基于多角度高光谱CHRIS影像的隆宝滩湿地遥感分类方法研究

遥感图像几种分类方法的比较

摘要遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。遥感图像的计算机分类是通过计算机对遥感图像像素进行数值处理，达到自动分类识别地物的目的。遥感图像分类主要有两类分类方法:一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。非监督分类由十不能确定类别属性，因此直接利用的价值很小，研究应用也越来越少。而且监督分类随着新技术新方法的不断发展，分类方法也是层出不穷。从传统的基十贝叶斯的最大似然分类方法到现在普遍研究使用的决策树分类和人工神经网络分类方法，虽然这些方法很大程度改善了分类效果，提高了分类精度，增加了遥感的应用能力。但是不同的方法有其不同优缺点，分类效果也受很多因素的影响。本文在对国内外遥感图像分类方法研究的进展进行充分分析的基础上，应用最大似然分类法、决策树分类法对TM影像遥感图像进行了分类处理。在对分类实现中，首先对分类过程中必不可少的并影响分类效果的步骤也进行了详细地研究，分别是分类样本和分类特征；然后详细介绍两种方法的分类实验；最后分别分析分类结果图，采用混淆矩阵和kappa系数对两种方法的分类结果进行精度评价。关键词:TM遥感影像，图像分类，最大似然法，决策树题目：遥感图像几种分类方法的比较...................................... 错误！未定义书签。摘要.. (1) 第一章绪论 (3)

1.1遥感图像分类的实际应用及其意义 (4) 1.2我国遥感图像分类技术现状 (5) 1.3遥感图像应用于测量中的优势及存在的问题 (6) 1.3.1遥感影像在信息更新方面的优越性 (6) 1.3.2遥感影像在提取信息精度方面存在的问题 (6) 1.4研究内容及研究方法 (8) 1.4.1研究内容 (8) 1.4.2 研究方法 (8) 1.5 论文结构 (9) 第二章遥感图像的分类 (9) 2.1 监督分类 (9) 2.1.1 监督分类的步骤 (9) 2.1.2 最大似然法 (11) 2.1.3 平行多面体分类方法 (12) 2.1.4 最小距离分类方法 (13) 2.1.5监督分类的特点 (13) 2.2 非监督分类 (14) 2.2.1 K-means算法 (14) K-均值分类法也称为 (14) 2.2.2 ISODATA分类方法 (15) 2.2.3非监督分类的特点 (17) 2.4遥感图像分类新方法 (17) 2.4.1基于决策树的分类方法 (17) 2.4.2 人工神经网络方法 (19) 2.4.3 支撑向量机 (20) 2.4.4 专家系统知识 (21) 2.5 精度评估 (22) 第三章研究区典型地物类型样本的确定 (24) 3.1 样本确定的原则和方法 (24) 3.2 研究区地物类型的确定 (24) 3.3样本区提取方案 (25) 3.4 各个地物类型的样本的选取方法 (25) 3.4.1 建立目视解译标志 (25) 3.4.2 地面实地调查采集 (26) 3.4.3 利用ENVI遥感图像处理软件选取样本点 (26) 第四章遥感图像分类实验研究 (26) 4.1遥感影像适用性的判定 (26) 4.2分类前的预处理 (28) 4.2.1空间滤波的处理 (28) 4.2.2 频域滤波处理 (28) 4.3利用ENVI软件对影像按照不同的分类方法进行监督分类 (30) 4.3.1监督分类 (30) 4.3.2 决策树 (33) 4.4分类后的处理 (35)

高光谱遥感图像研究意义及现状

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 (1) 2高光谱遥感图像分类以及其基本现状 (2) 2.1图像预处理 (3) 2.2定义感兴趣地物类别并标记训练样本 (3) 2.3特征提取与特征选择 (4) 2.4分类判决 (4) 1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

