《高光谱遥感图像研究意义及现状.doc》由会员分享，可在线阅读，更多相关《高光谱遥感图像研究意义及现状.doc（7页珍藏版）》请在三一办公上搜索。
1、高光谱遥感图像研究意义及现状1研究高光谱遥感图像的意义12高光谱遥感图像分类以及其基本现状22.1图像预处理32.2定义感兴趣地物类别并标记训练样本32.3特征提取与特征选择42.4分类判决41研究高光谱遥感图像的意义遥感图像是按一定比例尺,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表现形式，因此遥感技术应用的核心问题是根据地物辐射电磁辐射强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征。遥感图像特征取决于遥感探测通道、地物光谱特征、大气传播特征及传感器的响应特征等因素。只要了解这些因素对遥感图像特征的影响，则可按图像特征判读地面物体的
2、属性及其分布范围，实现遥感图像的分类识别。高光谱遥感图像是一种高维图像，可反映地物的空间信息和光谱信息，其数据量庞大。随着传感器的不断更新，人们已经可以在不同的航空、航天遥感平台上获取不同时空间分辨率和光谱分辨率的遥感影像。高光谱遥感与以往遥感技术相比，具有图谱合一的特征和从可见光到红外甚至热红外的一系列波段，是一种综合性的遥感技术手段。特别是在地面的信息比较微弱的情况下，高光谱遥感具有识别微弱信息和定量探测的优势。发展高光谱遥感技术，满足军事和民用对该技术的需求，开展该领域的研究是非常必要而有实际意义的。发展以地物精确分类、地物识别、地物特征信息提取为目标的超光谱遥感信息处理模型，提高超光谱
3、数据处理的自动化和智能化水平。高光谱遥感技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像结合在一起，而许多物质的特征往往表现在一些狭窄的光谱范围内，高光谱遥感实现了获取地物的光谱特征同时又不失其整体形态及其与周围地物的关系。高光谱技术产生的一组图像所提供的丰富信息可以显著地提高数据分析的质量、细节性、可靠性以及可信度，可有效地用于地物类型的像素级甚至亚像素级识别，己广泛应用于地质勘探与地球资源调查、城市遥感与规划管理、环境与灾害监测、精细农业、测绘及考古等方面。当前，世界各国都加强了高光谱遥感技术在各领域的应用研究，比如：在对月球、火星等星体的科学考察中，通过高光谱传感器收集岩石和土
4、壤矿物成分的光谱信息可获知星球的地质状况，具有很好的应用前景；在军事上，星载遥感成像技术和机载遥感对地观测技术是世界各国军事实力竞争的关键之一，高光谱传感器能够检测出普通CCD相机或摄像机无法捕获的各种伪装、隐蔽目标，可应用于战场情报侦察和目标识别。2高光谱遥感图像分类以及其基本现状根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法叫做图像分类。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种，以代替人的视觉判读。遥感图像分类主要依据是地物的光谱特征，既地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。
5、分类是对图像上每个像素按照亮度并接近程度给出对应类别,以达到大致区分遥感图像中多种地物的目的。高光谱图像的分类和识别，主要有两种方法，即基于地物光谱特征的分类识别方法和基于统计的分类识别方法。前者是利用光谱库中已知的光谱数据，采用匹配算法来鉴别和识别图像中地物类型。这种方法既可采用全波长的比较和匹配，也可用感兴趣的光谱特征或部分波长的光谱或光谱组合参量进行匹配，达到分类和识别的目的。基于统计特征的分类，可采用非监督和监督分类两种方法，非监督方法甚至不需要有对数据的先验知识，也可以直接应用原始高光谱遥感图像数据来进行分类，虽然精度有所欠缺，但简单易行，也是常用的方法之一。对高光谱图像的分类，其基
