高光譜遙感圖像分類方法研究

1、分類晉工學(xué)碩士學(xué)位論文（高校教師）镕：編號(hào)：高光譜遙感圖像分類方法研究碩士研究生：楊希明指導(dǎo)教師：趙春暉教授學(xué)利專業(yè)：通信與信息系統(tǒng)學(xué)位論文主審人：趙旦峰教授哈爾濱程大學(xué)年哈爾濱程人學(xué)碩士學(xué)位論文摘要光譜分辨率的提高是光學(xué)遙感不斷發(fā)展的趨勢(shì)。高光譜分辨率（簡(jiǎn)稱為高光譜）遙感技術(shù)是過去二十年中人類在對(duì)地觀測(cè)方面所取得的重大技術(shù)突破之一，是當(dāng)前遙感的前沿技術(shù)。由于高光譜所特有的高光譜分辨率的性質(zhì)，其潛在的可應(yīng)用性受到人們的廣泛關(guān)注。分類是獲取高光譜信息的一種重要手段。目前硬分類方法較多，但分類效果不夠理想或是方法本身有待提升；傳統(tǒng)軟分類方法由于在分離中無關(guān)類別的參與以及光譜分離模型本身的不足導(dǎo)致光

2、譜分離效果不夠理想。迭代自組數(shù)據(jù)分析（）算法是一種基于統(tǒng)計(jì)模式識(shí)別的非監(jiān)督動(dòng)態(tài)聚類劃分算法，有較強(qiáng)的實(shí)用性。支持向量機(jī)（）算法，作為基于統(tǒng)計(jì)學(xué)習(xí)理論的一種有良好推廣性的高維非線性數(shù)據(jù)處理工具，得到了廣泛應(yīng)用。它的核心是把樣本非線性映射到高維特征空間，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為歸納原則，在高維空間中構(gòu)造最優(yōu)分類超平面。為此，本文以迭代自組數(shù)據(jù)分析算法和支持向量機(jī)為主要理論，對(duì)超譜圖像硬、軟分類及相關(guān)技術(shù)進(jìn)行了研究。第一，闡述了高光譜遙感技術(shù)的概念，介紹了高光譜圖像的特征模式并分析了高光譜圖像數(shù)據(jù)的組成，闡述了硬分類、軟分類以及監(jiān)督無分類、無監(jiān)督分類的研究現(xiàn)狀、評(píng)價(jià)準(zhǔn)則和現(xiàn)存的技術(shù)問題，支持向量機(jī)基本理論

3、等，為課題研究的展開奠定基礎(chǔ)。第二，介紹了模糊算法的原理和實(shí)現(xiàn)步驟，結(jié)合高光譜遙感圖像的特點(diǎn)，進(jìn)行了高光譜遙感圖像的分類，得到了理想的分類效果，并分析了參數(shù)的選取將對(duì)分類結(jié)果產(chǎn)生的影響。同時(shí)也采用硬分類的算法，模糊一均值算法對(duì)高光譜圖像進(jìn)行分類，并將結(jié)果與模糊算法進(jìn)行了比較，試驗(yàn)結(jié)果表明，模糊算法在分類精度的改進(jìn)上性能優(yōu)于以上二種算法。第三，提出了一種二次分類的多類支持向量機(jī)，它解決了由于高光譜圖像的數(shù)據(jù)量大和維數(shù)高的特點(diǎn)而存在的如何選擇最佳懲罰因子和最優(yōu)權(quán)向量系數(shù)的問題，消除了進(jìn)行大量的實(shí)驗(yàn)來確定懲罰因子的弊端。實(shí)驗(yàn)結(jié)果表明，哈爾濱下程大學(xué)碩士學(xué)俯論文文中提出的二次分類方法的結(jié)果與分類的混淆

4、矩陣相比，之前混淆較嚴(yán)重的玉米一大豆這兩類在新方法中有了很大的改觀，而且在選擇懲罰因子的速度上也有了很大程度的提高。最后，研究了基于的無監(jiān)督軟分類方法和基于的有監(jiān)督軟分類方法，以及基于非線性的軟分類方法。理論分析和對(duì)比實(shí)驗(yàn)結(jié)果表明，基于的無監(jiān)督軟分類方法具有算法簡(jiǎn)單、易于操作的優(yōu)點(diǎn)；基于的有監(jiān)督軟分類方法則具有靈活處理不可分問題、分類精度高等優(yōu)點(diǎn)。實(shí)驗(yàn)表明，對(duì)于軟、硬分類均具有良好的效果。關(guān)鍵詞：高光譜圖像；硬分類；軟分類；有監(jiān)督分類；無監(jiān)督分類哈爾濱丁稃大學(xué)碩士學(xué)位論文（），（），哈爾濱丁稃大學(xué)碩十學(xué)位論文，一，：；哈爾濱工程大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：本論文的所有工作，是在導(dǎo)師的指

5、導(dǎo)下，由作者本人獨(dú)立完成的。有關(guān)觀點(diǎn)、方法、數(shù)據(jù)和文獻(xiàn)的引用己在文中指出，并與參考文獻(xiàn)相對(duì)應(yīng)。除文中已注明引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)公開發(fā)表的作品成果。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律結(jié)果由本人承擔(dān)。作者（簽字）：日期：拶年月少日哈爾濱丁程大學(xué)碩十學(xué)位論文第章緒論高光譜遙感的數(shù)據(jù)特點(diǎn)及其發(fā)展和應(yīng)用現(xiàn)狀高光譜遙感的理論基礎(chǔ)及數(shù)據(jù)特點(diǎn)高光譜遙感是一門新興的交叉學(xué)科，它是建立在航空航天、傳感器、計(jì)算機(jī)等技術(shù)上的，涉及電磁波理論、光譜學(xué)與色度學(xué)、物理幾何光學(xué)、固體理論、電子工程、信息學(xué)、地理學(xué)、地球科學(xué)、地質(zhì)學(xué)、林學(xué)、農(nóng)學(xué)

6、、大氣科學(xué)、海洋學(xué)等多門學(xué)科。這其中，電磁波理論是遙感最重要的物理基礎(chǔ)，電磁波與（地表）物質(zhì)的相互作用機(jī)理、電磁波在不同介質(zhì)中的傳輸模型和對(duì)其進(jìn)行接收、分析是凝聚各門學(xué)科和技術(shù)的核心。高光譜（又稱超光譜）傳感器是一類可以在許多很窄的毗邊光譜波段獲取圖像的儀器，它覆蓋了整個(gè)可見光、近紅外、中紅外以及遠(yuǎn)紅外的部分光譜。這類系統(tǒng)可以采集或更多波段的數(shù)據(jù)，采集的波段數(shù)越多，每個(gè)波段寬度就越小，這樣就可以保證為場(chǎng)景中的每個(gè)像素提供連續(xù)的反射比光譜。因此當(dāng)一個(gè)寬波段的系統(tǒng)只能根據(jù)其離散的光譜大致區(qū)分不同物質(zhì)種類時(shí)，高光譜傳感器獲取的數(shù)據(jù)卻可以為物質(zhì)的詳細(xì)鑒定和更準(zhǔn)確的估計(jì)它的豐富程度提供了潛在的可能（如圖