红外光谱分析概述

红外光谱分析概述（上） 1．红外光谱红外光谱是反映红外辐射强度或其他与之相关性质随波长（波数）变化的谱图。目前，它是一种被广泛应用于研究表征物质的化学组成，在分子层次上的结构及分子间相互作用的有力手段。红外射线发现于1800年，在用普通温度计测量可见光谱的温度效应时，在红光一端的外侧观察到有较强的热效应。后来，实验证实了这是由一种肉眼看不见、波长比红光更长的电磁辐射所造成的，这种电磁辐射被称为红外光。通常将红外辐射的波长范围定为0.8～1000微米，并可粗略地分为三个波段：（1）近红外的波段为0.8～2.5微米，波数为12500～4000厘米-1；（2）中红外的波段为2.5～25微米，波数为4000～400厘米-1；（3）远红外的波段为25～1000微米，波数为400～10厘米，目前，实验上已能测定到2500微米，波数为4厘米-1。相应地有近红外光谱、中红外光谱和远红外光谱。红外光谱的形式虽然多种多样，从本质上可分为发射光谱和吸收光谱两大类。物体的红外发射光谱是指样品在通过受激或自发辐射的条件下，所发射的红外光的强度随波长(波数)变化的光谱图，红外发射光谱主要决定于物体的温度和化学组成。吸收光谱是指样品对红外辐射的吸收能力随波长(波数)变化的光谱图，在实验上，使红外光与样品发生相互作用，测定红外光与物质相互作用前后光强的变化与波长(波数)之间的关系, 称红外吸收光谱。 2．分子的振动和转动光谱对于分子体系而言，其振动和转动是量子化的，其能级差所对应的光子的波长落在红外光范围，因此是红外光谱(拉曼光谱)的主要研究对象。研究指出，红外光谱的研究范围不仅仅局限于分子的振动、转动跃迁，某些特殊体系的电子能级跃迁亦可能落在红外光谱波段范围内，例如，超大规模共轭体系的电子跃迁、某些稀土离子的f-f能级跃迁等等。不过目前绝大多数的红外光谱研究工作仍集中于分子的振动能级跃迁上，以最简单的双原子为例，其振动吸收Eν可近似地表示为：式中h为普朗克常数；ν为振动量子数（取正整数）；n0为简谐振动频率。当ν=0时，分子的能量最低，称为基态。处于基态的分子受到频率为n0的红外射线照射时，分子吸收了能量为n0的光量子，跃迁到第一激发态，得到频率为n0的红外吸收带, 它称为分子振动的基频。反之，处于该激发态的分子也可发射频率为n0的红外射线而恢复到基态。n0的数值决定于分子的约化质量μ和力常数κ： κ决定于原子的核间距离、原子的特性和化学键及键级等。在多原子分子体系中，各原子在平衡位置附近作相对运动。这些振动方式可以被分解为各种简正振动的线性组合，所谓简正振动就是指分子中各原子以同一频率、同一相位在平衡位置附近作简揩振动。含N个原子的非线分子有3N-6个简正振动方式；线性分子有3N－5种简正振动方式。对于分子的转动而言，往往可以假定分子为刚性转子，则其转动能量Er为：红外光谱分析概述（中）

近红外光谱分析及其应用简介

近红外光谱分析及其应用简介 1、近红外光谱分析及其在国际、国内分析领域的定位近红外光谱分析是将近红外谱区（800-2500nm）的光谱测量技术、化学计量学技术、计算机技术与基础测试技术交叉结合的现代分析技术，主要用于复杂样品的直接快速分析。近红外分析复杂样品时，通常首先需要将样品的近红外光谱与样品的结构、组成或性质等测量参数（用标准或认可的参比方法测得的），采用化学计量学技术加以关联，建立待测量的校正模型；然后通过对未知样品光谱的测定并应用已经建立的校正模型，来快速预测样品待测量。近红外光谱分析技术自上世纪60年代开始首先在农业领域应用，随着化学计量学与计算机技术的发展，80年代以来逐步受到光谱分析学家的重视，该项技术逐渐成熟，90年代国际匹茨堡会议与我国的BCEIA等重要分析专业会议均先后把近红外光谱分析与紫外、红外光谱分析等技术并列，作为一种独立的分析方法；2000年PITTCON 会议上近红外光谱方法是所有光谱法中最受重视的一类方法，这种分析方法已经成为ICC（International Association for Cereal Science and Technology国际谷物科技协会）、AOAC(American Association of Official Analytical Chemists美国公职化学家协会)、AACC（American Association of Cereal Chemists美国谷物化学家协会）等行业协会的标准；各发达国家药典如USP(United States Pharmacopoeia美国药典)均收入了近红外光谱方法；我国2005年版的药典也将该方法收入。在应用方面近红外光谱分析技术已扩展到石油化工、医药、生物化学、烟草、纺织品等领域。发达国家已经将近红外方法做为质量控制、品质分析和在线分析等快速、无损分析的主要手段。我国对近红外光谱技术的研究及应用起步较晚，上世纪70年代开始，进行了近红外光谱分析的基础与应用研究，到了90年代，石化、农业、烟草等领域开始大量应用近红外光谱分析技术，但主要是依靠国外大型分析仪器生产商的进口仪器。目前国内能够提供完整近红外光

