存在的问题,并对未来的研究方向进行了展望.【总页数】17页(P961-977)【作者】张号逵;李映;姜晔楠【作者单位】西北工业大学计算机学院陕西省语音与图像信息处理重点实验室西安710129;西北工业大学计算机学院陕西省语音与图像信息处理重点实验室西安710129;西北工业大学计算机学院陕西省语音与图像信息处理重点实验室西安710129【正文语种】中文【相关文献】1.深度学习在电力领域的研究现状与展望 [J], 曹渝昆;何健伟;鲍自安2.深度学习在焊接领域的应用研究现状 [J], 胡波3.深度学习在控制领域的研究现状与展望 [J], 段艳杰;吕宜生;张杰;赵学亮;王飞跃4.深度学习研究现状及其在轨道交通领域的应用 [J], 熊群芳;林军;刘悦;袁浩;游俊;5.国内教育领域深度学习研究现状及热点——基于中国知网的科学知识图谱分析[J], 张释元; 饶丽娜因版权原因，仅展示原文概要，查看原文内容请购买。

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。

医学图像分割的意义、概念、分类和研究现状

第1章绪论1.1 引言当今社会，是知识经济的社会，高新科技飞速发展。

入们在迅速发展新科技的同时，也越来越关注自身的生活环境与医疗条件。

健康，越来越成为每一个入倾心关注和孜孜追求的意境。

然焉，群学技术是一把双刃剑，它带给人们得到的同时也在破坏着我们赖以生存的环境，从而严重威害人类的健康。

堪愧的环境，沉重的压力以及激烈的竞争，都侵入们的健康走入低餐，从而健康成为全人类共同关注的目标。

因此医学的发展面临严重的挑战，作为医生诊断和治疗重要手段的医学影像学也得到了相应的发展。

现今，医学图像在医疗诊断中起着不可低估的重要作用。

计算机断层扫描、核磁共振(Magnetic Resonance，MR)、超声(Ultras叫nd)以及其它成像技术等，都是无侵害性的器宫体外成像的有力手段。

但是，医学图像还有一个显著的特点，由于受成像设备的影响、局部体效应(同一个体素中包含多种组织)、患者的体位运动和检查床的匀速直线运动，使得医学图像不可避免地盘现噪声和伪影，边缘模糊和信号强度不均匀现缓，例如信号强度在同一种组织中会出现大幅度的变化或在同一个物体中也不均匀。

此外，在图像形成和传输的过程中，图像的像质也会受到一定的影响，这些都给医生下达准确的诊断造成了一定的障碍。

为了提高医学图像的可读性，使得医生可以对人体的解割结构以及病变部位进行更有效的观察和诊断，提离诊断的准确率，医学图像处理从而成为了一门应用性很强的学科而且得到了长足的发展。

1.2 医学图像分割的意义、分类及其研究现状1.2.1 医学图像分割的意义医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。

如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。

高光谱图像处理技术的前沿技术和发展趋势

高光谱图像处理技术的前沿技术和发展趋势1. 引言1.1 高光谱图像处理技术的前沿技术和发展趋势高光谱图像处理技术是一种能够获取物体在不同波长下的光谱信息的技术，其应用领域涵盖了农业、环境监测、医学影像等多个领域。

随着高光谱成像设备的不断发展和进步，该技术在各个领域的应用也在不断扩大。

在当前的研究中，高光谱图像处理技术的前沿技术主要包括基于机器学习的光谱解混合方法、高光谱特征提取与选择技术、基于深度学习的高光谱图像分类与目标检测技术等。

这些技术使得高光谱图像在分析和识别目标物体时具有更高的准确性和效率，为实际应用提供了更多可能性。

在未来的发展趋势中，高光谱图像处理技术将逐渐向着智能化、自动化方向发展，同时还将加强与其他领域的融合，如将高光谱图像处理技术与遥感、传感器网络等技术结合，进一步拓展其在多领域的应用。

