遙感影像分類方法的研究現狀

⑴ 遙感影像信息的提取技術方法研究進展

遙感的對地觀測系統是一個信息流交換的過程：電磁波與地表物體相互作用形成地表信息交流。而遙感影像信息提取技術就是最大限度地從遙感圖像上的光譜信息反演出目標地物本身的屬性特徵信息。進而可對地球表層資源與環境進行探測、分析，並揭示其要素的空間分布特徵與時空變化規律。遙感影像信息的提取技術是建立在對地物規律有充分的了解的基礎之上的，其綜合物理手段、數學方法和地物狀態識別等認識，通過對影像的處理與分析，獲得能反映區域內地物的分布規律和變化過程的有效信息的技術方法。

遙感地物識別主要依賴於地物的光譜和空間特徵的差異。多光譜由於光譜解析度低，地物的光譜特徵表現不充分，地物識別主要依賴地物的空間特徵，包括灰度、顏色、紋理、形態和空間關系。信息處理和信息提取主要是應用圖像增強、圖像變換和圖像分析方法，增強圖像的色調、顏色以及紋理的差異，達到最大限度地區分地物的目的。隨著成像光譜儀研製成功以及其產業化的發展，遙感地物信息提取也隨之進入了一個嶄新的時代。成像光譜對地物的識別主要是依賴於地物的光譜特徵，是直接利用岩石礦物的光譜特徵進行地物識別，定量分析地物信息。下面從多光譜和高光譜遙感信息處理兩方面來加以論述。

1.多光譜方法研究進展

多光譜的信息提取主要集中於：色調信息提取，紋理信息提取，信息融合。

（1）色調信息提取

對於色調信息提取，主要是採用一些增強處理，擴大圖像中地物間的灰度差別，以突出目標信息或改善圖像效果，提高解譯標志的判別能力，如反差擴展、彩色增強、運算增強、變換增強等，這些傳統的圖像處理方法在一定程度上滿足了應用的需要。近年來發展了一系列的以主成分變換為主的信息提取技術，在岩礦信息提取中發揮了重要的作用。如張滿郎（1996）提出修正的直接主成分分析提取鐵氧化物信息。OF 變換（Maxium Noise Fraction Transformation）（Kruse，1996，Creen，et al.，1988），NAPC（Noise-adjust Principal Components Transform）（Lee，et al.，1990）、分塊主成分變換（Jia，et al.，1999）、基於主成分的對應分析（Carr，et al.，1999），以及基於主成分分析的空間自相關特徵提取（Warner，et al.，1997）、子空K投影（Harsanyl，et al.，1997）和高維數據二階特徵分析（Lee，et al.，1993；Haertel，et al.，1999）等，也是基於主成分分析進行信息特徵選擇與特徵提取。同時，根據模式識別的原理，提出並設計出監督分類與非監督分類方法：以及利用決策樹進行分類識別（Wrbka，et al.，1999；Friedl，et al.，1999；Hansen et al.，1996），這些技術與方法是建立在圖像灰度特徵之上，利用數理統計的知識進行地物分類與信息提取。

（2）紋理信息提取

遙感影像的邊緣和紋理信息對線環構造的識別具有一定作用，但卻似乎無助於岩性的識別。邊緣信息提取通常採用濾波運算元或銳化的方法進行（Gross，et al.，1998；Varbel，2000）。紋理信息提取通常採用共生矩陣、傅立葉功率譜和紋理譜等方法。

（3）信息融合

多源數據融合研究也非常普及與深入，其技術方法涉及不同的數理知識（Jimen，et al.，1999；Pohl，1998；Robinson，et al.，2000；Price，1999；Gross et al.，1998），比如小波信息融合。應用面涉及非遙感數據（王潤生，1992；朱亮璞，1994），如遙感數據與地化數據、物探數據的疊置與融合。這些方法一方面開闊了遙感的應用視野，另一方面也擴展了遙感的應用能力。

總的來說，多光譜遙感岩礦信息提取主要是基於圖像灰度特徵，即基於岩礦的反射率強度差異，採用一些數學變換方法，增強或突出目標信息，使之易於目視解譯。在數據處理中，由於波段有限，未能有效地導入岩礦類別的光譜知識，其結果精度更多地取決於研究人員的經驗。

2.高光譜方法研究進展

成像光譜技術是多光譜技術發展的飛躍，它是在對目標對象的空間特徵成像的同時，對每個空間象元經過色散或分光形成幾十個乃至幾百個窄波段以進行連續的光譜覆蓋。形成的遙感數據可以用「圖像立方體（三維）」來形象描述，其中兩維表示空間，另一維表徵光譜。這樣，在光譜和空間信息綜合的三維空間內，可以任意地獲得地物「連續」的光譜以及其診斷性特徵光譜，從而能夠基於地物光譜知識直接識別目標地物，並可進一步地獲取定量化的地物信息。在地質應用中，礦物識別和信息處理技術可分為：①基於單個診斷性吸收的特徵參數；②基於完全波形特徵以及③基於光譜知識模型三大類型。