遥感影像分类envi

遥感课程教学实验之二：遥感影像分类实验二遥感影像的分类遥感影像的监督分类 ?实验目的

理解计算机图像分类的基本原理以及监督分类的过程，学会利用遥感图像处理软ENVI 件对遥感图像进行分类的方法。 ?实验内容 1、遥感图像分类原理。 2、遥感图像监督分类。 3、最大似然法分类 ?实验条件电脑、ENVI4.5软件。厦门市TM遥感影像。 ?实验步骤 1、启动ENVI软件，从文件菜单打开多波段影像文件，从可用波段列表中装载彩色或假色影像，显示遥感影像。 2、从主图像窗口的工具Tools →Region of Interest →ROI Tools; 3、在自动打开的ROI Tools窗口中，设定ROI_Type 为“Polygon”（多边形），选定样本采集的窗口类型，用Zoom（缩放窗口）进行采集。。

4、在选定的窗口如Zoom用鼠标左键画出样本区域，在结束处击鼠标右键二次，样本区域被红色充填，同时ROI Tools窗口中显示采集样本的信息。采集新的样本点击“New Region”，重新上述步骤进行多个地物样本采集。。 5、从ENVI主菜单中，选 Classification > Supervised > Maximum Likelihood；或在端元像元采集对话框 Endmember Collection中选择 Algorithm >MaximumLikelihood 进行最大似然法分类。

6、在出现Classification Input File 对话框中，选择输入影像文件，出现 Maximum Likelihood Parameters 对话框。 7、输入常规的分类参数。设定一个基于似然度的阈值（Set Prpbability Threshold）：如不使用阈值，点击“None” 按钮。要对所有的类别使用同一个阈值，点击“Single Value”按钮，在“Probability Threshold”文本框中，输入一个0 到1 之间的值。似然度小于该值的像元不被分入该类。要为每一类别设置不同的阈值： ●在类别列表中，点击想要设置不同阈值的类别。 ●点击“Multiple Values”来选择它。 ●点击“Assign Multiple Values”按钮。 ●在出现的对话框中，点击一个类别选中它，然后在对话框底部的文本框中输入阈值。为每个类别重复该步骤。最后给定输出结果的保存方式：文件或内存，当影像较大时建设保存到文件中，以免因内存不够而出错运算错误。点击“OK”计算机开始自动分类运算。 8、在可用波段列表中显示分类图像。 ?实验总结

试述遥感图像分类的方法,并简单分析各种分类方法的优缺点。

遥感原理与应用 1.试述遥感图像分类的方法，并简单分析各种分类方法的优缺点。答：监督分类：1、最大似然法；2、平行多面体分类法:这种方法比较简单，计算速度比较快。主要问题是按照各个波段的均值为标准差划分的平行多面体与实际地物类别数据点分布的点群形态不一致，也就造成俩类的互相重叠，混淆不清的情况；3、最小距离分类法:原理简单，分类精度不高，但计算速度快，它可以在快速浏览分类概况中使用。通常使用马氏距离、欧氏距离、计程距离这三种判别函数。主要优点：可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度（避免分类中的严重错误）；可避免非监督分类中对光谱集群组的重新归类。主要缺点：人为主观因素较强；训练样本的选取和评估需花费较多的人力、时间；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果（对土地覆盖类型复杂的地区需特别注意）。非监督分类：1、ISODATA； 2、K-Mean：这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果，这种分类方法的缺点。可以通过其它的简单的聚类中心试探方法来找出初始中心，提高分类结果；主要优点：无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少（往往仅需给出所要分出的集群数量、计算迭代次数、分类误差的阈值等）；可以形成范围很小但具有独特光谱特征的集群，所分的类别比监督分类的类别更均质；独特的、覆盖量小的类别均能够被识别。主要缺点：对其结果需进行大量分析及后处理，才能得到可靠分类结果；分类出的集群与地类间，或对应、或不对应，加上普遍存在的“同物异谱”及“异物同谱”现象，使集群组与类别的匹配难度大；因各类别光谱特征随时间、地形等变化，则不同图像间的光谱集群组无法保持其连续性，难以对比。

