高光谱图像的分类方法有哪些?
发布时间:2024-07-05
浏览次数:377
高光谱图像分类作为高光谱图像的基础研究,一直是高光谱图像重要的信息获取手段,它的主要目标是根据待测样本的空间几何信息与光谱信息将图像中的每个像素划分为不同的类别。那么,高光谱图像的分类方法有哪些?下文对此做了介绍。
高光谱图像分类作为高光谱图像的基础研究,一直是高光谱图像重要的信息获取手段,它的主要目标是根据待测样本的空间几何信息与光谱信息将图像中的每个像素划分为不同的类别。那么,高光谱图像的分类方法有哪些?下文对此做了介绍。
高光谱图像分类一般包括图像预处理、标记训练样本、特征提取及选择、分类判决及精度评价五个部分。
1.图像预处理
由于高光谱影像在获取过程中存在一定的噪声,以及不同程度、不同性质辐射量的失真和几何畸变等现象。这些畸变和失真均会导致图像质量下降,严重影响其应用效果,必须进行预处理来消除这些因素的影响。高光谱数据的预处理包括很多方面的内容,主要包括条带噪声去除、波段间配准、数据压缩、光谱定标等。
2.标记训练样本
在分类时,训练样本的选取是非常重要的,直接关乎后面的分类结果。在开始数据分析之前,一般先选取红、绿、蓝波段或者是其他波段合成假彩色图像,根据假彩色合成图像来进行整体的直观分析,从而确定出所要分类的类别组。定义的最优类别需要满足所做分类的有用性和可分性,同时要满足分类的完整性。
3.特征提取与特征选择
一般来说,尽管光谱中的每个波段图像都提供了研究对象的一定信息,但其重要性有所不同,而且在很多情况下,各波段图像所提供的信息常常有所重叠,波段间具有很强的相关性。为了消除数据间不必要的冗余信息,减少数据量和计算时间,需要对高光谱图像进行特征提取。特征提取是通过映射和变换的方法,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处理。特征提取可以分两类:一类是基于变换的方法,如主成分分析、最小噪声分离变换,小波变换等,这些降维方法的优点是将高维数据直接降低到低,速度很快;另一类是基于非变换的,如波段选择等,它的优点是保持了图像的原有特征。
4.分类判决
分类判决是分类处理的核心阶段,它关系到是否能够充分挖掘高光谱图像所包含丰富信息。高光谱图像的分类过程中,由于高光谱图像分辨率很高,所以能够识别的类别的数目就比较多,用一些传统的分类方法来进行分类的话,其分类效果就比较差了,这就需要一些根据图像特点和分类目的设计或选择怡当的分类器及其判决准则来提高其分类精度,对未知区域的样本进行类别归属的判断。
5.分类结果和精度评价
分类结束后,要对分类结果进行评价,确定分类的精度和可靠性。高光谱图像分类精度评价是指在完成高光谱图像分类后,依据地面真实标记参考图,评估分类后影像的准确性。随着高光谱遥感技术的进展,以及不同应用的复杂化具体化,高光谱图像分类精度评价显得越来越重要。比较常用的分类精度评价的方法有混淆矩阵、总体分类精度、Kappa错分误差三种评价方法。
相关产品
-
高光谱成像分析在工业检测的应用
高光谱成像及分析已在国内外工业生产中广泛应用,其对当前无法实现的物质分选任务及瑕疵检测能力,是融合机器视觉的新型解决方案。..
-
高光谱成像仪的颜色检测法
颜色检测 高光谱成像仪测色方法能够测量更宽的光谱范围,能够记录更精细的光谱特征,相比传统的颜色分量方案有着更高的测色精度...
-
高光谱技术在农业、林业遥感领域的应用
高光谱遥感技术已成为农业、林业遥感领域的前沿技术之一; 树种识别 森林生物量估计 碳汇估算 养分元素监测 森林健康 病虫害监测。..
-
水质监测需求及高光谱技术应用分析
高光谱技术已经在水体水质监测方面得到了较多的应用,目前可以对多种水质指标(悬浮物浓度、叶绿素a浓度、黄色物质、透明度等)进行定量的估计和水质评估。..