高光谱图像分类流程

本文转载自https://blog.csdn.net/archielau/article/details/18152959

ENVI下推荐使用的波谱识别流程（如图1所示）。大致可以分为五个部分：大气校正、数据维数判断、端元波谱选择、波谱识别和结果分析。

 

图 1波谱识别流程

(1)       大气校正：使用FLAASH大气校正工具；

(2)       数据维数判断：对图像做MNF变换，根据特征值判断数据的维数；

(3)       端元波谱选择

端元波谱作为高光谱分类、地物识别和混合像元分解等过程中的参考波谱，与监督分类中的分类样本具有类似的作用，直接影响波谱识别与混合像元分解结果的精度。

最简单的端元波谱获取途径是选择已知的波谱，这些已知的波谱可以来自标准波谱库中的波谱，或者波谱仪器量测等；也可以从图像自身的像元波谱中获得，这些像元一般选择只包含一种地物的纯净像元；还常常采用前面两种方法相结合，即使用已知波谱校正和调整图像上获取的端元波谱。

可选择很多种方法，流程图上标识了两种方法——基于PPI的端元提取和从外部源（如波谱库）获取，也可以选择基于几何顶点的端元提取、基于SMACC的端元提取等方法；

(4)       波谱识别可选的方法就很多，如波谱角填图（SAM）、二进制编码(Binary Encoding )和光谱信息散度(Spectral Information Divergence)、线性波段预测(Linear Band Prediction)、线性波谱分离(Linear Spectral Unmixing )、匹配滤波(Matched Filtering )、混合调谐匹配滤波(Mixture Tuned Matched Filtering）、最小能量约束(Constrained Energy Minimization）、自适应一致估计（Adaptive Coherence Estimator）、正交子空间投影(Orthogonal Subspace Projection)、包络线去除(Continuum Removal)、光谱特征拟合（Spectral Feature Fitting）和多范围光谱特征拟合(Multi Range Spectral Feature Fitting)等。

(5)       分析结果。