高光谱图像分类

《机器学习》课程项目报告高光谱图像分类 ——基于CNN和ELM 学院信息工程学院专业电子与通信工程学号 35 学生姓名曹发贤同组学生陈惠明、陈涛硕士导师杨志景 2016 年 11 月

一、项目意义与价值高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。

遥感影像的分类处理

摘要在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程

高光谱成像国内外研究与应用

前言随着科学技术的发展，人们的感官得到了延伸，认识事物的能力也不断的提高，其中光谱成像和雷达成像成为其中的佼佼者，高谱和图像使人们能够在大千世界更好的认识到事物。高光谱成像技术作为一项优点显著，实用的成像技术，从20世纪80年代开始得到了世界各国的重视，经过深入的研究和发展如今已经被广泛地应用于各个领域。高光谱遥感是当前遥感技术的前沿领域,它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。高光谱遥感的出现是遥感界的一场革命,它使本来在宽波段遥感中不可探测的物质,在高光谱遥感中能被探测。高光谱成像技术是基于非常多窄波段的影像数据技术，其中最突出的应用是在遥感探测领域，并在民用领域有着更大的应用前景。本文通过分析介绍高光谱图像的成像原理，探讨了高光谱图像在国内外发展现状及其应用。

1.高光谱图像成像原理及特点 1.1高光谱遥感基本概念高光谱遥感是通过高光谱传感器探测物体反射的电磁波而获得地物目标的空间和频谱数据，成立于20世纪初期的测谱学就是它的基础。高光谱遥感的出现使得许多使用宽波段无法探查到的物体，更加容易被探测到，所以高光谱遥感的出现时成功的是革命性的。 1.2高光谱图像成像原理光源相机（成像光谱仪+ccd）装备有图像采集卡的计算机是高光谱成像技术的硬件组成，其光谱的覆盖范围为200-400nm，400-1000nm，900-1700nm，1000-2500nm。其中光谱相机的主要组成部分为准直镜，光栅光谱仪，聚焦透镜以及面阵ccd。其扫描过程是当ccd探测器在光学焦面的垂直方向上做横向扫描（x），当横向的平行光垂直入射到投身光栅是就形成了光栅光谱，这是象元经过高光谱仪在ccd上得出的数据，它的横向式x方向上的像素点也就是扫描的象元，它的总想是各象元对应的信息。在检测系统输送前进是排列的他测器完成纵向扫面（y）。综合扫描信息即可得到物体的三围高光谱数据。 1.3高光谱遥感的特点（1）波段多且宽度窄能够使得高光谱遥感探测到别的宽波段无法探测到的物体。（2）光谱响应范围更广和光谱分辨率高使得它能够更加精细的发硬出被探测物的微小特征。（3）它可以提供空间域和光谱域信息也就是“谱像合一”。（4）数据量大和信息冗余多，由于高光谱数据的波段多，其数据量大，而且和相邻波段的相关性比较高就使得信息冗余度增加很多。（5）高光谱遥感的数据描述模型多能够分析的更灵活。经常使用的3种模型有：图像，光谱和特征模型。 1.4高光谱的优势随着高光谱成像的光谱分辨率的提高，其探测能力也有所增强。因此，与全色和多光谱成像相比较，高光谱成像有以下显著优著: (1)有着近似连续的地物光谱信息。高光谱影像在经过光谱反射率重建后，能获取与被探测物近似的连续的光谱反射率曲线，与它的实测值相匹配，将实验室中被探测物光谱分析模型应用到成像过程中。 (2)对于地表覆盖的探测和识别能力极大提高。高光谱数据能够探测具有诊断性光谱