岩石礦物單個診斷性吸收特徵可以用吸收波段位置（λ）、吸收深度（H）、吸收寬度（w），吸收面積（A）、吸收對稱性（d）、吸收的數目（n）和排序參數作一完整地表徵。根據端元礦物的單個診斷性吸收波形，從成像光譜數據中提取並增強這些參數信息，可直接用於識別岩礦類型。如IHS編碼與吸收波段圖（Kruse，1988）是利用連續法去除後的光譜圖像，定義出波段吸收中心位置圖像，波段深度圖像以及波段半極值寬度圖像，並分別賦予HS I 空間的明度（H）、強度（l）和飽和度（S），然後逆變換到RGB色度空間。從而根據色調差異進行礦物直接識別。在描述岩礦單個診斷性吸收特徵參數中，吸收深度是一非常重要的特徵指標而受到重視。如相對吸收深度圖（RBD image，Relative absorption Band-depthimage）（Crowley，et al.，1989）採用比值運算來增強識別端元的吸收深度，即根據要識別端元的單個診斷性吸收峰的兩側肩部反射率之和，除以其谷中心鄰近兩側對應波長的反射率之和的商圖像，來表徵端元礦物診斷性吸收峰的相對吸收深度。不同端元礦物的RBD圖像，除象元本身比值大小代表了端元礦物存在的可能性外，通過進一步地諸如PC變換分析進行特徵增強與選擇來識別端元礦物。由於吸收峰的非對稱性，採用RBD方法難以准確描述其特徵。連續插值波段演算法（CIBR，continuum interpolated band algorithm）（De Jong，1998）和光譜吸收指數圖像（SAI，spectral absorption index image）（王晉年等，1996）與相對吸收深度圖方法類似，但引入了對稱度因子，使其對吸收特徵的描述更為合理。CIBR是利用診斷性光譜吸收谷中心的輻射值，除以左右肩部的輻射值與吸收特徵對稱度因子之積的和，產生相應的商圖像，用以增強不同礦物的診斷性吸收深度，進行礦物識別。SAI方法與CIBR類似，也是對單個吸收波形肩部的特徵增加了對稱度因子。上述方法類似於常規比值或彩色增強處理。與常規增強處理最大不同之處在於有機地融入端元礦物的光譜特徵這一先驗知識，針對性、目的性更明確。由於大氣輻射對遙感數據中波譜特徵的影響、光譜混合形成的光譜漂移和變異對單個波形的影響，使識別結果含有較大的干擾。

成像光譜最大的優勢在於利用有限細分的光譜波段，去再現象元對應物的波譜曲線。這樣，利用整個光譜曲線進行礦物匹配識別，可以在一定程度上改善單個波形的不確定性影響（如光譜漂移、變異等），提高識別的精度。基於整個波形的識別技術方法是在參考光譜與象元光譜組成的二維空間中，合理地選擇測度函數度量標准光譜或實測光譜與圖像光譜的相似程度。例如，光譜匹配（SM，Spectral matching）（Baugh，et al.，1998）利用岩礦光譜矢量的歐氏距離測度函數，即求圖像象元光譜與參考光譜在光譜空間中的差異大小。距離愈小，表示圖像端元光譜或待識別的端元光譜與來自實驗室或野外實測的參考光譜之間擬合程度愈高。類似地，相似指數（SI，similarity index algorithm）（Fenstermaker，et al.，1994）是基於歐氏距離側度，根據已知地物類型的圖像象元平均光譜與未知圖像象元光譜的波段差值平方和的均值大小來識別地物。以上兩種方法比基於單個吸收波形參數識別技術可靠。但往往由於光譜數據解析度的影響，其光譜的差異不明顯，同時又因歐氏距離測度固有的缺陷而難以對地物進行准確分類與識別。光譜角識別方法（SAM，spectral angle mapper）（Ben-Dor，et al.，1994；Crosta，et al.，1998；Drake，et al.，1998：Yuhas，et al.，1992）是在由岩礦光譜組成的多維光譜矢量空間，利用一個岩礦光譜矢量的角度測度函數求解岩礦參考光譜端元矢量（r）與圖像象元光譜矢量（t）的相似程度。參考端元光譜既可來自實驗室、野外測量，也可來自已知類別的圖像象元光譜。根據兩者相似程度大小，識別與提取礦化蝕變信息。該方法的難點在於如何合理地選擇閾值進行信息分割。不過，從已有應用的角度看，該方法簡單易行、比較可靠。交叉相關匹配（Fer-rier，et al.，1999；Varder Meer，et al.，1997）是使用一個相關因子（r.）作為相似性指數，通過逐象元交叉相關匹配進行礦物識別。當參考光譜與檢驗光譜完全匹配時，其位置m=0；參考光譜向長波方向移動時，其m＜0。反之，m＞0。在RGB空間，分別賦予斜度（skewness），t檢驗值與相關因子以R，G，B；若在「0」匹配位置，其斜度、t檢驗值與相關因子（r.）均接近於「1」而顯示為白色，從而識別出端元礦物。對於礦物的智能識別，往往也採用完全譜形。例如，Tetracord礦物識別軟體是基於UNIX平台，利用光譜資料庫中的光譜與圖像光譜擬合從而自動進行識別礦物；王潤生等（1999）根據礦物的完全波形，利用神經網路進行礦物自動識別。以上方法在具有大量已知地物光譜時適應性強。對圖像地物識別更有用。但明顯不足是由於實際地物光譜變異、獲取數據受觀測角以及顆粒大小的影響而造成光譜變化，對於整體光譜特徵差別不太大的地物，准確匹配比較困難，造成岩礦識別與分析上的混淆和誤差。