6、本流程如图1所示。图1 图像分类的基本流程2.1图像预处理高光谱图像预处理与一般的图像数据一样，也需要对原始的数据进行基本的大气辐射校正、几何畸变校正、波段选择以及消除噪声等处理。另外由于高光谱图像的数据量大，维数比较高，因此在判别分类处理之前应该对数据进行光谱和空间去冗余以得到高质量的特征，数据降维是高光谱遥感图像数据处理的一个关键预处理环节。2.2定义感兴趣地物类别并标记训练样本在数据分析开始之前，一般先根据三个波段合成的假彩色图像对数据进行整体的直观分析，以产生较详细的类别组，从中定义出用户需要的类别。定义的最优类别需要满足以下三个要求: 完整性:图像中每一个像素都有可以赋予的一个逻辑类
7、别。 可分性:对可得到的光谱特征，各个类别必须具有足够的可分性。 有用性:类别的定义必须满足用户的需要，要有信息价值。类别定义后，就需要为每一个类别选出一定数量的训练样本。训练样本的标记必须依赖于地面真实数据。获取训练样本的过程对不同的数据集以及分析员对场景先验信息了解的多少程度不同有很大的不同。以下给出几种常用方法。 从图像中获取各类别可标记的样本。 在数据获取的同时在地面得到部分观测。 分析表征像素点的光谱空间得到单一像素的类别信息。这些训练样本必须是相应类别的一个均质样本，不能包含其他类别，也不能是和其他类别之间的边界或混合像元，但同时必须包括该类别的变化范围，因此常需对每一个类别标定多
8、于一个的训练区。每类地物的训练样本数目需要相似，如果差别太大容易出现少数归类于多数的现象，另外还需要考虑训练过程的推广性，即训练样本是否已表征整个数据集，训练过程能否推广到类别中为参加训练的其他样本。2.3特征提取与特征选择特征提取和特征选择是遥感图像分类处理过程中一个必不可少的重要环节，一方面能减少参加分类的特征图像的数目，另一方面从原始信息中抽取能更好进行分类的特征图像。特征提取是从原始特征中求出最能反映其类别特征的一组新特征。特征提取能使同类物质样本的分布具有密集性，而不同类别物质的样本在特征空间能够隔离分布，为进一步分类打下了良好的基础。特征选择是依据原始波段图像的量测值，经过一定的变
9、换重新形成一组能够有效地描述地物类别特征的模式的过程。特征选择的实质是从个特征中挑选出个最有效的特征。但要尽量做到两点：第一是数据压缩意义，即在不损失原始数据有用信息的条件下，来选择部分有效特征，而抛弃多余特征；第二是类别可分性意义，即所选择的特征相对于其它特征能够更有效地进行分类。2.4分类判决训练区选好之后，相应的地物类别的光谱特征便可以用训练区中的样本数据进行统计。根据图像特点和分类目的设计或选择恰当的分类器及其判决准则，对未知区域的样本进行类别归属的判断，分类判决是分类处理的核心阶段。基于统计特征的分类，根据分类过程中人工参与程度分为有监督分类和非监督分类 6,9 等，有监督分类常简称
10、监督分类。监督分类，又称训练分类，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在这种分类中，分析者在图像上对每一种类别选取一定数量的训练区，通过计算，将每个像元和训练样本作比较，按照不同规则划分到和其最相似的样本类。主要步骤包括： 选择特征波段； 选择训练区； 选择或构造训练分类器； 对分类精度进行评价。监督分类的主要优点： 可根据应用目的和区域，有选择地决定分类类别，避免出现一些不必要的类别； 可控制训练样本的选择； 可通过检查来决定训练样本是否被精确分类，从而避免分类中的严重错误； 避免了非监督分类中对光滑集群组的重新归类。监督分类
11、的缺点： 由于人为因素，分类系统的确定、训练样本的选择，分析定义的类别也许并不是图像中存在的自然类别，致多维数据空间中各类别间并非独一无二，而是有重叠，分析者所选择的训练样本也可能并不代表图像中的真实情形； 由于图像中同一类的光谱差异，如同一森林类，由于森林密度、年龄、阴影等的差异，其森林类的内部方差大，造成训练样本没有很好的代表性； 训练样本的选取和评估需要花费较多的人力和时间； 只能识别训练样本中所定义的类别，若某类别由于训练者不知道或者其数量太少未被定义，则监督分类不能被识别。非监督分类，也称为聚类分析或点群分析，是指事先对遥感图像地物的属性不具先验知识，纯粹依靠不同光谱数据组合在统计上