近红外光谱技术在药物分析中的应用

近红外光谱技术在药物分析中的应用 1·前言近红外光谱分析技术是分析化学领域迅猛发展的高新分析技术，越来越引起国内外分析专家的注目，在分析化学领域被誉为分析“巨人”，它的出现可以说带来了又一次分析技术的革命。近红外（NIR）谱区是人类认识最早的非可见光谱区，波长范围在0.75—2.5 m之间，用波数表示时则在13330—4000cm-1之间。由于近红外的吸收谱带复杂，谱峰重叠，信号弱，在分析上难以应用，长期以来没有受到人们的重视。近十多年来，随着近红外仪器的改良，新的光谱理论和光度分析方法的建立，特别是计算机技术和化学计量学的广泛应用和迅速发展，使近红外光谱技术成为目前发展最快、最引人注目的分析技术，并以其简单快速、实时在线、无损伤无污染分析等特点，在复杂物质的分析上得到广泛应用。在包括制糖和制药的许多与化学分析和品质管理有关的行业中的应用前景极其广阔。关于近红外光谱技术在制药行业中应用的文献报道越来越多，显示了近红外光谱技术在制药领域中越来越受到人们的重视。近红外光谱分析具有的快速实时、操作简单、无损伤测定、不受样品状态影响的特点很符合药物分析的要求。因此，在制药业中原料药的分析、药物制剂中水分、有效成分的分析、药物生产品质的过程控制等方面近红外光谱技术得到了十分广泛的应用。 2·光谱介绍近红外光是介于可见光和中红外光之间的电磁波，根据ASTM（美国试验和材料检测协会）定义是指波长在780～2526nm范围内的电

磁波，习惯上又将近红外区划分为近红外短波（780~1100nm）和近红外长波（1100~2526nm）两个区域。近红外光谱属于分子振动光谱的倍频和主频吸收光谱，主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，具有较强的穿透能力。近红外光主要是对含氢基团X－H（X=C、N、O）振动的倍频和合频吸收，其中包含了大多数类型有机化合物的组成和分子结构的信息。由于不同的有机物含有不同的基团，不同的基团有不同的能级，不同的基团和同一基团在不同物理化学环境中对近红外光的吸收波长都有明显差别，且吸收系数小，发热少，因此近红外光谱可作为获取信息的一种有效的载体。近红外光照射时，频率相同的光线和基团将发生共振现象，光的能量通过分子偶极矩的变化传递给分子；而近红外光的频率和样品的振动频率不相同，该频率的红外光就不会被吸收。因此，选用连续改变频率的近红外光照射某样品时，由于试样对不同频率近红外光的选择性吸收，通过试样后的近红外光线在某些波长范围内会变弱，透射出来的红外光线就携带有机物组分和结构的信息。通过检测器分析透射或反射光线的光密度，就可以确定该组分的含量。 3·近红外光谱技术在制药业中的应用 3·1 原料和活性组分的测定药物加工过程中第一步就是原料的鉴定，其质量的好坏直接决定后续加工过程的成败于否，而同一类型的原料中多变因素主要是湿度和颗粒大小，近红外光谱在湿度测定中的灵敏度及其适于固体表面的表征的特性，使他能够很快地得到样品的湿度和颗粒大小的信息，然