基於光譜模型的識別的技術方法是建立在一定的光學、光譜學、結晶學和數學理論之上的信號處理技術方法。它不僅能夠克服上述方法存在的缺陷，而且在識別地物類型的同時精確地量化地表物質的組成和其他的物理特性。例如，建立在Hapke光譜雙向反射理論基礎之上的線性混合光譜分解模型（SMA/SUM）（Adams，et al.，1986；Mustard，et al.，1987；Roberts，et al.，1997；Sabol，et al.，1992；Settle，et al.，1993；Shipman，et al.；1987：Shimabukuro，et al.，1991；Smith，et al.，1985），可以根據不同地物或者不同象元光譜反射率響應的差異，構造光譜線性分解模型。一個象元內並非存在單一類型地物，而更多地由不同類型地物組成。因此，在大多數情況下，象元光譜並非為純地物光譜的線性混合，而更多地表現為非線性。對於單散射，可作為線性模型分解，多散射則認為非線性混合。由於平均單散射反照率豐度主要依賴於成分含量不同而可以認為是線性混合（Mustard，et al.，1987）。這樣，通過單散射反照率（SSA）轉換，即可以利用運算元W=（3r+6）r/（1 +2r）²，將非線性「線性化」，再進行光譜分解。Tompkins（1996）提出修正的光譜混合分析（MSMA）模型。該模型利用虛擬端元，採用一個阻尼最小二乘演算法，根據一定的先驗知識，有效地並最終可以選擇亞像端元進行光譜分解，提高了SMA實用性。與SMA相比，MSMA最大的不同表現在：①端元以及其豐度均作為未知變數；②對數據組中所有象元同時求解。對於能量約束最小模型（CEM，constrained en-ergy minimization technique）（Farrand，et al.，1997；Farrand，et al.，1996；Resmini，et al.，1997）是在成像光譜圖像序列中，運用一個目標區域（或ROI區域，region of insteresting）與象元光譜（ri）相關的權系數wk來描述象元向量的數字值y，從而進行特徵選擇與分解進行地物識別與信息提取。與混合光譜分解模型一樣，該分解結果在一定程度上，不僅代表了識別象元的類型信息，而且有機地表示了其豐度比值。與混合光譜分解模型不同的是，該方法更多地依賴於目標區域的統計特徵，但結果更精確。總之，這些方法更多地依賴光譜學知識與數理方法，在實際應用中由於難以確定特徵參數或難以准確地描述光譜模型而限制了該類技術方法的應用。不過，由於該類方法在識別地物的同時量化物質組成，因此就其發展趨勢而言，隨著一系列技術的成熟與光譜學、結晶學等知識的深入發展，識別精度的改善與量化能力的提高，其應用將會越來越廣泛。

國內也相繼開展了一些成像光譜進行礦物直接識別應用試驗，但由於國產感測器的性能尚不夠完善，數據信噪比較低。但在定性岩礦識別方面取得了一定的收獲。如甘甫平等（2000）利用基於波形特徵組合的主成分分析有效地對河北張家口後溝金礦區進行了岩性劃分；劉慶生（1999）利用對應分析提取出內蒙古某礦區的含金蝕變。在直接定量礦化識別、識別模型和識別譜系等方面都落後於美國等發達國家，相比還存在一定差距。

總之，岩礦光譜學機理研究、遙感信息提取基礎與遙感信息提取方法技術研究，三者之間相輔相成，具有一定的對應關系。

遙感地物光譜應用基礎與遙感影像信息提取技術研究隨著遙感光譜成像技術的發展而發展，兩者研究方向與趨勢都主要集中在光譜特徵知識與地物物理化學屬性的關聯以及光譜物理模型兩大方面。對地物物化屬性與光譜特徵的相關性和對光譜物理模型的深入分析與研究可從不同的角度為遙感直接識別礦物、提取地物的分布規律、屬性、物化性質以及進行地物深層次信息挖掘等提供理論基礎支撐，推動遙感應用技術的發展。遙感地學應用的實用化與產業化是遙感地物光譜應用基礎與遙感地物影響信息提取技術研究相互促進的結果。

地物光譜學機理研究、遙感信息提取基礎與遙感信息提取方法技術研究的發展將導致三者的結合，並最終綜合於遙感應用模型和技術集成中，以便充分利用各自的優勢，提高遙感應用能力並增強對地質應用的理解，以及模擬、評估和預測地學發展的規律。