7、所示）。器橫卜按謳圖高光譜與多光譜的波譜信息區(qū)別高光譜數(shù)據(jù)的突出特點(diǎn)是在獲取地面圖像的二維空間影像信息的基礎(chǔ)哈爾濱工程大學(xué)碩士學(xué)位論文上，增加了第三維的表征其物理屬性的連續(xù)光譜信息，更好的實(shí)現(xiàn)了圖像與光譜合一。高光譜數(shù)據(jù)的彩色合成受到一次只能顯示個(gè)波段的限制（三個(gè)波段中一個(gè)波段顯示紅色，一個(gè)波段顯示綠色，另一個(gè)波段顯示藍(lán)色）。為了傳遞光譜特性和高光譜圖像數(shù)據(jù)的復(fù)雜性，高光譜數(shù)據(jù)通常以立方體形狀存儲(chǔ)（如圖），三維空間分別是光譜維、空間維和時(shí)間維，立方體的前部截面為空間維和時(shí)間維構(gòu)成的二維空間影像，縱向軸為光譜維，因此數(shù)據(jù)可以看成是維度行乘以列乘以波段的形式。圈高光譜數(shù)據(jù)立方體覆不高光譜遙感圖像是

8、一種三維立體圖像，可反映地物的空間信息和光譜信息，其數(shù)據(jù)量龐大。隨著傳感器的不斷更新，人們已經(jīng)可以在不同的航空、航天遙感平臺(tái)上獲取不同時(shí)空間分辨率和光譜分辨率的遙感影像。高光譜遙感與以往遙感技術(shù)相比，具有圖譜合一的特征和從可見光到紅外甚至熱紅外的一系列波段，是一種綜合性的遙感技術(shù)手段。特別是在地面的信息比較微弱的情況下，高光譜遙感具有識(shí)別微弱信息和定量探測(cè)的優(yōu)勢(shì)。與傳統(tǒng)多光譜遙感相比，其波段不是離散的而是連續(xù)的，因此從它的每一個(gè)像元均能提取一條平滑而完整的光譜曲線。高光譜遙感圖像具有突出的特點(diǎn)。高光譜成像光譜儀能獲得整個(gè)可見光、近紅外、短波紅外、熱紅外波段的多而窄的連續(xù)光譜，波段數(shù)多至幾十甚至

9、數(shù)百個(gè)，光譜分辨率可以達(dá)到納米級(jí)，一般為，個(gè)別達(dá)。由哈爾濱工程大學(xué)碩士學(xué)位論文于光譜分辨率高，數(shù)十、數(shù)百個(gè)光譜圖像就可以獲得影像中每個(gè)像元的精細(xì)光譜。一個(gè)（陸地衛(wèi)星傳感器）波段內(nèi)只記錄一個(gè)數(shù)據(jù)點(diǎn)，而用（航空可見光紅外光成像光譜儀）記錄著一波段范圍內(nèi)的光譜信息需用個(gè)以上的數(shù)據(jù)點(diǎn)。這并不是簡(jiǎn)單的數(shù)據(jù)量的增加，而是信息量的增加，可增加十倍甚至數(shù)百倍。波段相對(duì)較寬且光譜不連續(xù)，而幾乎是連續(xù)光譜。園此高光譜的出現(xiàn)是遙感界的一場(chǎng)革命，它是本來在寬波段遙感中不可探測(cè)的物質(zhì)，在高光譜遙感中能被探測(cè)。高光譜遙感獲取的地表圖像包含了地物豐富的空閫、輻射和光譜三重信息，這些信息表現(xiàn)了地物空間分布的影像特征，同時(shí)也可

10、能以其中的某像元或像元組為目標(biāo)獲得它們的輻射強(qiáng)度以及光譜特征。影像、輻射與光譜這三個(gè)遙感中最重要的特征的結(jié)合就成為高光譜成像，特別是成像光譜進(jìn)而作為成像光譜輻射遙感信息最重要的特點(diǎn)。圖成像光譜技術(shù)示意圖高光譜圖像的發(fā)展和應(yīng)用遙感作為一門綜合性的技術(shù)是世紀(jì)年代提出來的。年美國學(xué)者，為了比較全面地概括探測(cè)目標(biāo)的技術(shù)和方法，把以攝影方式和非攝影方式獲得被探測(cè)標(biāo)的圖像或數(shù)據(jù)的技術(shù)稱為“遙感”（），這個(gè)名詞在年美國密執(zhí)安大學(xué)等單位舉行的環(huán)境科學(xué)研討會(huì)上被正式甄丕。刃。盈¨；哈爾濱程人學(xué)碩十學(xué)位論文采用。遙感技術(shù)與空間、電子光學(xué)計(jì)算機(jī)、地學(xué)等科學(xué)技術(shù)緊密相關(guān)，是現(xiàn)代科學(xué)的個(gè)重要組成部分，是研究地

11、球資源環(huán)境的最有力的技術(shù)手段之一。它廣泛滲入到各地區(qū)和各業(yè)務(wù)部門，應(yīng)用研究涉及的領(lǐng)域廣、類型多，既有專題性的，又有綜合性的，包括農(nóng)業(yè)生產(chǎn)條件研究、作物估產(chǎn)、國土資源調(diào)查、土地利用與土地覆蓋、海洋、環(huán)境監(jiān)測(cè)、軍事偵察等方面都有著越來越廣泛的應(yīng)用。在十九世紀(jì)六十年代初期，美國就醞釀利用空間技術(shù)勘察地球的資源。隨即制訂了地球資源勘察計(jì)劃。包括發(fā)射資源衛(wèi)星和天空實(shí)驗(yàn)室飛船計(jì)劃。經(jīng)過七年的論證和研制等準(zhǔn)備工作，于年月成功地發(fā)射第一顆實(shí)驗(yàn)型“地球資源技術(shù)衛(wèi)星”（）。在這顆衛(wèi)星上，安裝有兩種攝取地面圖像的遙感儀器，三臺(tái)返束光導(dǎo)攝像管（）和多光譜掃描儀（）。它們工作在可見光和近紅外光譜區(qū)域。從對(duì)地觀測(cè)技術(shù)發(fā)展

