高光谱遥感图像分类——以海水为例

高光谱成像技术获得的高光谱图像信息庞大，需要进行分类处理才能应用于各个领域。本文以海水为例，简单介绍了高光谱遥感图像分类方法。

高光谱遥感图像分类

1. 高光谱遥感图像分类原因

高光谱遥感图像分类的主要特点在于：

1）光谱分辨率高，波段众多，且可以挑选特定的波段来突出特征，进行分类。

2）数量冗余程度增加，波段相关性高。

3）hughs现象的存在，样本数目要求高，且随着波段增加分类精度反而下降。

2. 高光谱遥感图像分类方法

我们主要介绍三种方式进行有效的高光谱遥感图像分类：

1）降维+传统分类算法

2）智能化的新分类算法

3）光谱匹配分类

我们以第一种方法为例进行分析，特征提取+传统分类算法。重点在于光谱维特征的提取，即通过映射和变换的方法（如主成分分析PCA，最小噪声分离变换MNF，小波变换等），把原始模式空间的高维数据变成特征空间的低维数据。然后对特征更集中的低维数据进行传统分类处理。

分类器：

选择最小距离和最大似然法进行比较

（1）Minimum distance classifier

（2）Maximum likelihood classifier

具体步骤：

选取海水，建筑物和植被3个不同类别的样本，样本个数各为300个。样本要具有代表性就是样本的亮度要反映该类地物的亮度特征，当同一地物区域分布不连续时，我们要尽量使样本来自不同的区域。如：在对海水取样时，既要选择来来自右上角的深水区的样本，又要选择来自河道以及水田中的浅水区的样本。从亮度特征角度而言，对于同一类地物具有不同亮度特征情况，都要选取（同物异谱）。原始图像选择前3个波段后，采用以下两种传统分类算法进行分类：

区域A：在浅水区，最大似然法分类图像中出现了原始分类图像中没有的像点。这些像点是水中的暗礁和草，RGB图像上用肉眼无法识别到这些细节。

区域B：通过目视解译，可以分辫出这个区域是由田埂分开的一块又一块的稻田，这些稻田中全是海水。最小距离法分类时却忽略了这些由植被覆盖的田埂，将其全部分成了海水。甚至将右上角处的海水类分成了植被类。

区域C：可以看到左图中有很多被错分的像点，如山脉中的部分植被和建筑被类分成了海水类。而右图中几乎没有被错分的像点；