⑵ 遙感圖像分類方法研究現狀

http://www.cnki.com.cn/Article/CJFDTotal-YGXX200605023.htm

⑶ 遙感影像監督分類有什麼好的方法

根據已知訓練區提供的樣本，通過計算選擇特徵參數，建立判別函數以對各待分類影像進行的圖像分類
監督分類 （supervised classification）又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。即根據已知訓練區提供的樣本，通過選擇特徵參數，求出特徵參數作為決策規則，建立判別函數以對各待分類影像進行的圖像分類，是模式識別的一種方法。要求訓練區域具有典型性和代表性。判別准則若滿足分類精度要求，則此准則成立；反之，需重新建立分類的決策規則，直至滿足分類精度要求為止。常用演算法有：判別分析、最大似然分析、特徵分析、序貫分析和圖形識別等。
過程：

1、選擇訓練區（代表性，完整性，多個樣區）

2、提取統計信息（進行多元統計分析，訓練樣本的有效評價，樣本純化）

3、選擇合適的監督分類演算法（平行演算法，最小距離法，最大似然法（至今應用最廣），波譜角分類法）

4、計算機自動分類

5、分類精度評價（非位置精度，位置精度--混淆矩陣）

優點：

1、 可充分利用分類地區的先驗知識，預先確定分類的類別；

2、 可控制訓練樣本的選擇，並可通過反復檢驗訓練樣本，以提高分類精度，避免分類中的嚴重錯誤

3、 避免了非監督分類中對光譜集群組的重新歸類。

缺點：

1、人為主觀因素較強；

2、訓練樣本的選取和評估需花費較多的人力時間；

3、只能識別訓練樣本中所定義的類別，從而影響分類結果。

⑷ 遙感圖像分類法

圖像分類是與圖像信息提取和增強不同的遙感圖像處理中另一重要的方面，與圖像增強後仍需人為解譯不同，它企圖用計算機做出定量的決定來代替人為視覺判譯步驟。因此，分類處理後輸出的是一幅專題圖像。在此圖像中，原來圖像中的每一個象元依據不同的統計決定準則被劃歸為不同的地表覆蓋類，由於是一種統計決定，必然伴隨著某種錯誤的概率。因此，在邏輯上的合理要求是，對每一個象元所做的決定，應是使整個被分類面積即對大量單個象元的分類的某個錯誤判據為最小。

以下是幾種常用的遙感圖像分類方法：

1.最大似然分類（maximum likelihood classification）

最大似然分類是一種基於貝葉斯判別准則的非線性監督分類方法，需要知道已知的或確定的訓練樣區典型標準的先驗概率P（w_i）和條件概率密度函數P（w_i，x）。P（w_i）通常根據各種先驗知識給出或假定它們相等：P（w_ix）則是首先確定其分布形式，然後利用訓練樣本估計其參數。一般假設為正態分布，或通過數學方法化為正態分布。其判別函數集為：

D_i（x）=P（w_ix），i=1，2，…，m （2-2）

如果D_i（x）≥ D_j（x），則x屬於w_i類。其中，j≠i，j=1，2，…，m。m為類別數。

從上述最大似然分類的說明看，其關鍵就在於已知類別的定義，先驗概率的確定，參與分類的變數的好壞和結果誤差評價。直到現在，最大似然分類至少還有兩個缺點：一是事先大量人力已知光譜類的選擇和定義：二是需要長時間的計算機分類計算時間。實際上這也使得最大似然分類法遙感應用受到了限制，因此許多人專門研究改進演算法以便解決和縮減圖像分類的時間，提高分類的精度。Solst和Lillesand（1991）為了解決已知類別定義消耗大量人力的缺點，發展了半自動訓練法進行已知光譜類的定義。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非參數分類器計算出各已知類訓練集的先驗概率，然後將它們插入常規的最大似然分類過程中進行分類。該方法融合了非參數和參數分類過程的優點，提高了分類的精度。

通常情況下，地形會影響到訓練集數據，這樣訓練集光譜數據就偏離了最大似然分類的假設條件正態分布，從而常規的最大似然分類法在地形起伏較大的地區效果並不太好。為了解決這一問題，C.Conese和G.Maracchi和F.Maselli（1993）提出了一種改進的最大似然分類演算法，即去掉每一類數據集中與第一主成分相關的信息（地形信息）然後再進行分類。通過試驗，這種方法是有效的，分類精度得到了提高。

K.Arai（1993）用光譜和空間信息進行分類改進了最大似然分類方法。該方法簡單易行，大大提高了正確分類的概率。C.Conese和Fabio Maselli（1992）用誤差矩陣提高最大似然分類面積估計的精度。Irina Kerl（1996）加最大似然分類精度的一種方法，即多概率比較法。他對同一遙感數據的原始波段、主成分和植被指數的22種組合進行了最大似然分類，發現沒有一種波段組合的分類能給出圖像中所有土地利用類型的精確分類，每一波段組合僅對圖像中的一兩類土地利用類型分類有效。因此他提出將能有效區分出所要決定的土地利用類型的幾個波段組合的分類結果進行組合來進行圖像分類，並稱這種方法為多概率比較法，這種方法的基礎就是圖像數據不同波段組合的分類結果之間分類概率大小的比較。應用這種方法提高了分類的精度。