12、的角度來審視應(yīng)用技術(shù)的發(fā)展歷史，十九世紀(jì)六十年代的實(shí)驗(yàn)活動(dòng)是有成效的。通過氣象和資源兩類應(yīng)用衛(wèi)星的實(shí)踐過程，建立了滿足實(shí)用化要求的信息獲取技術(shù)。利用光電探測(cè)和光一機(jī)掃描成像原理的光電遙感儀器技術(shù)，被確定為實(shí)用化衛(wèi)星有效載荷技術(shù)，推動(dòng)了對(duì)地觀測(cè)技術(shù)及其應(yīng)用的整體發(fā)展。熱紅外成像技術(shù)和微波遙感技術(shù)是近幾十年來發(fā)展起來的具有美好應(yīng)用前景的兩類遙感技術(shù)。利用熱紅外技術(shù)可以探測(cè)到地球表面的溫度變化情況，而地球表面的溫度又和地表中熱輻射有關(guān)。關(guān)于熱紅外成像技術(shù)主要是利用地面目標(biāo)地?zé)彷椛湫畔沓上竦模虼丝梢匀找公@得目標(biāo)的數(shù)據(jù)，是一種全天時(shí)的遙感技術(shù)。微波遙感技術(shù)是靠地面目標(biāo)反射來的電磁波成像的，由于它采用

13、主動(dòng)式的向目標(biāo)發(fā)射電磁波的探測(cè)方法，因此可在陰雨天和夜晚成像，是一種全天候的遙感技術(shù)。隨著傳感器技術(shù)、航空和航天平臺(tái)技術(shù)、數(shù)據(jù)通訊技術(shù)的發(fā)展，現(xiàn)代遙感技術(shù)已經(jīng)進(jìn)入一個(gè)能夠動(dòng)態(tài)、快速、準(zhǔn)確、多手段提供多種對(duì)地觀測(cè)數(shù)據(jù)的新階段。現(xiàn)代遙感技術(shù)的顯著特點(diǎn)是盡可能地集多種傳感器、多級(jí)分辨率、多譜段和多時(shí)相技術(shù)于身，并將全球定位系統(tǒng)（）、地理信息系統(tǒng)（）、哈爾濱工程人學(xué)碩十學(xué)位論文慣性導(dǎo)航系統(tǒng)（）等高技術(shù)系統(tǒng)相結(jié)合以形成智能型傳感器。目前遙感應(yīng)用正由定性向定量、靜態(tài)向動(dòng)態(tài)方向發(fā)展。遙感影像地空間分辨率己達(dá)到米級(jí)：波段數(shù)己增加到數(shù)十甚至數(shù)百個(gè)：回歸周期可達(dá)幾天甚至十幾小時(shí)。與遙感應(yīng)用緊密相關(guān)的遙感信息處理理

14、論和技術(shù)也有了實(shí)質(zhì)性的進(jìn)展。年代以來，我國先后發(fā)射了一系列返回式遙感衛(wèi)星，研制了包括成像光譜儀和多級(jí)合成孔徑雷達(dá)在內(nèi)的多種傳感器。近年來，制定和實(shí)施了以氣象衛(wèi)星和資源衛(wèi)星為代表的傳輸和對(duì)地觀測(cè)計(jì)劃以及雷達(dá)衛(wèi)星計(jì)劃。代表性的有“風(fēng)云一號(hào)”氣象衛(wèi)星和“資源一號(hào)”衛(wèi)星（中國和巴西間的國際合作計(jì)劃）。進(jìn)一步將在資源一號(hào)衛(wèi)星的基礎(chǔ)上發(fā)展以星載合成孔徑雷達(dá)為主要載荷的雷達(dá)衛(wèi)星，這種衛(wèi)星既具有全球觀測(cè)能力，又具有對(duì)中國七大江河主要洪澇災(zāi)區(qū)經(jīng)常性的監(jiān)測(cè)能力。在國際范圍內(nèi)，高光譜遙感，包括技術(shù)發(fā)展、應(yīng)用研究和開發(fā)仍處于持續(xù)增溫狀態(tài)。高光譜遙感己在衛(wèi)星、航空和地面的遙感觀測(cè)中嶄露頭角，形成了以先進(jìn)探測(cè)技術(shù)發(fā)展、圖

15、像光譜信息合一的數(shù)據(jù)處理、信息提取、信息分析和多學(xué)科、多領(lǐng)域的定量化應(yīng)用為特征的研究方向。高光譜遙感系統(tǒng)已在全球數(shù)十個(gè)國家的先進(jìn)對(duì)地觀測(cè)遙感領(lǐng)域中占有重要的位置，成為對(duì)地球陸地、海洋、大氣觀測(cè)的生力軍。特別在人類社會(huì)更加重視人們的生活了環(huán)境，力求與自然和諧發(fā)展的背景下，高光譜遙感日益在對(duì)地球環(huán)境的將檢測(cè)和對(duì)災(zāi)害的預(yù)測(cè)、預(yù)警中發(fā)揮關(guān)鍵的作用。高光譜圖像數(shù)據(jù)的分析處理的研究理論概況人們致力于多維的地物光譜圖像的獲取和處理的研究。主要是因?yàn)閱渭兊奶岣邎D像分辨率的代價(jià)十分巨大，圖像的數(shù)據(jù)量會(huì)隨著分辨率的增加呈平方關(guān)系增加。而高光譜圖像可以在分辨率不高的情況下由地物的光譜響應(yīng)特征進(jìn)行對(duì)象識(shí)別。隨著傳感器

16、技術(shù)、遙感平臺(tái)技術(shù)、數(shù)據(jù)通信等相關(guān)技術(shù)的發(fā)展，現(xiàn)代遙感技術(shù)已經(jīng)進(jìn)入了一個(gè)能夠動(dòng)態(tài)、快速、準(zhǔn)確、多手段提供多種對(duì)地觀測(cè)數(shù)據(jù)的新階段，我們可以得到的高光譜圖像的光譜波段已達(dá)到幾哈爾濱程大學(xué)碩學(xué)位論文百個(gè)，光譜分辨率達(dá)到了納米級(jí)，空間分辨率達(dá)到了米級(jí)。從而如何高效的處理應(yīng)用高光譜圖像就成為一個(gè)亟待深入的課題。在高光譜技術(shù)發(fā)展過程中，人們?yōu)楦吖庾V數(shù)據(jù)建立了多種數(shù)學(xué)模型。這些理論各有自身的優(yōu)點(diǎn)，能在一定程度上適應(yīng)某些數(shù)據(jù)分析的要求。然而，最好的數(shù)學(xué)模型應(yīng)能夠最大程度的反映多光譜數(shù)據(jù)中所包含信息，必須考慮到場(chǎng)景的高度復(fù)雜性。目前國際上對(duì)高光譜數(shù)據(jù)分析的研究非常活躍。美國普渡大學(xué)的教授領(lǐng)導(dǎo)的研究中心對(duì)多光譜

17、數(shù)據(jù)分析進(jìn)行了長(zhǎng)期深入的研究，發(fā)表了大量的學(xué)術(shù)論文。國際電氣與電子工程師協(xié)會(huì)為遙感技術(shù)專門設(shè)置了刊物，每年都有大量關(guān)于多光譜數(shù)據(jù)分析的論文發(fā)表。美國也設(shè)立了龐大的遙感技術(shù)研究機(jī)構(gòu)。歐洲空間局和日本國家空間發(fā)展局也都是大型遙感技術(shù)研究機(jī)構(gòu)。國內(nèi)也有不少科研機(jī)構(gòu)和高等院校從事遙感數(shù)據(jù)處理方面的工作，如中國科學(xué)院遙感應(yīng)用研究所、武漢測(cè)繪大學(xué)、西北工業(yè)大學(xué)等。高光譜圖像分類的研究現(xiàn)狀高光譜遙感之所以受到世界各國遙感科學(xué)家的普遍關(guān)注，其中一個(gè)重要原因就是：這一技術(shù)將確定物質(zhì)或地物性質(zhì)的光譜與揭示其空間和幾何關(guān)系的圖像結(jié)合在一起，而許多物質(zhì)的特征往往表現(xiàn)在一些狹窄的光譜范圍內(nèi)，高光譜遙感實(shí)現(xiàn)了獲取地物的光