12、的差别来进行“盲目分类”，事后再对已分出各类的地物属性进行确认。即在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督分类不需要人工选择训练样本，仅需极少的人工初始输入，计算机按照一定规则自动地根据像元光谱或空间等特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到某一类别中去。在无监督分类方法下，只能假定初始的参量，并通过预分类处理来形成集群(即聚类)，再由集群的统计参数来调整预置的参量，接着再聚类、再调整，如此不断迭代直至有关参量的变动在容忍的范围内为止。由于无监督分类没有使用任何关于数据的先验信息，所以分类效果通常较差，而且无法给出数据类别的含义。而在遥感数据分析中，研究者
13、总是或多或少的掌握一些关于数据的先验信息，利用监督分类方法可以大幅度的提高分类的精度。与监督分类相比，非监督分类具有以下优点： 不需要预先对所要分类的区域有广泛的了解和熟悉，但分析者仍需要一定的知识来解释分类得到的集群组； 人为误差的机会减少，所产生的类别比监督分类的更均质； 独特的、覆盖量小的类别均能够被识别，而不会像监督分类那样被分析者的失误所丢失。与监督分类相比，非监督分类主要缺点是来自对其“自然”的依赖性： 所产生的光谱集群组并不一定对应于分析者想要的类别，因此分析者面临着如何将它们和想要的类别相匹配的问题，实际上几乎很少有一对一的对应关系； 分析者较难对产生的类别进行控制，因此其产生
14、的类别也许并不能让分析者满意； 图像中各类别的光谱特征会随时间、地形等变化，不同图像以及不同时段的图像之间的光谱集群组无法保持其连续性，从而使不同图像之间的对比变得困难。20世纪80年代末，神经网络开始应用于遥感图像分类。神经网络具备了一些智能推理功能和并行运算的能力，它能自己组织和自己学习训练，可以有效的解决很多非线性问题。神经网络在处理高光谱数据是也存在一定的缺点：由于它完全依赖于经验地使用训练样本，其所需的迭代训练时间就会很长；另外它还会产生过学习问题，即对于有限的训练样本来说如果网络的学习能力过强，则无法保证它对新的样本也能够得到好的预测，即训练误差过小反而会导致推广能力下降的现象出现
15、。在很多情况下，即使已知问题中的样本来自比较复杂的模型，但由于训练样本有限，用复杂的预测函数对样本进行学习的效果通常不如用相对简单的预测函数，当有噪声存在时更是如此。为了解决有限样本问题，Vpnik等人早在20世纪60年代就开始研究有限样本情况下的机器学习问题，直到90年代中，有限样本情况下的机器学习理论研究才逐渐成熟起来，形成了统计学习理论(Statistical Learning Theory, SLT)。1992-1995年，Vpnik等人在统计学习理论的基础上发展出了一种新的模式识别方法-支持向量机(Support Vector Machine, SVM)，在解决小样本、非线性及高维模
16、式识别问题中表现出许多特有的优势。2000年，科学上发表了三篇学术论文，从认知上讨论了流形学习，并首次使用了Manifold learning术语，标志着以非线性为主要特征的流形学习方法的诞生。近几年中涌现出许多关于流形学习的研究论文，并在模式识别、语言处理等方面进行了实验性研究和应用。流形学习作为一种新的机器学习方法，其主要目标是有效地发现高维数据集中内在的低维流形结构，并高效地进行维数降维。流形学习能够对训练集中的高维数据空间进行非线性降维，揭示其流形分布，从中找出隐藏在高维观测数据中有意义的低维结构，以便从中提取易于识别的特征。流形学习算法能够利用数据集的局部几何结构来揭示其内在的流形结构，从而达到高效降维的目的。
