高光谱图像分类与目标探测(张兵,高连如编著)思维导图
高光谱图像分类
信息科技探索高光谱遥感技术起源于20世纪80年代初，它是在多光谱遥感技术的基础上发展起来的。
经过数十年的发展，现在的高光谱遥感技术已经达到了一定的水平，在很多领域也得到了应用。
比如它在农业中的应用，其主要表现在快速、精准地获取各种环境信息，以及农作物生长情况。
在大气与环境应用上，在太阳光谱中，大气中的分子，如氧气、臭氧、二氧化碳、水蒸气等成分的反应十分强烈。
而因为大气成份生变而引起的光谱差异通过传统宽波遥感方法难以准确识别，而这种差异可通过窄波段的高光谱识别出来[1]。
在城市环境与下垫面与环境特征的研究和应用，因为人们生活中的各种活动，使得城市环境与下垫面更为复杂。
而高光谱遥感技术的进步，能让人们依据光谱特征，更深入地去研究城市地物，而各种高光谱遥感器的出现，使得对城市的光谱的研究更加系统而全面，也为城市环境遥感分析及制图打下了基础。
在地质矿物勘探中的应用，区域地质制图和矿物勘查是高光谱技术主要的应用领域之一，也使得高光谱遥感技术的作用得到了有效的发挥，由于高光谱遥感比起宽波段遥感有诸多不同之处，因此在电磁谱上，每种岩石和矿物所显示出诊断性光谱特征各不相同，根据这一原理能清楚地识别出其中的矿物元素[2]。
1 高光谱图像分类方法高光谱图像分类的主要作用机理是，按照待测地物的空间几何与光谱信息，来划分图像中的每个像素，划作不同的类别。
高光谱图像可采用监督和非监督两种分类方法。
其中的区别在于：非监督分类用于对分类区知之甚少的情况下，在统计和分类时，完全依据的是照像元的光谱特性。
非监督分类运算将原始图像的全部波段运用到其中，分类结果与各类像元数有着相类似的比例。
因为无需人工干预，非监督分类可采用高度自动化来完成。
非监督分类具体步骤如下：初始化各个分类、判断专题、分类合并、确定色彩、分类处理、定义色彩、转换栅格矢量、统计分析。
监督分类更依赖于用户的控制，适用于对研究区域了解较透彻的情况下。
在这种分类过程中，先选一些能够识别的，或者借助其它信息正确判断出类型的像元，来构建模板，再通过这一模块，使计算机系统对于具有相同特性的像元进行识别。
高光谱遥感第三章ppt课件
Lt
DN -b a
a (增益系数)，b (暗电流)
病原体侵入机体，消弱机体防御机能 ，破坏 机体内 环境的 相对稳 定性， 且在一 定部位 生长繁 殖，引 起不同 程度的 病理生 理过程
第三章
高光谱遥感图像
辐射与几何校正
场地定标常用方法：
- 反射率法 - 辐亮度法 - 辐照度法
病原体侵入机体，消弱机体防御机能 ，破坏 机体内 环境的 相对稳 定性， 且在一 定部位 生长繁 殖，引 起不同 程度的 病理生 理过程
病原体侵入机体，消弱机体防御机能 ，破坏 机体内 环境的 相对稳 定性， 且在一 定部位 生长繁 殖，引 起不同 程度的 病理生 理过程
第三章
高光谱遥感图像
辐射与几何校正
辐射传输方程为
dI dz
I
sI
B
sJ
是介质所有气体及粒子的吸收系数之和
是
s
介
质
所
有
气
体
及粒
子
的
散
射
系
数
之
和
B是介质热发射能量
病原体侵入机体，消弱机体防御机能 ，破坏 机体内 环境的 相对稳 定性， 且在一 定部位 生长繁 殖，引 起不同 程度的 病理生 理过程
第三章
高光谱遥感图像
辐射与几何校正
（3）场地定标 辐射校正场包括 敦煌陆面试验场和青海湖水面试验场；
辐射标准和设备定标实验室； 光学特性和环境参数观测实验室； 辐射校正资料处理、存档和信息服务实验室
第三章
高光谱遥感图像
辐射与几何校正
• 6S模型（Second Simulation of the Satellite Signal in the Solar Spectrum）
高光谱遥感分解课件
案例一：高光谱遥感在农业监测中的应用
总结词
种植结构优化
详细描述
高光谱遥感技术能够识别不同种类的 农作物，通过监测农作物的分布和生 长状况，可以优化种植结构，提高土 地利用效率和农业生产效益。
案例二：高光谱遥感在环境监测中的应用
总结词
污染物监测
详细描述
高光谱遥感技术能够监测大气、水体和土壤中的污染物，如二氧化硫、氮氧化物、重金 属等。通过对污染物的光谱特征进行分析，可以实时监测污染物的排放和扩散情况，为