高光谱图像处理技术在技术和应用上仍有很大的发展空间，在未来的研究中有望取得更多重要突破，为社会发展和科学研究提供更多可能性。

2. 正文2.1 高光谱图像处理技术概述高光谱图像处理技术是一种能够获取物体在大范围波段上的反射光谱信息的图像处理技术。

传统的彩色图像只有红、绿、蓝三个波段的信息，而高光谱图像可以在可见光谱范围内甚至超出可见光谱范围内捕获数百个波段的光谱信息。

这种技术具有分辨率高、信息量大的特点，能够提供更加精细的物体表面信息和材料成分信息。

高光谱图像处理技术的基本步骤包括数据获取、数据预处理、特征提取和数据分析。

首先是数据获取阶段，需要使用高光谱相机或者高光谱遥感器获取物体的高光谱数据，然后将数据进行预处理，包括校正、去噪等，以确保数据的准确性和可靠性。

接着是特征提取阶段，通过提取数据中的特征信息，可以帮助我们更好地理解物体的性质和特征。

最后是数据分析阶段，在这一阶段，可以利用机器学习、模式识别等方法对数据进行分析，从而实现对物体的分类、识别和定位。

总的来说，高光谱图像处理技术具有广阔的应用前景，例如在农业、环境监测、地质勘探、医学诊断等领域都有着重要的应用价值。

超谱遥感图像的模糊最大似然分类研究

ａｓｄｅｄｉｆｃｔｂｅａｅｏｎｓｅｖｓｄｃｕｓｅｉｎｄｓｅｖｓｄｃａｓｆｃｔｏｌｏｍａｆｉｕｌｃｕｓｆｕｕｐｒｉｅｌｔｒｎｇａｕｐｒｉｅｌｓｉｉａｉｎ．Ｉｄｒｔｍｐｒｖｅｔｎｏｒｅｏｉｏｈｅｃａｓｆｃｔｏｃｕｒｃｆｈｙｅｓｅｔａｍａｓ，ａｆｚｙｍａｉｕｌｓｉｉａｉｎａｃａｙｏｐｒｐｃｒｌｉｇｅｕｚｘｍｍｌｋｌｈｏｄｌｓｉｉａｉｎｍｅｈｏｉｏｉｅｉｏｃａｓｆｃｔｏｔｄｓｐｒ — ｐｏｅｓｄ．Ｆｉｓ，ｃｕｔｒｎｇｏｆａｈｙｒｐｃｒｌｍａｓｄｏｂｙｆｚｙＣ— ｅｎｌｒｔｍ．Ｔｒｉａｐｅｒｔｌｓｅｉｐｅｓｅｔａｉｇｅｗａｎｅｕｚｍａｓａｇｏｉｈａｎｓｍｌｓｗｅｅｓｌｃｅｂｒｅｒｎｄｍａｄｈｅｌｓｅｉｇｅｕｔ．Ｆｉａｌｒｅｅｔｄｙｔｕｇｏｕｐａｎｔｃｕｔｒｎｒｓｌｓｎｌｙ，ｃａｓｆｉｉａｅｌｓｉｙｎｇｍｇｗａｕｒｉｅｓｓｐｅｖｓｄｍａｍｕｌｋｅｉｏｌｏｒｔｘｉｍｉｌｈｏｄａｇｉｈｍ．Ｔｈｅｒｓｌｓｓｏｗｈａｈｅｐｒｐｏｅｅｈｏｔｉｏｅｅａｔｉｏｒｔｏｎｅｕｔｈｔｔｔｏｓｄｍｔｄｏｂａｎｓｍｒｘｃｎｆｍａｉ
的聚类或者监督分类都不能取得好的效果．了提高超谱图像分类的精度，出了模糊最大似然分类算法．用模为提先