2.最小距離分類（minimum distance classification）

最小距離分類是一種線性判別監督分類方法，也需要對訓練區模式樣本進行統計分析，是大似然分類法中的一種極為重要的特殊情況。最小距離分類在演算法上比較簡單，首先需選出要區分類別的訓練樣區，並且從圖像數據中求出各類訓練樣區各個波段的均值和標准差，然後再計算圖像中其他各個象元的灰度值向量到各已知類訓練樣區均值向量之間的距離。如果距離小於指定的閾值（一般取標准差的倍數），且與某一類的距離最近，就將該象元劃歸為某類。因此稱為最小距離分類。該方法的精度主要取決於已知類訓練樣區的多少和樣本區的統計精度。另外，距離度量的方法不同，分類的結果也不相同，常見的有：

（1）明氏距離（minkowski distance）

中亞地區高光譜遙感地物蝕變信息識別與提取

式中T_ij=-T_ij。

③經過①②步後，隨機象元X被劃歸為正確的類。

另外，通過對參與計算變數的排序和部分一總和邏輯的考慮，可大大降低該演算法計算的時間。與最小距離（歐氏距離）和最大似然分類器相比，整體平均分類器所用時間最少，分類精度與最小距離大致相同，對像農田面積和森林這樣的名義類型的分類十分有效。

Haluk Cetin（1996）提出了一種分類方法：類間距離頻率分布法（interclass distance frequency dis-tribution），這是多光譜數據非參數分類方法的一種。類間距離頻率分布過程簡單，是一種有力的可視化技術，它圖形地顯示多光譜數據和類分布。首先選擇感興趣的類，這些類的統計信息從典型的訓練樣區可獲得。利用類的平均測量矢量計算多光譜數據中每個象元的距離，並存放在一個兩維數據分布數組中。選擇其他類的訓練區，訓練區數據的分布通過距離計算可獲得。通過可視化地檢查結果，建立分類查詢表（look-up table），然後利用分類查詢表進行多光譜圖像數據的分類，具體細節請參見原文。

H.N.Srikanta Prakash等（1996）改進了遙感數據凝聚聚類分析，這是一種基於相互近鄰概念，用來進行多光譜數據分類的非參數、層次、凝聚聚類分析演算法。該方法定義了圍繞象元的感興趣區域（area of interest around each pixel），然後在它內部尋找分類時初始合並操作需要的k最近鄰，將象元的特徵值、波段值和象元的相對位置值一起考慮，提出了改進的距離量度，這樣，大大減少了計算的時間和內存的需求，降低了分類的誤差概率。

Steven E.Franklin和Bradley A.Wilson（1992）設計了3階段分類器進行遙感圖像的分類，它由一個基於四叉樹的分割運算元、一個高斯最小距離均值測試和一個包括輔助地理網數據和光譜曲線測量的最終測試構成。與最大似然分類技術相比，3階段分類器的總體分類精度得到了提高，減少計算時間，另外僅需最少的訓練樣區數據（它們在復雜地形區很難獲得）。

⑸ 地物特徵遙感信息提取和分類方法研究的意義與目的

遙感影像提供了目標區域的極為豐富的、復雜的大量數據，其反映了農、林、水、土、礦產、能源、海洋等各種地表信息。但是由於每個象元同時包含有不同地物在水平和垂直方向上交叉重疊的波譜特徵，而且這些特徵也僅代表地物的局部性質，使影像與地物之間存在某些對應關系，即所謂遙感影像的多解性。影像處理的最終目的是確定影像上的某些目標與地物之間的對應關系。從而達到認識地物狀態的目的。

現階段遙感影像的提取任務是應用數學方法確定影像與某些地物的對應關系並匹配到人眼的觀察范圍之內。

遙感影像信息的提取技術在地質領域的應用主要表現在對岩礦信息以及岩性識別信息的提取上，主要的研究對象是地球表面地質體（例如岩石）的分布規律、物化屬性等信息的提取，目的是通過研究它們的電磁波輻射特性有效地識別地質體的物理、化學性質與運動狀態，探測地質作用發生的過程與演化機制，為開展地質構造研究、礦產資源勘查、區域地質填圖、環境和自然災害監測等工作服務。與一般地質勘查方法相比，遙感具有宏觀、快速、准確等技術優勢，因此常作為地質勘查工作的先期手段，用於大面積的遙感地質調查和專題制圖工作。

岩石是地殼主要的物質組成，是開展地球科學研究的基礎，是各種地質現象和礦產資源賦存的載體，因而岩石學是地球科學研究中最重要的基礎學科。遙感作為現代科學中一種新興的對地探測技術，理所當然地把岩性信息提取和岩石分類研究作為遙感地質學最重要的內容，成為當今遙感地質研究的前沿和焦點。隨著遙感信息獲取技術的不斷進步，高光譜解析度（納米級）和高精度空間解析度（米級）遙感數據，為岩性遙感和岩性填圖帶來了大量的新型信息和新的發展機遇，使遙感地質工作在更高水平上開拓和深化。