05 实际应用案例分析
案例一：高光谱遥感在农业监测中的应用
总结词：精准监测
详细描述：高光谱遥感技术能够获取地表覆盖物的光谱信息，通过分析这些光谱 信息，可以精确地监测农作物的生长状况、病虫害情况以及土壤质量等，为农业 生产提供科学依据。
案例一：高光谱遥感在农业监测中的应用
总结词：产量预测
详细描述：利用高光谱遥感技术，可以预测农作物的产量。通过对农作物生长过程中的光谱信息进行监测和分析，可以建立 产量预测模型，提高预测的准确性和可靠性。
进行分类。
非监督分类
02
对未知类别的样本进行聚类分析，将相似的像素归为同一类。
目标识别
03
利用提取的特征和分类结果，对目标进行识别和定位。
04 高光谱遥感技术发展与展望
高光谱遥感技术的发展趋势
技术创新
随着传感器技术的不断进步，高光谱遥感器的空间分辨率 和光谱分辨率将得到进一步提升，能够获取更丰富、更精 准的地物信息。
详细描述
高光谱遥感技术能够识别不同类型的矿产资源，通过对地 表的光谱信息进行监测和分析，可以确定矿产资源的分布 和储量，为矿产资源勘探提供有力支持。
总结词
基于光谱空间联合特征学习的高光谱图像分类方法
研究不足与展望
缺乏理论支持
现有的基于光谱空间联合特征学习的方法大多基 于经验性的尝试和验证，缺乏深入的理论支持。
缺乏对比研究
目前的研究大多关注于提出的算法本身，缺乏与 其他方法的对比研究，难以评估方法的实际效果 。
计算效率问题
由于涉及复杂的特征学习和计算过程，现有方法 在处理大规模高光谱图像数据时存在计算效率问 题。
02
高光谱图像的特点在于其具有高 度的空间分辨率和光谱分辨率， 使得图像中每个像素都包含丰富 的空间和光谱信息。
高光谱图像获取方式
高光谱图像的获取主要依赖于遥感技 术，如航空航天、地面车载等。
通过遥感设备中的光谱仪对目标进行 扫描，获取每个像素点的光谱信息， 从而得到高光谱图像。
高光谱图像处理应用
深度学习技术的快速发展为高光谱图像分类提供了新的解决 方案。然而，现有方法大多基于卷积神经网络（CNN）进行 特征提取和分类，忽略了高光谱图像的光谱空间信息，可能 导致信息的丢失和分类精度的下降。
研究内容与方法
研究内容
本研究旨在提出一种基于光谱空间联合特征学习的高光谱图像分类方法，通过 挖掘高维数据中的特征关系，提高分类精度并降低计算复杂度。
对保护生态环境具有重要的意义。
06
研究结论与展望
研究结论与贡献
01
02
03
联合特征学习
通过将光谱空间信息与图 像空间信息相结合，提高 了高光谱图像的分类性能 。
跨域特征学习
利用源域和目标域之间的 特征映射，减少了域偏移 对分类性能的影响。
多任务特征学习
将多个任务的相关性考虑 在内，提高了特征学习的 效率和泛化性能。
05
应用案例展示
农作物分类应用
高光谱图像目标检测技术研究
指导教师签名： 签 名 日 期：
摘要
摘要
近年来，随着光谱成像技术的快速发展，高光谱遥感技术得到了广泛的关 注。基于高光谱图像的目标检测不仅可以利用高光谱图像数据的光谱信息，也 可利用其空间信息，在目标检测领域较于空间遥感图像目标检测具有很强的优 势，在国防侦查、搜索救援等方面具有重要的应用价值。本文在深入研究高光 谱图像目标检测理论的基础上，针对异常样本对背景统计信息的干扰、复杂背 景模型构建偏差以及背景信号对亚像元目标检测的影响等问题进行深入研究， 完成的主要工作包括： 首先，对高光谱数据特性进行研究，研究了光谱信号的可变性模型。重点 研究了基于统计检测理论的高光谱图像目标检测算法的设计，分析了多元统计 信号的检测理论和估计理论。介绍了高光谱图像目标检测算法的评价方式。 其次，针对高光谱数据中异常点对背景参数估计的影响，提出了一种稳健 协方差估计的 ACE 目标检测算法。背景参数估计中常用的极大似然估计方法对 数据中的异常点比较敏感，可能受异常点影响导致背景模型存在较大偏差。本 文使用稳健 Fast-MCD 参数估计方法，从而克服异常点对背景参数估计的影响， 提升背景模型构建的准确性和稳定性。通过实验验证，相较于原有 ACE 等检测 算法，该方法的检测效果更优。 最后，针对复杂背景情况背景模型构建不准确的问题，提出了一种局部背 景模型的 ACE 亚像元目标检测算法。