基于高光谱的遥感图像的光谱角度分类方法的研究解读

基于高光谱的遥感图像的光谱角度分类方法的研究中地数码集团有限公司刘天乐高伟陈启浩摘要高光谱遥感技术是指在特定光谱域以高光谱分辨率同时获得连续的地物光谱图像，使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物物理化学过程与参数。在特定的光谱特征下产生了特定的光谱库和特定的高光谱分类方法——光谱角度匹配方法。其具体过程是将光谱数据视为多维空间的矢量,利用解析方法计算像元光谱与参照光谱之间矢量的夹角,根据夹角的大小来确定光谱间的相似程度,以达到识别地物的目的。关键字高光谱遥感光谱角度分类一、引言高光谱遥感技术的高速发展使得高光谱遥感在资源、环境、城市发展和生态平衡等各个方面有了广大的应用和快速的发展。在这其中，一个很大的应用就是利用高光谱遥感图像信息对地物进行精准的分类，如光谱角度匹配，交叉相关光谱匹配，光谱吸收特征匹配，二值编码匹配等。在这些分类中，光谱角度匹配分类是应用最广泛且最精确的分类方法之一。这种匹配可以不受增益因素影响，因为在计算两个向量之间的角度时，角度不受向量本身长度的影响。所以这种分类方法可以减弱地形对照度的影响，在地质矿物成图中的应用很有潜力。二、高光谱遥感高光谱遥感技术是指在特定光谱域以高光谱分辨率同时获得连续的地物光谱图像，使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物物理化学过程与参数。由此看出高光谱传感器不同于只有几个波段数据的一般传感器，它在很窄的一段波长范围内可以探测到同一个地物点的多个反射值，既它的光谱分辨率很大。因此，在相同的波长范围中高光谱数据比一般传感器数据要多而精确，

这样使得地物的分类变得更加准确和有效。高光谱遥感不同于传统遥感的新特点： 1．波段多：可以为每个像元提供几十、数百甚至上千个波段； 2．光谱范围窄：波段范围一般小于10nm ；3．波段连续：有些传感器可以在350~2500nm 的太阳光内提供几乎连续的地物光谱； 4．数据量大：随着波段数年的增加，数据量成指数增加；当然，由于相邻波段高度相关，冗余信息也相对增加。（图１不同传感器测量的高岭石的信号光谱）

遥感图像分类方法的国内外研究现状与发展趋势

遥感图像分类方法的研究现状与发展趋势摘要：遥感在中国已经取得了世界级的成果和发展，被广泛应用于国民经济发展的各个方面，如土地资源调查和管理、农作物估产、地质勘查、海洋环境监测、灾害监测、全球变化研究等，形成了适合中国国情的技术发展和应用推广模式。随着遥感数据获取手段的加强，需要处理的遥感信息量急剧增加。在这种情况下，如何满足应用人员对于大区域遥感资料进行快速处理与分析的要求，正成为遥感信息处理面临的一大难题。这里涉及二个方面，一是遥感图像处理本身技术的开发，二是遥感与地理信息系统的结合，归结起来，最迫切需要解决的问题是如何提高遥感图像分类精度，这是解决大区域资源环境遥感快速调查与制图的关键。关键词：遥感图像、发展、分类、计算机一、遥感技术的发展现状遥感技术正在进入一个能够快速准确地提供多种对地观测海量数据及应用研究的新阶段，它在近一二十年内得到了飞速发展，目前又将达到一个新的高潮。这种发展主要表现在以下4个方面： 1. 多分辨率多遥感平台并存。空间分辨率、时间分辨率及光谱分辨率普遍提高目前，国际上已拥有十几种不同用途的地球观测卫星系统，并拥有全色0．8～5m、多光谱3．3～30m的多种空间分辨率。遥感平台和传感器已从过去的单一型向多样化发展，并能在不同平台

上获得不同空间分辨率、时间分辨率和光谱分辨率的遥感影像。民用遥感影像的空间分辨率达到米级，光谱分辨率达到纳米级，波段数已增加到数十甚至数百个，重复周期达到几天甚至十几个小时。例如，美国的商业卫星ORBVIEW可获取lm空间分辨率的图像，通过任意方向旋转可获得同轨和异轨的高分辨率立体图像；美国EOS卫星上的MOiDIS-N传感器具有35个波段；美国NOAA的一颗卫星每天可对地面同一地区进行两次观测。随着遥感应用领域对高分辨率遥感数据需求的增加及高新技术自身不断的发展，各类遥感分辨率的提高成为普遍发展趋势。 2. 微波遥感、高光谱遥感迅速发展微波遥感技术是近十几年发展起来的具有良好应用前景的主动式探测方法。微波具有穿透性强、不受天气影响的特性，可全天时、全天候工作。微波遥感采用多极化、多波段及多工作模式，形成多级分辨率影像序列，以提供从粗到细的对地观测数据源。成像雷达、激光雷达等的发展，越来越引起人们的关注。例如，美国实施的航天飞机雷达地形测绘计划即采用雷达干涉测量技术，在一架航天飞机上安装了两个雷达天线，对同一地区一次获取两幅图像，然后通过影像精匹配、相位差解算、高程计算等步骤得到被观测地区的高程数据。高光谱遥感的出现和发展是遥感技术的一场革命。它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。高光谱遥感的发展，从研制第一代航空成像光谱仪算起已有二十多年的历史，并受到世界各国遥感科学家的普遍关注。但长期以来，高光谱遥感一直处在以航空为基础的研究发展阶段，且主要