遙感技術的理論基礎是物理學的電磁波理論，電磁波與岩石和地層表面物質發生作用，產生岩石和地質體的特徵光譜，不同物質成分的岩石和地質體，形成不同的特徵光譜。它們在可見光、近紅外和熱紅外形成各自連續的光譜分布，光學遙感就是依據這些不同光譜分布表現出來的特徵（能量、譜形等）來探測目標的。不同物質成分構成的岩石和礦物同樣具有不同的光譜能量和譜形特徵，了解、認識了這些光譜特徵，就能夠利用遙感信息提取技術識別它們。因此，基於光譜特徵的岩性遙感信息提取與岩石分類方法研究具有重要的理論和現實意義。

在遙感應用中，岩礦信息往往因其組合共生與風化分布的復雜性、地殼覆蓋物（比如土壤）和植被的干擾、混合象元以及大氣輻射的影響而使特徵表現較弱、信息有一定的不確定性和模糊性。隨著遙感感測器性能的提高，尤其是成像光譜儀的出現，改善了信息識別與提取的技術環境。使遙感從對地物的鑒別（discrimination）發展到對地物直接識別（identification）的階段。

在遙感地質應用中，對岩礦光譜和空間分布精細特徵的探測是空間與光譜高解析度遙感的優勢所在。礦物中離子與晶格位置的差異、元素的變化，岩石中礦物成分的不同以及成生的背景環境的影響等造成岩石礦物譜形特徵各異。因此，岩礦光譜特徵，尤其是其診斷性特徵是岩礦信息識別與提取的基礎，也是遙感技術革新與開發的基石。以光譜特徵及其差異為基礎，利用相應的遙感信息處理技術可直接識別岩礦類型，劃分變質相帶，圈定礦化蝕變中心及礦化蝕變帶；根據提取的礦物（尤其是蝕變礦物）及其相對豐度分布進行共生組合與成礦關系分析，圈定成礦靶區，進行資源潛力評價。

因此，本研究立足於實驗室標准礦物光譜與地質應用的關聯分析，探討遙感岩礦（含微量元素）信息的識別、提取與量化的光譜特徵；進而基於光譜特徵知識和現代數理方法，利用ETM，MAIS，AVIRIS和PHI數據，研究和發展不同尺度下遙感岩礦信息提取的技術；探索與研建遙感岩礦信息提取優化組合模型與技術集成。

經過近30年發展，遙感技術在數據獲取技術方面得到突飛猛進的發展，圖像信息提取及分類技術都取得了長足的進步，應用領域不斷擴展，研究程度不斷加深。作為一門邊緣學科，遙感地質學必須不斷地應用新型遙感數據、引入先進的圖像處理和信息提取技術並開展新的信息分析方法研究。遙感信息一次性記錄了地質歷史過程的綜合景觀，通過遙感信息反演地質過程中某一段成礦作用所遺留下來的痕跡（構造、岩性和蝕變信息）比較困難，因為，這些信息具有信息弱、隱蔽性強、地表貧化的特點，這也造成利用遙感信息反演成礦信息時的多解性和不確定性。本文針對地質成礦信息的特點，改進和發展了三種遙感岩石岩性信息提取和分類識別的方法，在新疆哈密地區善鄯南山金礦區遙感試驗場進行了應用研究，取得了良好的效果。

⑹ 遙感技術應用發展動態

當前，世界各國紛紛構建天地一體化的對地觀測系統，以便實現全球、全天候、全天時的時空數據獲取(李德仁，2000)。一系列新型衛星發射上天，是遙感進入21世紀以來取得的長足進展，它使遙感實現實時、動態、定量和定位觀測成為可能，衛星應用技術已逐步向產業化方向發展。

(一)遙感數據類型

目前，遙感技術已形成多星種、多感測器、多解析度共同發展的局面。遙感衛星包括資源衛星、環境衛星、海洋衛星、氣象衛星等，所獲取的遙感信息具有厘米到千米級的多種尺度，如QUCKBIRD0.61m、IKONOS1m、中華福衛2m、SPOT－5號2.5～5m、ALOS2.5m、IRS－1C5.8m、KOMPSAT6.6m、SPOT－1號、2號10m和20m、EO－1和Landsat－7號15m、CBERS－1號、2號19.5m、Landsat－4號、5號30m、Landsat－1號、2號、3號79m、MODIS250m、NOAA1.1km等多種解析度。不同空間解析度的遙感數據對生態環境研究形成了很好的互補，可以在不同空間尺度下開展多方面的應用研究，滿足對於不同尺度、不同研究對象發生發展規律研究的需要。豐富的信息源使遙感技術在生態環境研究中扮演著越來越重要的角色，它所具有的高度空間概括能力，有助於對區域的完整了解，而以多光譜觀測為主並輔以較高解析度全色數據的高解析度衛星，又極大地提升了對地物的識別和分類能力。