在统计检测算法中，背景模型构建的准确 性直接影响着亚像元目标的检测效果。ACE 目标检测算法使用单一多元正态分 布模型来描述背景分布情况，这种描述方式在背景地物分布情况比较复杂时不 能很好的描述背景的实际分布情况。本文利用背景分解来描述复杂背景，使用 多个多元正态分布模型构建背景分布模型，每个模型对应着一类地物，从而降 低背景模型的光谱可变性。此外针对亚像元目标检测中背景信号的影响，利用 最小二乘分解得到具有实际意义的目标和背景的组分信息，结合 ACE 检测算法 可以最大程度的抑制背景信号的影响。实验表明，该方法较传统 ACE 算法和局 部滑动窗口 ACE 检测算法在亚像元目标检测上具有更好的检测性能。
第八讲高光谱遥感讲义(张兵)
ZB/HRS/IRSA/CAS 2005
7
散射系数（m-1） 吸收系数（m-1）
9.3 水体固有光学量 纯水的吸收和散射光谱
0.007
3
0.006
2.5
0.005
b
a
2
0.004
1.5 0.003
1 0.002
0.001
0.5
0
0
400 450 500 550 600 650 700 750 800
a = a(w) + a( ph) + a(cdom) + a(t)
b = b(w) + b( ph) + b(t) = b(w) + b(s)
bb
=
bb w
+
~ bbs
bs
单位固其有中光，学bbw量为（水S体IO后P)向来散表射示系水数体，总b~的bs 为吸悬收浮系物数后和向后散向射散比射例系系数数。；四分量的
ZB/HRS/IRSA/CAS 2005
9.1 内陆水质遥感概述
内陆水质遥感监测的常用方法
• 经验方法：建立遥感数据与地面监测的水质参数值之间的统计关系来外 推水质参数值，水质参数与遥感数据之间关系缺乏依据，水质遥感初期 的宽波段数据多采用这种方法。
• 半经验方法：在已知的水质参数光谱特征的条件下，利用最佳的波段或 波段组合数据与实测水质参数值之间的统计关系进行水质参数估算。得 到的模型只适用于当时的条件，对于不同季节和地域的水质参数估算需 要进行参数矫正，该方法目前最为常用。
航空/航天 遥感器
太阳光在 大气中散射
天空光 水面反射
来自水面以下 的离水辐射
太阳直射光 水面反射
高光谱整理——精选推荐
1.遥感图像的最基本单元是像元，每个像元具有空间特征和属性特征。
空间特征：是用X值和Y值来表示；（纹理，形状，大小，方位）属性特征：常用亮度值表示。
（灰度值，亮度值）2.遥感图像特征（②，③遥感成像技术发展的方向）①时间分辨率：对同一地点进行遥感采样的时间间隔，集采样的时间频率。
也称重访周期。
②空间分辨率：像素所代表的地面范围的大小，或地面物体能分辨的最小单元；③光谱分辨率：传感器在接收目标辐射的光谱时能分辨的最小波长间隔；④辐射分辨率：指传感器接收波谱信号时，能分辨的最小辐射度差；3.高光谱遥感基本概念：①多光谱遥感（Multirspectral Remote Sensing）,光谱分辨率在波长的1/10数量级范围内(几十个至几百个nm)的遥感；②高光谱遥感（Hyperspectral Remote Sensing）,光谱分辨率在波长的1/100数量级范围内（几个nm）的遥感；③超光谱遥感（Ultraspectral Remote Sensing）,光谱分辨率在波长的1/1000数量级范围内（0.2-1nm）的遥感。
4.高光谱遥感与常规多光谱遥感的比较：①高光谱遥感：即高光谱分辨率成像光谱遥感，幅宽小，成像范围小，其细微的波段可进行地物成分的识别，风度估计（精细识别）。
②常规多光谱遥感：幅宽大，成像范围宽，可进行宏观地物影像分析，不可被高光谱遥感完全取代（宏观变化趋势）。
研究宏观的变化情况则必须用多光谱成像仪。
5.高光谱遥感发展概况：高光谱遥感的基础是光谱学(spectroscopy).①光谱学：实验室分析地物光谱特征(获得谱信息)②成像技术：把遥感传感器放置航空或航天平台(获得地物的图像信息)③成像光谱学：把实验室仪器放置航空或航天平台(获得地物的图和谱信息)注：光学遥感的发展——空间、光谱分辨率的不断提高：①全色Panchromatic：主要通过形状（空间信息）识别地物。