超分辨成像方法研究现状与进展

超分辨成像方法研究现状与进展王超;张雅琳;姜会林;李英超;江伦;付强;韩龙【摘要】光电成像系统受到衍射极限和像元分辨率的制约,但研究者们从未停止过脚步来突破这一限制.本文介绍了近年来开展的各种超分辨成像方法和技术,包括应用于荧光显微成像的受激发射损耗技术、结构光照明技术、光激活定位技术与随机光学重构超分辨成像技术;可应用于显微系统、光存储与眼底成像的光瞳滤波技术与径向偏振光超分辨聚焦技术;应用于空间探测的合成孔径技术、光子筛成像技术、超振荡透镜技术、亚像元技术与焦平面编码技术.主要讨论了以上超分辨方法的原理、实现手段与目前发展水平.%Optical imaging system is limited by pixel resolution and diffraction limit,but the researchers try to solve this problem.Various super-resolution imaging methods and techniques in recent years are introduced,including STED technology,SIM technology,PALM technology and STORM technology for the fluorescence microscopy imaging;pupil filtering technology and radially polarizedsuper-resolution focusing technology for microscope,optical storage and retina imaging;synthetic aperture technology,photon sieve imaging technology,super oscillation lens technology,sub-pixel technology and focal plane coding technology for space detection area.The principle,the implementation means and the current development level of these super-resolution imaging methods were discussed.【期刊名称】《激光与红外》【年(卷),期】2017(047)007【总页数】8页(P791-798)【关键词】超分辨率;衍射极限;空间光学系统【作者】王超;张雅琳;姜会林;李英超;江伦;付强;韩龙【作者单位】长春理工大学空间光电技术研究所,吉林长春 130022;长春理工大学光电工程学院,吉林长春 130022;长春理工大学空间光电技术研究所,吉林长春130022;长春理工大学空间光电技术研究所,吉林长春 130022;长春理工大学空间光电技术研究所,吉林长春 130022;长春理工大学空间光电技术研究所,吉林长春130022;长春理工大学光电工程学院,吉林长春 130022【正文语种】中文【中图分类】TN305.7自从光学显微镜和天文望远镜诞生以来,人们在不断寻求着提高光学分辨率的方法,从而观测到更多物体细节。

