高光谱遥感图像的分类

5.高光谱遥感数据监督分类

高光谱图像数据将地物光谱信息和图像信息融为一体,其数据具有几何空间、光谱特征空间两类表达方式。

几何空间：直观表达每个像元在图像中的空间位置以及它周边像元之间的相互关系，为高光谱图像处理提供空间信息。

光谱特征空间： 高光谱遥感图像每个像元对应着多个成像波段的反射值。近似连续的光谱曲线表示为一个NN维向量，向量在不同波段值的变化反映了其代表的目标的辐射光谱信息，其优势是特征维度的变化和扩展性。我们处理将高光谱像元作为高维特征空间的数据点，根据数据的统计特性来建立分类模型，但是它的弱点是无法表达像元间的几何位置关系。

监督分类常用于高光谱图像数据的定量分析，其主要流程是：首先，利用分类器对已知类别机器对应的训练样本进行学习，获取各图像上各类别像元的分类特征；然后，选择适当的分类判据，根据分类的决策准则进行分类。

一般按以下步骤进行：

高光谱数据选择。
图像的预处理。即几何配准、校正等，确保获取正确光谱和几何信息。
确定地物种类。即根据提取的训练数据特征确定分类类别。
选择训练样本。
特征提取和特征选择。选择各类地物可区分性最强的特征从而提高分类精度。
选择合适的分类方法进行分类。
分类后处理。传统基于像元分类方法分类后可能存在大量噪声及孤立像元，根据地物的连续性，利用主成分滤波等方法减少该因素影响，从蹄提高分类精度。
分类结果评价。根据已知类别的测试数据类别与分类结果比较，确认分类的精度与可靠性。

5.1 基于光谱特征空间分类
5.1.1 光谱特征匹配分类方法
5.1.2 遥感图像统计模型分类方法
5.1.3 高光谱图像神经网络的方法
5.1.4 高光谱图像支持向量机的方法
5.2 几何空间与光谱特征空间结合的高光谱图像分类
5.2.1 基于同质地物提取的高光谱图像分类方法(ECHO)
5.2.2 纹理信息辅助下的高光谱图像分类
5.3 面向对象的高光谱遥感图像分类

5.4 高光谱图像的分类精度评价

6.高光谱图像非监督分类

高光谱图像的非监督分类算法还是采用传统遥感中的非监督方法，如 K-means 算法、ISODATA 算法、FCM 算法等算法以及它们的优化算法。

高光谱图像的非监督分类使用过程中需要注意这几个问题：

高光谱图像的波段众多，在自学习中会产生大量冗余，分类前进行特征提取和选择有利于提高自学习过程效率；
可以充分利用高光谱图像中端元提取、光谱分析等手段获得较精确的类别初值，辅助非监督分类；
选择非相似性度量时，需要充分考虑地物光谱特征，适当选择；
利用搜索算法求解非监督分类目标函数时，尝试利用全局搜索算法代替局部搜索算法提高非监督分类精度。

————————————————
版权声明：本文为CSDN博主「Vinicier」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/u010976453/article/details/72416039