應根據研究內容或希望達到的目的有針對性地選擇合適的信息源。目前對生態環境研究主要採用光學感測器遙感信息較多，如MODIS、Landsat的TM和ETM、SPOT等。近幾年來高光譜衛星和雷達衛星也取得了很大發展，多光譜遙感正在向高光譜遙感、微波遙感向全極化和干涉雷達方向發展(郭華東等，2002)。衛星感測器的光譜解析度已達到5～6nm。美國1999年發射的EOSTERRA衛星上的中等解析度成像光譜儀MODIS具有36個波段，2000年發射的EO－1高光譜衛星上的HYPERION具有220個波段，空間解析度達30m。歐空局的ENVISAT－1衛星上的ASAR感測器可以獲取多極化和干涉測量數據。日本的ALOSPALSAR系統能在全球范圍內獲取極化和干涉雷達數據。利用高光譜、雷達衛星遙感數據進行定量反演是目前遙感的重要發展趨勢，但定量遙感還處於起步階段，主要由於遙感模型缺乏，模型參數提取困難，反演理論與方法的實用化不夠，基於先驗知識的參數估計所用的數據源不足等(李小文，2005、2006)。

(二)遙感圖像處理與信息提取

隨著遙感應用日益增長的需要和計算機技術的迅猛發展，圖像處理系統作為遙感領域中必不可少的工具，已經形成了很大的市場。圖像處理在理論、技術、軟體設計以及硬體技術上也都得到了長足的發展。國際上最著名的遙感圖像處理軟體有ERDAS、PCI和ENVI。ERDASIMAGINE是目前世界上占最大市場份額的專業遙感圖像處理軟體，由美國ERDAS公司開發。軟體大而全，具有光學遙感和微波遙感處理功能以及良好的RS/GIS集成功能，與ARCGIS(ESRIARC系列)融合較好，可以對shapefile、coverage文件直接編輯，具有簡單的矢量編輯功能，代表了遙感圖像處理系統未來的發展趨勢。PCIGeomatics由加拿大PCI公司開發研製，在光學遙感圖像鑲嵌和色彩匹配處理方面具有獨特的優勢，可以實現隨心所欲的色彩調整，對微波遙感圖像具有強大處理功能。ENVI是美國RSI公司開發研製的一套功能齊全的遙感圖像處理系統，對高光譜數據具有強大的處理能力，IDL語言為用戶提供了良好的二次開發環境。與ERDAS和PCI不支持HDF相比，ENVI可以直接讀取TM的HDF文件，其支持的柵格數據和矢量數據格式種類也多於其他軟體，但ENVI對光譜圖像的色彩匹配能力較弱。隨著高解析度衛星的發展，僅使用圖像光譜信息進行分類識別已遠遠不夠，德國DefiniensImaging公司最近新推出了面向對象的遙感圖像分類軟體ECOGNATION，它不僅考慮地物的光譜特徵，還統計地物形狀、大小、紋理及相鄰關系等，使分類結果更加精確。

生態環境研究中獲取的遙感數據，一般都已經進行了初步的輻射糾正，而幾何校正等預處理通常要由應用部門根據工作需要自行完成。各種商業軟體對圖像預處理都有完善的處理功能。

從遙感數據提取專題信息，目前主要有三種方式:目視解譯、人機交互和計算機自動分類與提取。目視解譯是最直觀、最簡便的圖像信息提取方法。全數字人機交互是利用地理信息系統軟體對圖像進行解譯，該方法的成熟與廣泛應用主要是在近10年左右的時間內。上述兩種方法都需要投入大量的人力、物力和財力，而且需要投入相對更多的時間，但取得的成果質量相對更高，更便於應用，因而目前仍然被廣泛採用。計算機自動分類技術主要立足於遙感信息的定量分析和統計分析，但由於遙感信息傳輸中的各種干擾造成的偏差，以及不同時空條件下地物遙感信息的差異，會產生空間的不一致性和時間的不一致性，以及同物異譜和同譜異物的現象，自動分類精度較低，難以滿足生態環境監測的要求，即使分類結果通過目視判讀分析進行改值干預，仍會出現較多問題。現有的自動分類方法基本上都是在較小的區域或精度要求相對較低的區域內實現，很難在大區域而精度要求又較高的工作中實際應用(張增祥，2004)。

(三)遙感動態監測

衛星星座的形成以及感測器的大角度傾斜使空間解析度時間解析度顯著提高，另一方面，遙感與地理信息系統的結合使遙感實現了真正意義上的實時動態監測。衛星的重訪周期從1～50d不等，如SPOT－1號、2號、4號、5號組成SPOT衛星系列，其重訪周期為1～26d，Landsat－5、7重訪周期為8d，IKONOS為1.5～3d，QUICKBIRD為1～6d。不同衛星適宜的重訪周期有利於對生態環境的動態監測和過程分析。只有完整、連續、規范化的大量的時間序列數據，才能夠提供研究對象更多的信息，也才能夠更全面和更深入地了解研究對象。