18、譜特征同時(shí)又不失其整體形態(tài)及其與周圍地物的關(guān)系。高光譜技術(shù)產(chǎn)生的一組圖像所提供的豐富信息可以顯著地提高數(shù)據(jù)分析的質(zhì)量、細(xì)節(jié)性、可靠性以及可信度。高光譜遙感數(shù)據(jù)具有較高的譜分辨能力的優(yōu)越性是以其較大的數(shù)據(jù)量以及較高的數(shù)據(jù)維為代價(jià)的，因此傳統(tǒng)的多光譜數(shù)據(jù)處理技術(shù)在這里將不再適用，需要研究適合于高光譜圖像的分類方法。目前的分類方法，根據(jù)在分類過程中是否需要人為指定學(xué)習(xí)樣本的類別，可分為無監(jiān)督分類和有監(jiān)督分類（也常簡(jiǎn)稱監(jiān)督分類）。無監(jiān)督分類是指事先對(duì)遙感圖像地物的屬性不具先驗(yàn)知識(shí)，純粹依靠不同光譜數(shù)據(jù)組合在統(tǒng)計(jì)上的差別來進(jìn)行“盲目分類”，事后再對(duì)已分出各類的地物屬性進(jìn)行確認(rèn)。在無監(jiān)督分類方法下，只能假

19、定初始的參量，并通過預(yù)分類處理來形成集群（即聚類），再由集群的統(tǒng)計(jì)參數(shù)來調(diào)整預(yù)置的參量，接著再聚類、再調(diào)整，如此不斷迭代直至有關(guān)參量的變動(dòng)在容忍的范圍內(nèi)為止。由于無監(jiān)督分類沒有使用任何關(guān)于數(shù)據(jù)的先驗(yàn)信息，所以分類效果通常較差，而且無法給出數(shù)據(jù)類別的含義。而在遙感數(shù)據(jù)分析中，研究者總是或多或少的掌握一些關(guān)于數(shù)據(jù)的先驗(yàn)信息，利用監(jiān)督分類方法可以大幅度的提高分類的精度。有監(jiān)督分類是基于對(duì)遙感圖像上樣本區(qū)內(nèi)地物的類屬已有先驗(yàn)的知識(shí)，于是可以利用這些樣本類別的特征作為依據(jù)來識(shí)別非樣本數(shù)據(jù)的類別。那些先驗(yàn)的樣本區(qū)便稱為“訓(xùn)練區(qū)，其用途是“訓(xùn)練”判決函數(shù)以及進(jìn)行分類精度評(píng)定。在多光譜遙感圖像分類中比較常用的

20、監(jiān)督分類方法是統(tǒng)計(jì)分類法，包括最大似然分類、最小距離法和平行六面體等。但是傳統(tǒng)的統(tǒng)計(jì)模式方法常常建立在統(tǒng)計(jì)分析和大數(shù)定律基礎(chǔ)上，只有當(dāng)訓(xùn)練樣本數(shù)目趨于無窮時(shí)，分類性能才能達(dá)到最優(yōu)，而且樣本數(shù)目隨著波段數(shù)的增加而增加。高光譜遙感圖像擁有較高的數(shù)據(jù)維，這樣傳統(tǒng)的統(tǒng)計(jì)分類方法就需要大量的樣本，這是很不適用的。而且曲線規(guī)律顯示，隨著參與分析的波段數(shù)目的增加，分類精度會(huì)出現(xiàn)“先增后降”的現(xiàn)象，這就需要研究新的分類算法，以解決高光譜的高數(shù)據(jù)維和多波段數(shù)所產(chǎn)生的大量訓(xùn)練樣本和低精度問題。世紀(jì)年代末，神經(jīng)網(wǎng)絡(luò)開始應(yīng)用于遙感圖像分類。神經(jīng)網(wǎng)絡(luò)具備了一些智能推理功能和并行運(yùn)算的能力，它能自己組織和自己學(xué)習(xí)訓(xùn)練，可

21、以有效的解決很多非線性問題。神經(jīng)網(wǎng)絡(luò)在處理高光譜數(shù)據(jù)是也存在一定的缺點(diǎn)：由于它完全依賴于經(jīng)驗(yàn)地使用訓(xùn)練樣本，其所需的迭代訓(xùn)練時(shí)間就會(huì)很長(zhǎng)；另外它還會(huì)產(chǎn)生過學(xué)習(xí)問題，即對(duì)于有限的訓(xùn)練樣本來說如果網(wǎng)絡(luò)的學(xué)習(xí)能力過強(qiáng)，則無法保證它對(duì)新的樣本也能夠得到好的預(yù)測(cè)，即訓(xùn)練誤差過小反而會(huì)導(dǎo)致推廣能力下降的現(xiàn)象出現(xiàn)。在很多情況下，即使已知問題中的樣本來自比較復(fù)雜的模型，但由于訓(xùn)練樣本有限，用復(fù)雜的預(yù)測(cè)函數(shù)對(duì)樣本進(jìn)行學(xué)習(xí)的效果通常不如用相對(duì)簡(jiǎn)單的預(yù)測(cè)函數(shù)，當(dāng)有噪聲存在時(shí)更是如此。為了解決有限樣本問題，等人早在世紀(jì)年代就開始研究有限樣本情況下的機(jī)器學(xué)習(xí)問題，直到年代中，有限樣本情況下的機(jī)器學(xué)習(xí)理論研究才逐漸成熟起

22、來，形成了一個(gè)較完善的理論體系統(tǒng)計(jì)學(xué)習(xí)理論（，）。對(duì)于分類問題，統(tǒng)計(jì)學(xué)習(xí)理論給出了兩個(gè)重要的成果：放棄先估計(jì)概率密度的思路，認(rèn)為這是一個(gè)比分類本身更加困難的問題。在分類中應(yīng)該直接構(gòu)造分類面：為了克服過學(xué)習(xí)問題，提出結(jié)構(gòu)風(fēng)險(xiǎn)最小化原貝（），在框架下產(chǎn)生的支持向量機(jī)則是一種較好的實(shí)現(xiàn)了結(jié)構(gòu)風(fēng)險(xiǎn)最小化思想的方法。年，等人在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展出了一種新的模式識(shí)別方法支持向量機(jī)（，），在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)?，F(xiàn)已廣泛用于解決高位數(shù)據(jù)的監(jiān)督分類問題，尤其善于處理高維特征空間和大數(shù)據(jù)量的問題，如高光譜數(shù)據(jù)。的核心思想是把樣本通過非線性映射投影到高維特征空間，以結(jié)構(gòu)

