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。

 

【遥感微课堂】高光谱图像处理和分析
 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。

阅读更多
换一批

没有更多推荐了,返回首页