高光谱图像处理技术的前沿技术和发展趋势

高光谱图像处理技术的前沿技术和发展趋势高光谱图像处理技术是一种基于光谱信息的图像处理方法，可以获取物体在不同波段上的光谱信息，对物体进行准确的分类和识别。

随着光谱成像技术的不断发展，高光谱图像处理技术得到了广泛应用，并取得了一系列重要进展。

下面将重点介绍高光谱图像处理技术的前沿技术和发展趋势。

1. 高光谱图像分类和识别技术高光谱图像分类和识别是高光谱图像处理中的核心任务。

近年来，深度学习技术的快速发展为高光谱图像分类和识别问题提供了新的解决方案。

采用深度学习方法可以从高光谱图像中提取更丰富的特征表示，提高分类和识别的准确性。

对于一些特定的应用领域，如农业、环境监测等，可以通过深度学习技术进行特定目标的检测和识别，进一步提高高光谱图像处理的效果。

2. 光谱信息融合技术高光谱图像可以提供丰富的光谱信息，但由于每个波段的分辨率较低，可能存在光谱混叠等问题。

光谱信息的融合技术成为了高光谱图像处理的研究热点之一。

光谱信息融合技术通过将不同波段的光谱信息进行融合，可以提高图像的空间分辨率和光谱分辨率。

目前，光谱信息融合技术主要包括基于图像的光谱信息融合和基于特征的光谱信息融合。

未来研究可以进一步研究多模态光谱信息融合技术，在光谱信息融合的同时考虑其他传感器的数据，进一步提高图像处理的效果。

3. 高光谱图像超分辨率重建技术由于高光谱图像分辨率较低，难以满足一些应用需求，因此高光谱图像超分辨率重建技术成为当前研究的热点之一。

高光谱图像超分辨率重建技术旨在通过利用光谱信息和空间域信息，提高图像的空间分辨率，从而更好地表达物体的细节特征。

目前，高光谱图像超分辨率重建技术主要包括基于插值的方法、基于学习的方法和基于边缘的方法等。

未来研究可以进一步提高超分辨率重建的效果和速度，同时考虑多模态数据的情况，提高图像处理的效果。

高光谱图像处理技术在农业、环境监测、遥感和医学等领域具有广泛的应用前景。

未来的研究可以进一步深入研究高光谱图像处理技术的前沿问题，提出更好的解决方案，并结合其他领域的技术和方法，进一步提高高光谱图像处理的效果和应用。

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)。

对于超光谱图像"由于空间分辨率的限制"! 个像元中所包含的地物种类往往不是单一的" 因而 ! 个像元对应的光谱曲线往往由几种不同物质的光
确定 5个类别中心" 然后将任一样本按照一定的法
* &$ *
前沿技术
则将其调整到 5个类别中的某一类中去" 再重新计算各类别中心"最后进行样本的重新分配工作$ 如此迭代"直至满足迭代终止条件$
!2 !2 $1光谱编码匹配
基于特征空间的超光谱图像分类方法" 是根据不同地物在特征空间中的分布规律来进行分类判别$ 通常根据在训练过程中是否需要训练样本点的参与"将这些方法分为非监督分类和监督分类$
!2 .2 !1M 9 N 8 * * *最大似然分类法准则*
准则的最大似然分类法) ; 基于 M 9 N 8 * L O ' 是传统遥感影像分类处理中很有效的一种方法$ 该分类方法需要各类的先验概率 & )1 ' 和条件概率密度 0 函数 & )1 ' 已知$ & )1 ' 通常根据各种先验知识 0 " 0 给出或假设它们相等" & )1 ' 则是首先确定其分 0 " 布形式"然后利用训练样本估计其参数$ 一般假设为正态分布"或通过数学方法化为正态分布$ 其判别函数为
!2 .2 /1支持向量机法
最广泛和最成功的是多层前向神经网络模型" 其学习算法是误差后向传播算法 % !G& $ 神经元网络包含 ! 个输入层#! 个输出层及 ! 个或多个隐层$ 输入层节点数与参加分类的特征数相同"输出层节点数与最终类别数相同" 而中间隐含层节点数则由实验来确定$ 神经网络结构如图 ! 所示$
, ", )/ "/ ; . "*' 与参考光谱 .F !"/ . "*' 的 DE
相似性度量如下
A 55 = * $9 + +. $ + .
*
9 A 55 = *
, / 0 0 0 $ !
*
! .
*
)/'
型 #J 4>8 < I, ; 4+I 模型"基于辐射通量密度理论的植被#土壤光谱混合模型#DE K L模型等$
O 最小化为归纳原则" 在高维空间中构造具有低 V
维的最优分类超平面作为判决面" 使分类风险上界最小"从而使学习机器具有最优的推广能力$ 支持向量机由于有着很强的适用性" 且能够保证良好的分类精度" 因而在多个领域得到了迅速而广泛的应用"但支撑向量机也有其自身无法克服的缺点"那就是在求解大规模问题时学习速度慢# 存
! .
槡
!
!2 !2 .1光谱角度填图 ?8 5 @ A 9 < 9 +B 8 < C 9 ??) +B " DE ;' 定义为光谱角度 ) *
两地物光谱矢量之间的广义夹角" 即为用得较为广泛的广义夹角匹配模型$ DE ; 将像元 *个波段的光谱响应作为 *维空间中的矢量" 通过计算它与参考光谱单元之间的广义夹角来表征其匹配程度! 夹角越小 " 说明越相似 % & & $ 待识别光谱 + F) , !"