23、風(fēng)險(xiǎn)最小化思想為歸納原則，在高維空間中構(gòu)造維盡可能低的最優(yōu)分類面作為分類面，使分類風(fēng)險(xiǎn)上界最小化，從而使分類器對(duì)未知樣本具有最優(yōu)的推廣能力。由于統(tǒng)計(jì)學(xué)習(xí)理論有完備的理論體系和堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及由它產(chǎn)生的具有強(qiáng)的推廣能力，該理論和已經(jīng)成為國際上機(jī)器學(xué)習(xí)領(lǐng)域新的研究熱點(diǎn)。目前貝爾實(shí)驗(yàn)室、英國倫敦大學(xué)、德國、微軟研究院等已經(jīng)成為統(tǒng)計(jì)學(xué)習(xí)理論、及其應(yīng)用的研究中心。我國也逐漸出現(xiàn)了一些研究統(tǒng)計(jì)學(xué)習(xí)理論和的學(xué)者，如清華大學(xué)的張學(xué)工提出了算法【等。雖然該理論已經(jīng)提出多年，但從它自身趨向成熟和被廣泛重視到現(xiàn)在畢竟只有幾年的時(shí)間，其中還有很多尚未解決或尚未充分解決的問題，在應(yīng)用方面的研究更是剛剛開始，因此說這

24、是一個(gè)值得大力研究的領(lǐng)域。本文的主要內(nèi)容就是研究基于支持向量機(jī)的高光譜遙感圖像分類。有監(jiān)督分類與無監(jiān)督分類根據(jù)是否需要已知待分類圖像的先驗(yàn)知識(shí)而選取訓(xùn)練樣本，可將分類方法劃分為監(jiān)督分類和無監(jiān)督分類，這是目前最常見的一種劃分【。有監(jiān)督分類在有監(jiān)督分類之前，對(duì)每種地物類型都要通過實(shí)地測(cè)量或者通過真實(shí)地物圖選擇有代表性的訓(xùn)練樣區(qū)，然后統(tǒng)計(jì)訓(xùn)練樣區(qū)的平均值、標(biāo)準(zhǔn)差、協(xié)方差矩陣等統(tǒng)計(jì)特征，再以這些統(tǒng)計(jì)特征為標(biāo)準(zhǔn)，按照相應(yīng)的分類判別函數(shù)將未知像元?dú)w入到某一類中【】。監(jiān)督分類的一般步驟如圖，目前具有代表性的監(jiān)督分類方法有：最小距離分類法：這是一種比較簡(jiǎn)單易行的方法。首先利用訓(xùn)練樣本計(jì)算出每一類別的均值及標(biāo)準(zhǔn)

25、差，然后以均值作為該類在特征空間中的中心位置，計(jì)算每個(gè)像元到各類中心的距離，然后把各像元?dú)w入到距離最小的一類中去【】。當(dāng)有個(gè)樣本像元時(shí)，將未知類像元?dú)w到個(gè)像元中的優(yōu)勢(shì)類?；蛘呖紤]權(quán)重時(shí)按訓(xùn)練樣本像元離未知類的遠(yuǎn)近賦以權(quán)重（遠(yuǎn)則權(quán)重小，近則權(quán)重大），然后將未知類像元?dú)w到總權(quán)重最大的類。最小距離法通常采用的距離判別函數(shù)有馬：（）距們、歐式（）離和計(jì)程（瞰）距離等。該方法假定所有類的協(xié)方差相等，因而分類速度較快，其缺點(diǎn)就是分類效果不太理想。圖監(jiān)督分類的一般步驟費(fèi)歇爾（）分類準(zhǔn)則：該方法依據(jù)類間均值方差與類內(nèi)方差總和之比為極大的決策規(guī)則，它要求類間距離最大，即類間均值差異最大，而類內(nèi)的離散性最小，即方

26、差平方和最小【。這種方法與最小距離分類的思想是一致的，但是它判定的準(zhǔn)則不是距離，而是線性判別函數(shù)例。最大似然判別分類：根據(jù)準(zhǔn)則對(duì)遙感圖像進(jìn)行識(shí)別分類的最大似哈爾濱下程大學(xué)碩七掌何論文然法是目前應(yīng)用最廣的監(jiān)督分類方法，又稱為貝葉斯分類法。該方法是一種非線性的分類方法，以歸屬某類的概率最大或最小錯(cuò)分為原則進(jìn)行判別。當(dāng)各個(gè)類別在特征空間任何方向的投影均分不開時(shí)，采用線性判別的處理方法根本行不通，只有在特征空間建立非線性分類邊界才可能獲得好的效果。因此最大似然法一般都能獲得較好的效剁¨】【。在上述基本監(jiān)督分類算法的基礎(chǔ)上，等提出了基于核函數(shù)的規(guī)則【】；文獻(xiàn)【】利用監(jiān)督分類算法對(duì)圖像進(jìn)行初始化

27、，以獲得類別標(biāo)號(hào)；等利用混合模型來表示類別密度，所提出的分類器在選擇最好的模型的同時(shí)，對(duì)子類和類別統(tǒng)計(jì)進(jìn)行估計(jì)【】。等提出了基于貪婪模型特征空間（）的正布爾函數(shù)（）分類方法并進(jìn)行了仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果說明對(duì)于分類預(yù)處理來說，特征提取方法適合于非線性的多類分類器，最終分類結(jié)果好于傳統(tǒng)方法。綜合來看，現(xiàn)有的監(jiān)督方法大都是在原有的方法上進(jìn)行改進(jìn)，以期獲得更好的分類效果。無監(jiān)督分類無監(jiān)督分類是在沒有先驗(yàn)知識(shí)的情況下，僅根據(jù)圖像數(shù)據(jù)本身的特征，利用這些數(shù)據(jù)所代表的地物光譜特征的相似性和相異性來分類，因此無監(jiān)督分類又叫聚類【。具有代表性的無監(jiān)督分類方法有：均值聚類法：聚類準(zhǔn)則是使每一聚類中，多像元點(diǎn)到該類別

28、中心距離的平方和最小。其基本思想是通過迭代逐次移動(dòng)各類的中心，直至得到最好的聚類結(jié)果為止【】。這種算法的結(jié)果受到所選聚類中心的數(shù)目和其初始位置以及圖像分布的幾何性質(zhì)和讀入次序等因素的影響，并且在迭代過程中沒有調(diào)整類別數(shù)目的措施，因此可能產(chǎn)生不同的初始分類得到不同的結(jié)果，這是這種方法的缺點(diǎn)。（）算法是一種動(dòng)念聚類方法【】。首先給出一個(gè)初始聚類，然后采用迭代的方法反復(fù)修改和調(diào)整聚類，以逼近一個(gè)正確的聚類。它與均值算法有點(diǎn)不同：（）它不是每調(diào)整一個(gè)樣本的類別就重新計(jì)算一次各類樣本的均值，而是把所有的樣本都調(diào)整完畢之后才計(jì)算各類樣本的均值；（）算法不僅可以通過調(diào)整樣本所屬類別完成樣本的聚類分析，而且可