高光谱遥感影像的光谱匹配算法研究概要

https://www.360docs.net/doc/c28750020.html, 中国科技论文在线高光谱遥感影像的光谱匹配算法研究蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt@https://www.360docs.net/doc/c28750020.html, （1. 中国矿业大学环境与测绘学院，江苏徐州 221008； 2. 江苏煤炭地质勘探四队，南京 210046）摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C++平台实现了最小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码中图分类号：TP751 The Study on the Spectral Matching Technique of hyperspectral romote sensing Cai Yan1, Mei Ling2 (1. School Of Environment Science and Spatial Informatics China University of Mining and Technology, JiangSu XuZhou 221008;

2. JiangSu Geological Prospecting Team Four, NanJing 210046 Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algorithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programming environment of Visual C++. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes. Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding 0 引言高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据[1]。高光谱遥感信息的分析处理集中于光谱维上进行图像信息的展开和定量分析。高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演[2-4]。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析[5]。本文紧紧围绕光谱匹配的算法分析了最小距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。

红外光谱分析

红外光谱分析序言二十世纪初叶，Coblentz发表了一百多个有机化合物的红外光谱图，给有机化学家提供了鉴别未知化合物的有力手段。到四十年代红外光谱技术得到了广泛的研究和应用。当今红外光谱仪的分辨率越来越高，检测范围扩展到10000－200cm-1，样品量少至微克级。红外光谱提供的某些信息简捷可靠，检测样品中有无羰基及属于哪一类（酸酐、酯、酮或醛）是其他光谱技术难以替代的。因此，对从事有机化合物为研究对象的化学工作者来说，红外光谱学是必需熟悉和掌握的一门重要光谱知识。一、基本原理 1、基本知识光是一种电磁波。可根据电磁波的波长范围分成不同类型的光谱，它们各自反映出物质的不同类型的运动形式。表1列出这些电磁波的波长，其所在区域的光谱名称，以及对应的运动形式。红外光谱研究的内容涉及的是分子运动，因此称之为分子光谱。通常红外光谱系指2-25μ之间的吸收光谱，常用的为中红外区4000-650cm-1或4000-400cm-1。这段波长范围反映出分子中原子间的振动和变角振动，分子在振

动运动的同时还存在转动运动。在红外光谱区实际所测得的图谱是分子的振动与转动运动的加合表现，即所谓振转光谱。每一化合物都有其特有的光谱，因此使我们有可能通过红外光谱对化合物作出鉴别。红外光谱所用的单位波长μ，波数cm-1。光学中的一个基本公式是λυ= C，式中λ为波长，υ为频率，C为光速(3×1010cm/s)。设υ为波数，其含义是单位长度(1cm)中所含的波的个数，并应具有以下关系：波数(cm-1)＝104/波长(μ) 波长和波数都被用于表示红外光谱的吸收位置，即红外光谱图的横坐标。目前倾向于普遍采用波数为单位，而在图谱上方标以对应的波长值。红外光谱图的纵坐标反映的是吸收强度，一般以透过率(T%)表示。 2、红外光谱的几种振动形式主要的基本可以分为两大类：伸缩振动和弯曲振动。 (1)伸缩振动(υ) 沿着键轴方向伸或缩的振动，存在对称与非对称两种类型。它的吸收频率相对在高波数区。 (2)弯曲振动(δ) 包括面内、面外弯曲振动，变角振动，摇摆振动等。它的吸收频率相对在低波数区。 4000cm-1（高）400cm-1（低） 3、红外光谱吸收峰主要的几种类型 (1)基频峰：伸缩振动，弯曲振动产生的吸收峰均为基频峰。 (2)倍频峰：出现在基频峰波数二倍处。如基频为900cm-1，倍频为 1800cm-1。 4、红外光谱吸收峰的强度