②彩色color photography：增加了颜色的感知，加强型的颜色感知。
高光谱影像分类的研究
毕业设计（论文）过程管理材料题目高光谱影像分类方法研究学生姓名刘本强系部名称测绘工程学院专业班级遥感科学与技术11-1班指导教师刘丹丹职称副教授教研室主楼610起止时间2015年3月～6月教务处制毕业设计（论文）题目审定表指导教师姓名刘丹丹职称副教授从事专业遥感技术与应用是否外聘□是□否题目名称高光谱影像分类方法研究课题适用专业地理信息系统、测绘工程课题类型Z课题简介：（主要内容、意义、现有条件、预期成果及表现形式。
）主要内容：在研究高光影像的数据特征的基础上，对高光谱影像的分类方法进行分析，并以黑龙江省肇东市某区域为例，运用高光谱影像，对研究区域采用目视解译、非监督分类、监督分类等方法进行盐碱地信息提取。
研究意义：高光谱影像被广泛应用于国民经济建设的各个领域中，运用高光谱影像提取信息，可探索其实用性，并为学生在今后的学习和工作打下基础。
现有条件：ENVI软件、高光谱数据预期成果及表现形式：毕业论文一份指导教师签字：年月日教研室意见1 选题与专业培养目标的符合度□好□较好□一般□较差2 对学生能力培养及全面训练的程度□好□较好□一般□较差3 选题与生产、科研、实验室建设等实际的结合程度□好□较好□一般□较差4 论文选题的理论意义或实际价值□好□较好□一般□较差5 课题预计工作量□较大□适中□较小6 课题预计难易程度□较难□一般□较易教研室主任签字：年月日系（部）教学指导委员会意见：负责人签字：年月日注：课题类型填写W.科研项目；X.生产（社会）实际；Y.实验室建设；Z.其它。
SY-025-BY-1毕业设计（论文）任务书学生姓名系部测绘工程专业、班级指导教师姓名刘丹丹职称副教授从事专业遥感技术与应用是否外聘□是□否题目名称一、课题研究现状、选题目的和意义选题目的：选题意义：二、设计（论文）内容、技术要求（研究方法）研究内容：研究方法：三、设计（论文）完成后应提交的成果毕业论文一份毕业设计（论文）开题报告学生姓名刘本强系部测绘工程学院专业、班级遥感科学与技术11—1指导教师姓名刘丹丹职称副教授从事专业遥感技术与应用是否外聘□是□否题目名称高光谱图像分类方法的研究一、课题研究现状、选题目的和意义课题研究现状：在目前的遥感分类研究中，用的较多的是传统的模式识别分类方法，诸如最小距离法、平行六面体法、最大似然法、等混合距离法（ISOMIX）/循环集群法（ISODATA）等监督非监督分类法。
高光谱遥感图像目标检测课件
目
局部异常
目
自适 异常
人工 入 · 像解 参数以及 确定 ·离 的大气校正
出 果 35
上一讲回顾
第五讲 高光谱图像目标检测
• 高光谱图像目标检测概述 • 基于纯点模型的目标检测
纯点模型（目标替代模型、干扰模型）、基于纯点 模型的似然比检验（基于目标替代模型和干扰模型的 二元假设检验、CFAR等）、基于纯点模型的检测方 法（CEM算子）
34
第五讲 高光谱图像目标检测
上一讲回顾
– 按先验信息有无的分类：
原始 的高 光 数据
理 ·数据格式化 ·坏点修复 ·波段配准 ·无用数据 除
射校正
波段融合和波 段 ·取 ·平均
数据 整 ·白化 ·分割 · 一化
已知目 和背景
未知目 已知背景
已知目 未知背景
未知目 和背景
– 最小二乘原理利用最小化观测值与模型之间的差距来 确定它们的契合程度，它的最大优点在于不需要知道 数据服从什么样的统计分布，因此它不必估计观测数 据的统计参数。
51
四 基于几何方式混合模型的目标检测
㈠正交子空间投影算法（OSP）
• 在高光谱图像处理领域，利用最小二乘原理构建 检测算子的方法有很多，其中以Harsanyi 和 Chang提出的正交子空间投影（Orthogonal Subspace Projection，OSP）算法及其系列算 法使用的最为广泛。
P
B S
波段2
为观测值 是由背景端元构 成的Q维子空间
是由目标端元构 成的P维子空间
构成全空间的端元
波段1
AMSD检测器的构造示意图
B点是P点在背景子空间 中的投影，S则是它在
全空间的投影。
高光谱图像分类
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。