29、以自動(dòng)地進(jìn)行類別的“合哈爾濱二：程大學(xué)碩十學(xué)位論文并”和“分裂”，從而得到類別數(shù)比較合理的聚類結(jié)果。平行管道法以地物的光譜特性曲線為基礎(chǔ)，假定同類地物的光譜曲線相似作為判別的標(biāo)準(zhǔn)，設(shè)置一個(gè)相似閾值。這樣，同類地物在特征空間上表現(xiàn)為以特征曲線為中心，以相似閾值為半徑的“管子，這種聚類方法實(shí)質(zhì)上是一種基于最鄰近規(guī)則的試探法。除了以上經(jīng)典的無監(jiān)督分類算法，近年來，各國研究者也提出了新的算法。等提出了多階段等級(jí)聚類算法【，該算法將波段選擇之后的數(shù)據(jù)進(jìn)行多階段等級(jí)聚類，包含兩個(gè)階段局部和全局階段。文獻(xiàn)【】將監(jiān)督分類算法演變?yōu)闊o監(jiān)督分類算法，算法的主要特點(diǎn)是簡(jiǎn)化了圖像空間結(jié)構(gòu)的重建過程。由于獨(dú)立成分分析（

30、）對(duì)于超光譜圖像的高數(shù)據(jù)維并不適用，文獻(xiàn)【】將圖像預(yù)處理應(yīng)用于超光譜圖像，使得算法具有普遍的適用性。等將單一算法改進(jìn)為混合模型，并將類別分布假設(shè)為非高斯型分布【，該算法對(duì)于地物覆蓋的分類效果要好于均值算法。其他的無監(jiān)督分類算法見參考文獻(xiàn)。硬分類與軟分類將圖像上的某個(gè)像元分到某一確定類別的分類方法稱為確定性分類，又稱為硬分類，傳統(tǒng)的分類方法都是確定性分類，這里不再贅述。相對(duì)于分類技術(shù)，軟分類即軟分類技術(shù)起步較晚。雖然超譜圖像的光譜分辨率有很大提高，但是其像元對(duì)應(yīng)的地物目標(biāo)的空間分辨率卻較低，例如的空間分辨率為×，這樣在一個(gè)像元內(nèi)可能包含兩種或兩種以上地物目標(biāo)，即像元是混合的。當(dāng)感興趣的

31、目標(biāo)不足一個(gè)像元或幾個(gè)像元時(shí)，所研究分析的對(duì)像則主要以混合像元為主。如果僅將一個(gè)混合像元?dú)w屬為某一類，勢(shì)必帶來一定的分類誤差導(dǎo)致分類精度下降，從而影響分析結(jié)果的后續(xù)應(yīng)用。因此研究超譜圖像的軟分類方法是超譜圖像高精度分類和識(shí)別中要解決的關(guān)鍵技術(shù)。像元混合的模型可分為線性混合模型和非線性混合模型兩類。非線性混合模型的建立和求解都相對(duì)比較困難，因此基于非線性混合模型的軟分類研究較少。相比之下，線性混合模型因其物理意義明確而容易建立模型。基于線性模型的軟分類就是假定混合像元是由幾類純地物按照一定的比例線性哈爾濱工程大學(xué)碩十學(xué)位論文混合而成的，混合像元的光譜是這些地物光譜的線性組合。軟分類時(shí)，根據(jù)是否需

32、要有關(guān)地物類別的先驗(yàn)知識(shí)，軟分類可以分為有監(jiān)督方法和無監(jiān)督方法。此外，軟分類可以在有約束條件下進(jìn)行，也可以在無約束條件下進(jìn)行【訓(xùn)。軟分類可以實(shí)現(xiàn)小于一個(gè)像元的物質(zhì)光譜信息的預(yù)測(cè)和獲取，因此可以用來進(jìn)行已知光譜特性的目標(biāo)識(shí)別處理。在多光譜遙感時(shí)期，混合像元的軟分類問題很難解決，原因是多光譜遙感譜分辨率太低，所得到的遙感輻射值不足以完全刻畫地物的光譜性質(zhì)。而在超譜遙感時(shí)期，由于光譜分辨率的提高，所得到的像元的輻射值構(gòu)成了一條近乎連續(xù)的光譜曲線，完整地代表了地物的光譜響應(yīng)特性。因此在超譜遙感中，完全有可能通過分析光譜曲線的組成，來確定像元的地物組成類別和比例，從而實(shí)現(xiàn)混合像元軟分類的目的。國外從二十

33、世紀(jì)七十年代初期開始便有學(xué)者開始研究地物混合現(xiàn)象。在軟分類的研究歷程中，比較有代表性的當(dāng)屬美國大學(xué)的列等人和英國大學(xué)的等人的論文。于年提出法【之后，又相繼開發(fā)和介紹了一系列基于該方法的混合像元研究，并將濾波器用于線性混合模型中，這種線性分離濾波器不僅可以檢測(cè)到像元內(nèi)各種混合成分含量的突然變化，而且能夠檢測(cè)對(duì)分類有用的目標(biāo)特征。等人在歐洲環(huán)境規(guī)劃項(xiàng)目的資助下，利用遙感技術(shù)對(duì)火災(zāi)后的森林及生態(tài)環(huán)境進(jìn)行長(zhǎng)期監(jiān)測(cè)，建立了高階矩的混合模型，同時(shí)他們也提出了利用變換進(jìn)行混合像元分類的方法。等人最先開始研究利用線性混合物模型去分析由植物和巖石構(gòu)成的地質(zhì)混合物，以此來確定礦物的類型和分布，并利用圖像中的陰影大

34、小將主題制圖儀（）響應(yīng)同地表植物的高度和表面成分聯(lián)系起來，利用陰影圖像進(jìn)一步解釋森林結(jié)構(gòu)中的變化。自九十年代以來，基于線性模型的軟分類研究逐漸、廣泛地開展起來。迄今，能夠應(yīng)用于軟分類的方法主要基于，多層感知器【，最近鄰分類器【，獨(dú)立成分分析（）】，等等。多層感知器和最近鄰分類器法是基于有監(jiān)督的模糊分類方法，該方法由于分離精度較低而未得到廣泛應(yīng)用。是基于信號(hào)高階統(tǒng)計(jì)特性的分析方法，在信號(hào)處理領(lǐng)域受到了廣泛的關(guān)注。該方法的目的是，將觀察到的數(shù)據(jù)進(jìn)行某種線性分離，使其成為統(tǒng)計(jì)獨(dú)立的成分。這里需要使用一個(gè)隱藏的統(tǒng)計(jì)變量模型，表示被觀察到的數(shù)據(jù)是如何由獨(dú)立成分混合而產(chǎn)生的。如果該模型可逆，則獨(dú)立成分可以