!& & J = 6= +8 + 自组织算法等 % !/, $ 在模式识别领域应用
这种方法的优点是聚类过程不会在空间上偏向数据文件的最顶或最底下的像素" 该算法对蕴含于数据中的光谱聚类组的识别非常有效" 只要让其重复足够的次数"其任意给定的初始聚类组平均值对分类结果无关紧要( 缺点是比较费时" 因为可能要重复许多次"没有解释像素的空间同质性$
(' &%神经元网络技术
始聚类中心为前提"使各模式到其所判属类别中心距离之和最小的最佳聚类
% %&
$ 显然"该算法的分类结果
受到取定的类别数目及聚类中心初始位置的影响"所以结果只能是局部最优"但因其方法简单"结果尚令人满意"故应用较多$ 在实际分类过程中"类别数目
5的值通常根据试验的具体情况来确定$ 对这种算
支持向量机 ) * 4??= A @ U 8 5 @ = AC 9 5 6) +8 * " DV ;' 是一种基于统计学习理论的机器学习算法" 采用结构风险最小化) * @ A 45 @ 4A 9 < A ) * IC ) +) C ) W 9 @ ) = +"DX ;' 准则" 在最小化样本误差的同时缩小模型泛化误差的上界"从而提高模型的泛化能力 % !!& $ 支持向量机的核心思想是把样本非线性映射到高维特征空间) 甚至是无穷维空间 ' " 以结构风险
!., $! 收稿日期.""%,
).'
! ) . %! ! ' $ )( !' :) ' )( !' ) . %( . %(
* &. *
! " # " $ % &' ( ))* + " ' % $ " ( +, . / . 0 / -
前沿技术
! ) .
! < + 成"这严重地影响了影像的分类精度和识别效果$ 光谱解混技术就是假设某一像元的光谱是由有限的几种地物的光谱曲线按某种函数关系和比例混合而成$ 解混的目的就是通过分析和计算" 估计出光谱混合方式和混合像元包含的光谱成分及相应比例"同时达到子像元地物分类的目的$ 光谱解混一般分为 . 个步骤! 端元光谱提取和混合模型求解$ 混合光谱模型大致包括线性光谱混合模型# 非线性光谱混合模型 . 种 % -& $ 线性混合模型适用于属于或基本属于线性混合的地物"以及在大尺度上可以认为是线性混合的地物(对于一些微观尺度地物的精细光谱分析来说"则需要采用非线性混合模型分析$ 目前" 较典型且具有一定影响力的非线性光谱混合模型有 H 9 ?I8模
&' (%基于特征空间的分类
. . ( , 0 ) ( / 0) 0 $ 0 $ ! !
式) / ' 中!*为超光谱传感器的波段数$ 值越小" + 与 .的相似性越大$ 由于该方法计算的是 . 个向量之间的夹角" 其识别结果与向量自身的长度无关" 即 . 个光谱之间的相似程度与光谱各自幅度值的绝对大小无关$ 反映在光谱曲线上相当于相同的地物对不同的照度保持同样的向量方向" 而环境噪声的强弱只反映在向量的大小上"故光谱角度制图法可有效弱化环境噪声对识别结果的影响 % && $
法虽然无法证明其收敛性" 但当模式类之间彼此远离时这个算法所得的结果是令人满意的$
!2 .2 $1K DS T E : E方法
该法与 JR 均值法类似" 也是采用迭代的方法实现对样本点的分类
% !" &
$ 所不同的是" 该法并不是
每调整一个样本的类别就重新计算一次各类样本的均值"而是在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值$ 此外" K DS T E : E算法不仅可以通过调整样本所属类别完成样本的聚类分析" 而且还可以自动地进行类别的 - 合并 . 和
% !&
量地描述目标的光谱辐射特性及其在特征空间内的变化规律$
&%超光谱图像的分类方法
0& 超光谱图像分类方法" 可以归结为 . 类 % /, !一
类是基于光谱空间的分类方法" 利用反映地物光谱特征的光谱曲线来识别地物( 另一类是基于特征空间的分类方法"利用地物在特征空间的统计特性来建立分类模型$
! )2 ' $& )1 '& )1 ' 0 0 0 " ! ". ","3 "4 "则 2 为1 类$ 0 0 )0' F ! ". "," 3 $ 如果 ! )2 ' P! )2 ' "4 F 式) 0 ' 中 !0 0 4
为了在光谱库中对特定目标进行快速查找和匹配"首先对光谱曲线进行编码" 对编码结果进行匹配$ 最简单的是光谱二值编码" 结合图像中不同地物的光谱特征和几何特征也可以采用分段编码# 多门限编码# 仅在一定波段进行编码# 波段组合二值编码等$ 使用编码匹配算法有助于提高图像光谱数据的分析处理效率"但是这种技术在处理编码的过程中会失去许多细节光谱信息" 因此只适用于粗略的分类和识别"还有待改进
$ ' 特征空间!超光谱图像中的每一个像元对应
11. ' 马氏) ; 9 69 < 9 += >) * ' 距离$ ! )" "# ' $) "%# ' : ) "%# ' 11$ ' 巴氏距离$
% !
着多个成像波段的反射值" 这些反射值可以用一个多维矢量表示$ 在特征空间中" 不同的目标分布在不同区域" 并且有不同的分布特性" 这就有利于定