遥感图像分类方法综述

遥感图像分类方法综述刘佳馨摘要：伴随着科学技术在我们的生活中不断发展，遥感技术便应运而生，而遥感图像因成为遥感技术分析中的不可缺少的依据，变得备受关注。在本文中，以遥感图像分类方法为研究中心，从传统分类方法、近代分类方法两个方面对分类方法进行了介绍，并以此为基础对分类思想及后续处理进行说明，进而展望了遥感图像分类的研究趋势和发展前景。关键词：遥感图像；图像分类；分类方法 1 引言遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内的各个国家以及我国的许多部门、科研单位和公司等，例如地质、水体、植被、土壤等多个方面，得到广泛的应用，尤其在监视观测天气状况、探测自然灾害、环境污染甚至军事目标等方面有着广泛的应用前景。伴随研究的深入，获取遥感数据的方式逐渐具有可利用方法多、探测范围广、获取速度快、周期短、使用时受限条件少、获取信息量大等特点。遥感图像的分类就是对遥感图像上关于地球表面及其环境的信息进行识别后分类，来识别图像信息中所对应的实际地物，从而进一步达到提取所需地物信息的目的。 2 遥感图像分类基本原理遥感是一种应用探测仪器，在不与探测目标接触的情况下，从远处把目标的电磁波特性记录下来，并且通过各种方法的分析，揭示出物体的特征性质及其变化的综合性探测技术。图像分类的目的在于将图像中每个像元根据其不同波段的光谱亮度、空间结构特征或其他信息，按照某种规则或算法划分为不同的类别。而遥感图像分类则是利用计算机技术来模拟人类的识别功能，对地球表面及其环境在遥感图像上的信息进行属性的自动判别和分类，以达到提取所需地物信息的目的。 3 遥感图像传统分类方法遥感图像传统分类方法是目前应用较多，并且发展较为成熟的分类方法。从分类前是否需要获得训练样区类别这一角度进行划分，可将遥感图像传统分类方法分为两大类，即监督分类（supervised classification）和非监督分类(Unsupervised

高光谱图像分类讲解学习

高光谱图像分类

《机器学习》课程项目报告高光谱图像分类 ——基于CNN和ELM 学院信息工程学院专业电子与通信工程学号 2111603035 学生姓名曹发贤同组学生陈惠明、陈涛硕士导师杨志景 2016 年 11 月

一、项目意义与价值高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统

遥感影像分类实验报告

面向对象分类实验报告姓名：学号：指导老师：地球科学与环境工程学院

一、实验目的面向对象法模拟人类大脑认知过程，将图像分割为不同均质的对象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息，结合各种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。首先我们要用一定方法对遥感影像进行分割，在提取分割单元（图像分割后所得到的内部属性相对一致或均质程度较高的图像区域）的各种特征后，在特征空间中进行对象识别和标识，从而最终完成信息的分类与提取。二、实验意义 1、使用eCognition进行面向对象的影像分类的流程； 2、体会面向对象思想的内涵，学会将大脑认知过程转变为机器语言；三、实验内容 3.1、影像的预处理利用ERDAS软件将所给的全色影像和多光谱遥感影像进行融合，达到既满足高空间分辨率，又保留光谱信息。Image interperter-> spatial enhancement-> resolution merge.输入融合前的两幅影像，完成影像的预处理过程。图 1 图像融合步骤

图 2 融合后的图像 3.2、使用eCongition 创建工程 a、使用规则集模式创建工程图 3 模式选择 b、file->new projection ，打开Create Project和Import Image Layers两个

对话框，将上面的实验数据导入。（注意，数据以及工程文件保存路径不要有中文）图 4 导入数据 c、选择数据修改波段名称,并设置Nodata选项。