35、求得。算法的假設(shè)前提是各成分統(tǒng)計(jì)獨(dú)立而且必須是非高斯分布的，并且還得假設(shè)未知的混合矩陣為方陣。這樣的假設(shè)使得算法的實(shí)際應(yīng)用意義大打折扣。因其相對(duì)簡(jiǎn)單、高效而成為最廣泛使用的方法。常采用最小二乘意義下的方法進(jìn)行計(jì)算，其結(jié)果通常以各光譜端元（，）的分量圖和分離精度等形式表示。在軟分類中的應(yīng)用還僅僅是一個(gè)開始。文獻(xiàn)給出了該方法與有約束的的等效性證明，而將真正應(yīng)用于軟分類問題由于技術(shù)上的原因尚無先例。本文將以為主要技術(shù)進(jìn)行軟分類的研究。高光譜數(shù)據(jù)分類存在的問題傳統(tǒng)的多光譜圖像分類方法是基于理論的統(tǒng)計(jì)分類方法如最大似然法、最小距離法和平行六面體等。這些方法都需要根據(jù)訓(xùn)練樣本對(duì)數(shù)據(jù)的概率分布進(jìn)行估計(jì)，通常

36、假設(shè)數(shù)據(jù)服從高斯分布。當(dāng)對(duì)數(shù)據(jù)概率分布估計(jì)準(zhǔn)確時(shí)，這些方法可以獲得很好的分類精度，但當(dāng)對(duì)數(shù)據(jù)的概率分布估計(jì)不準(zhǔn)確或錯(cuò)誤時(shí)，分類精度就會(huì)急劇下降。然而，只有訓(xùn)練樣本足夠多時(shí)才可以準(zhǔn)確地估計(jì)出數(shù)據(jù)的概率密度，在訓(xùn)練樣本有限的情況下，利用樣本估計(jì)概率密度是一個(gè)不適定的問題，所以準(zhǔn)確估計(jì)概率密度中的參數(shù)是非常困難的。在解決實(shí)際的模式識(shí)別問題時(shí)，分類器通常需要較多的訓(xùn)練樣本才能達(dá)到較好的分類精度。在多光譜遙感數(shù)據(jù)分類中，訓(xùn)練樣本的數(shù)量總是有限的，而且隨著光譜維數(shù)的增加，訓(xùn)練樣本相對(duì)更加缺乏。雖然高維數(shù)據(jù)在特征空間中分布很稀疏，從理論上講，傳統(tǒng)的模式識(shí)別方法（如方法，神經(jīng)網(wǎng)絡(luò)等）都是以經(jīng)典統(tǒng)計(jì)學(xué)為基礎(chǔ)，在

37、假設(shè)訓(xùn)練樣本數(shù)目足夠多的前提下進(jìn)行研究的，這些方法只有當(dāng)訓(xùn)練樣本數(shù)目趨于無窮大時(shí)其性能才能達(dá)到理論上的最優(yōu)。然而，在高光譜數(shù)據(jù)的分類問題中，訓(xùn)練樣本獲取的代價(jià)很大，樣本數(shù)目非常有限。所以，直接對(duì)高維數(shù)據(jù)進(jìn)行分類，由于訓(xùn)練樣本有限、數(shù)據(jù)維數(shù)很高，分類結(jié)果往往不佳。世紀(jì)年代末，神經(jīng)網(wǎng)絡(luò)開始應(yīng)用于遙感圖像分類。神經(jīng)網(wǎng)絡(luò)以其強(qiáng)的非線性映射能力、自組織、自學(xué)習(xí)等特性受到人們的歡迎。它通過對(duì)訓(xùn)練樣本的學(xué)習(xí)，調(diào)整參數(shù)，最終達(dá)到能夠把訓(xùn)練樣本正確分類，然后用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)整個(gè)數(shù)據(jù)進(jìn)行分類。神經(jīng)網(wǎng)絡(luò)的最大的優(yōu)點(diǎn)是不需要數(shù)據(jù)的任何先驗(yàn)知識(shí)，通過學(xué)習(xí)掌握數(shù)據(jù)的內(nèi)部的規(guī)律，完成對(duì)整個(gè)數(shù)據(jù)的分類。但是，神經(jīng)網(wǎng)絡(luò)中有

38、很多重要的問題尚未從理論上解決，在實(shí)際應(yīng)用中仍有許多因素需要憑經(jīng)驗(yàn)確定，比如網(wǎng)絡(luò)結(jié)構(gòu)的選取，初始權(quán)值和學(xué)習(xí)步長(zhǎng)，停止準(zhǔn)則、徑向基函數(shù)的中心和方差等。算法易陷入局部極小點(diǎn)、過學(xué)習(xí)問題等也是很多神經(jīng)網(wǎng)絡(luò)方法中普遍存在的問題，這些問題的存在，在很大程度上影響了神經(jīng)網(wǎng)絡(luò)理論和應(yīng)用的發(fā)展。這樣模式識(shí)別中另一類直接利用樣本集設(shè)計(jì)分類器的方法就顯得更為合適，它們不是從類別統(tǒng)計(jì)建模的角度出發(fā)，而是從類別間的差別入手，直接在特征空間上利用訓(xùn)練樣本求取類別之間的分界面，而不關(guān)心各類自身的模型如何，如統(tǒng)計(jì)學(xué)習(xí)理論。這類方法中新近提出的支持向量機(jī)，在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢(shì)，本文將在

39、以下章節(jié)詳細(xì)介紹。課題目的及研究?jī)?nèi)容為了跟蹤國際前沿，發(fā)展我國的超光譜遙感技術(shù)，滿足軍事和民用對(duì)該技術(shù)的需求，開展該領(lǐng)域的研究是非常必要而有實(shí)際意義的。本論文的研究成果對(duì)豐富超光譜遙感圖像處理與應(yīng)用研究知識(shí)寶庫具有重要的理論意義和學(xué)術(shù)價(jià)值，它將為信號(hào)和圖像處理領(lǐng)域提供一套嶄新的方法，并將在民用領(lǐng)域的污染檢測(cè)、城市規(guī)劃、農(nóng)作物估產(chǎn)、洪澇災(zāi)害調(diào)查，到軍事領(lǐng)域的衛(wèi)星偵察，航空、航天遙感圖像處理等領(lǐng)域有廣泛的應(yīng)用前景。本論文瞄準(zhǔn)國際最新超光譜遙感科學(xué)發(fā)展前沿，研究典型地物光譜特性及超光譜遙感成像機(jī)理，為超光譜數(shù)據(jù)降維與分類處理提供理論依據(jù)。面向超光譜遙感應(yīng)用，發(fā)展以地物精確分類、地物識(shí)別、地物特征信息

40、提取為目標(biāo)的超光譜遙感信息處理模型，提高超光譜數(shù)據(jù)處理的自動(dòng)化和智能化水平。論文的組織結(jié)構(gòu)如下：第一章為緒論，介紹了本課題研究的背景和意義，以及該領(lǐng)域研究發(fā)展的歷史與現(xiàn)狀，最后給出了本文的主要研究?jī)?nèi)容及各章節(jié)內(nèi)容；第二章對(duì)課題所需的預(yù)備知識(shí)尤其是理論進(jìn)行了重點(diǎn)研究；第三章介紹了算法、模糊及模糊均值算法原理，并針對(duì)同一幅高光譜遙感圖像分別采用模糊均值算法和模糊算法進(jìn)行分類比較，并分析算法中參數(shù)的設(shè)置對(duì)分類效果的影響；第四章系統(tǒng)研究了現(xiàn)有的多類支持向量機(jī)，高光譜圖像分類結(jié)果驗(yàn)證了其有效性和可行性；第五章研究高光譜圖像軟分類的監(jiān)督方法和無監(jiān)督方法，并將二者分類效果進(jìn)行了詳盡對(duì)比：最后總結(jié)了論文的工作

41、，給出了進(jìn)一步研究的方向。第章分類預(yù)備知識(shí)及相關(guān)理論研究為了有效開展本課題，首先我們本課題所需的預(yù)備知識(shí)，尤其是理論加以研究。分類基本流程及評(píng)價(jià)準(zhǔn)則分類基本流程首先我們給出高光譜遙感圖像數(shù)據(jù)分類的一般流程，如圖所示，而后據(jù)此對(duì)分類處理的前幾個(gè)不同階段加以說明。圖高光譜圖像分類的一般流程、圖像預(yù)處理高光譜圖像預(yù)處理與一般的圖像數(shù)據(jù)一樣，也需要對(duì)原始的數(shù)據(jù)進(jìn)行基本的大氣輻射校正、幾何畸變校正、波段選擇以及消除噪聲等處理。另外由于高光譜圖像的數(shù)據(jù)量大、數(shù)據(jù)維數(shù)高，因此在判別分類處理之前應(yīng)該對(duì)數(shù)哈爾濱二程大學(xué)碩士學(xué)位論文據(jù)進(jìn)行光譜和空間去冗余以得到高質(zhì)量的特征，降維也成為高光譜數(shù)據(jù)的一個(gè)關(guān)鍵預(yù)處理工具

42、。對(duì)此，等從理論上對(duì)數(shù)據(jù)維減小的可能性進(jìn)行了論證，指出高光譜空間大多數(shù)是空的，數(shù)據(jù)通常集中在較低維的結(jié)構(gòu)中【。因此，減小數(shù)據(jù)維而又不損失有意義的信息及可分性是可能的。、定義感興趣地物類別并標(biāo)記訓(xùn)練樣本在數(shù)據(jù)分析開始之前，一般先根據(jù)三個(gè)波段合成的假彩色圖像對(duì)數(shù)據(jù)進(jìn)行整體的直觀分析，以產(chǎn)生較詳細(xì)的類別組，從中定義出用戶需要的類別。定義的最優(yōu)類別需要滿足以下三個(gè)要求：完整性：圖像中每一個(gè)像素都有可以賦予的一個(gè)邏輯類別。可分性：對(duì)可得到的光譜特征，各個(gè)類別必須具有足夠的可分性。有用性：類別的定義必須滿足用戶的需要，要有信息價(jià)值。類別定義后，就需要為每一個(gè)類別選出一定數(shù)量的訓(xùn)練樣本。訓(xùn)練樣本的標(biāo)記必須依

43、賴于地面真實(shí)數(shù)據(jù)。獲取訓(xùn)練樣本的過程對(duì)不同的數(shù)據(jù)集以及分析員對(duì)場(chǎng)景先驗(yàn)信息了解的多少程度不同有很大的不同。以下給出幾種常用方法。從圖像中獲耿各類別可標(biāo)記的樣本。在數(shù)據(jù)獲取的同時(shí)在地面得到部分觀測(cè)。分析表征像素點(diǎn)的光譜空間得到單一像素的類別信息。這些訓(xùn)練樣本必須是相應(yīng)類別的一個(gè)均質(zhì)樣本，不能包含其他類別，也不能是和其他類別之間的邊界或混合像元，但同時(shí)必須包括該類別的變化范圍，因此常需對(duì)每一個(gè)類別標(biāo)定多于一個(gè)的訓(xùn)練區(qū)。每類地物的訓(xùn)練樣本數(shù)目需要相似，如果差別太大容易出現(xiàn)少數(shù)歸類于多數(shù)的現(xiàn)象，另外還需要考慮訓(xùn)練過程的推廣性，即訓(xùn)練樣本是否已表征整個(gè)數(shù)據(jù)集，訓(xùn)練過程能否推廣到類別中為參加訓(xùn)練的其他樣本

44、。、特征提取與特征選擇特征提取和特征選擇是遙感圖像分類處理過程中一個(gè)必不可少的重要環(huán)節(jié)，方面能減少參加分類的特征圖像的數(shù)目，另一方面從原始信息中抽取能更好進(jìn)行分類的特征圖像。特征提取是從原始特征中求出最能反映其類別特征的一組新特征。特征提取能使同類物質(zhì)樣本的分布具有密集性，而不同類別物質(zhì)的樣本在特征空哈爾濱工程大學(xué)碩士學(xué)位論文間能夠隔離分布，為進(jìn)一步分類打下了良好的基礎(chǔ)。特征選擇是依據(jù)原始波段圖像的量測(cè)值，經(jīng)過一定的變換重新形成一組能夠有效地描述地物類別特征的模式的過程。特征選擇的實(shí)質(zhì)是從刀個(gè)特征中挑選出（療）個(gè)最有效的特征。但要盡量做到兩點(diǎn)：第一是數(shù)據(jù)壓縮意義，即在不損失原始數(shù)據(jù)有用信息的條

45、件下，來選擇部分有效特征，而拋棄多余特征；第二是類別可分性意義，即所選擇的特征相對(duì)于其它特征能夠更有效地進(jìn)行分類。、分類判決訓(xùn)練區(qū)選好之后，相應(yīng)的地物類別的光譜特征便可以用訓(xùn)練區(qū)中的樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)。根據(jù)圖像特點(diǎn)和分類目的設(shè)計(jì)或選擇恰當(dāng)?shù)姆诸惼骷捌渑袥Q準(zhǔn)則，對(duì)未知區(qū)域的樣本進(jìn)行類別歸屬的判斷，分類判決是分類處理的核心階段，關(guān)于這部分將在以后的章節(jié)做詳細(xì)的介紹。硬分類評(píng)價(jià)準(zhǔn)則硬分類結(jié)束后，圖像的類別信息都已確定，可以將整幅圖像標(biāo)記為相應(yīng)的類別輸出，然后評(píng)價(jià)其分類精度。精度評(píng)價(jià)對(duì)于遙感分類很重要，因?yàn)橐环诸悎D像的精度直接影響從遙感圖像的制圖以及得來的報(bào)告對(duì)于實(shí)際土地、環(huán)境管理以及其他數(shù)據(jù)分析的有用性和用這些數(shù)