國際上利用遙感(RS)技術與地理信息系統(GIS)技術進行了大量卓有成效的資源環境調查、監測工作，如土地利用、土地覆蓋、作物估產、植被監測、水土資源調查等。隨著國際社會對全球氣候變化研究的深入，人們認識到由人類活動所導致的土地利用和土地覆被變化是引起生態環境和氣候變化的主要驅動力(王靜、張繼賢等，2002)。美國於1980～1986年開展了全球性的農業和資源空間遙感調查計劃(AGRISTARS)，現已建成了集成化的運行系統。近年來完成了美國1∶100萬比例尺、1∶25萬比例尺和全球范圍的土地覆蓋數據採集，並利用系統的資源信息對全球性生態環境進行客觀評價。歐共體國家為減少各國資源與生態環境部門的重復投資建設，於1991年集中組織啟動了「CORIN」計劃，建立了一個土地與環境信息系統，通過資源利用及其變化信息對生態環境進行評價，及時反映生態環境變化，並向歐共體國家的資源與環境部門提供公共基礎性信息服務。1992年，這些國家又聯合起來開展了利用遙感技術監測歐共體國家耕地、農作物變化的大型計劃(MARS)，每兩周向歐共體農業部提供報告，已形成運行能力。加拿大於20世紀90年代基本實現了利用遙感、地理信息系統對全國實現周期性的宏觀資源調查、更新與制圖，及時對全國生態環境進行評價與預警，並向有關資源與生態環境部門提供公共基礎性信息服務，帶來了巨大的經濟、社會及環境效益。近年來，全球土地利用、土地覆蓋研究已經成為國際地圈生物圈計劃(IGBP)、人與環境計劃(HDP)和世界氣候研究計劃(WCRP)三個國際組織的核心計劃。隨著遙感及其應用技術、地理信息系統信息處理及管理技術，特別是近年來全球定位系統(GPS)技術和「3S」一體化的發展，資源環境遙感研究工作正向著快速、精確、實用方向發展(劉紀遠，1996)。

我國從20世紀80年代開始，在水資源、土地資源、草場資源、森林資源、環境評價、水土流失、土地退化等方面均應用了遙感動態監測技術(任志遠等，2003;張增祥，2004)。從1999年開始，國土資源部採用SPOT、Landsat等衛星數據，輔以其他手段，成功監測了全國66個50萬人口以上城市在近兩三年間土地利用的變化情況，監測面積達71.4×10⁴km²，為城市建設與發展及時提供了現勢的基礎資料，並對土地變更調查結果進行了復核，為土地執法檢查提供了依據(國土資源部，2000)。總的來說，我國遙感動態監測有以下特點:一是採用的數據解析度較低，且數據類型單一，監測結果大多是定性說明，離實際生產需求尚有一定距離;二是監測指標單一，絕大多數項目在實施中只選擇了一種指標;三是動態監測數據的獲取技術相對落後，在利用遙感技術進行專題數據獲取或者比對中，自動提取技術應用很少，大多需要大量的人工干預來完成。

國內研建的遙感監測系統為數不多，運行化生態環境遙感監測系統少有，且尚處於初級的嘗試階段。環境遙感監測系統(REMSV1.0)是在國家863計劃支持下開發的我國首個面向流域水污染及生態環境遙感監測的業務化環境遙感監測軟體系統，用以進行省級環境遙感監測業務化運行示範。它針對我國流域水體污染及典型生態狀況監測的實際需求，瞄準環境與災害監測預報小衛星星座主要感測器(高光譜、紅外、可見光)的應用，已在水網密布、流域水環境管理任務十分艱巨的江蘇境內的淮河、長江、太湖流域實施了運行示範，取得了較好的效果(張琪等，2006)。系統基於業界主流集成開發工具VISUALC++6.0IDE和Windows系列平台，具有強大的海量高光譜數據處理分析能力、直接面向用戶的專業應用模塊、一體化的數據處理流程和良好的可交互性。國家海洋環境監測中心建設的海洋赤潮衛星遙感監測系統由衛星圖像接收天線、圖像接收機、圖像處理終端和赤潮衛星遙感信息提取軟體組成，系統能夠進行NOAAAVHRR、SeaWiFS、MODIS、FY－1C、D和HY－1a衛星數據的讀取和處理工作，通過內置的赤潮提取演算法自動識別出赤潮發生分布區，並完成赤潮衛星監測通報製作。目前，用於赤潮遙感監測的衛星數據主要有兩類:一類是氣象衛星類，使用其海表溫度數據，探測赤潮的環境溫度，可見光波段用於輔助分析;另一類是水色衛星數據，主要使用其可見光數據，建立葉綠素模型，進而探測海洋表面浮游生物。海洋赤潮遙感信息提取軟體(V1.0)採用IDL可視化開發語言和VC進行程序開發工作，軟體具有數據的輸入、預處理、信息提取和赤潮災害信息產品製作的功能。

⑺ 基於遙感影像土地利用分類方法研究

土地利用分類是區分土地利用空間地域組成單元的過程。由於地塊所處的自然地理位置不同，受自然條件和社會經濟條件的影響，導致土地用途、利用方式、經營特點等各方面的差異。為實現土地資源科學化管理，從土地利用現狀出發，根據土地利用的地域分異規律、土地用途、土地利用方式等，將一個國家和地區的土地利用情況，按照一定的層次等級體系劃分為若干不同的土地利用類別。

6.1.1 國內外土地利用分類方法歷史沿革

國外土地分類至今約有半個多世紀的歷史，到 20 世紀 60 年代和 70 年代就出現了各種土地分類系統。國外土地分類多數以土地利用現狀作為分類的依據，具體到各國又有差異。如，美國主要以土地功能作為分類的主要依據；英國和德國以土地覆蓋（是否開發用於建設用地）作為分類依據；俄羅斯、烏克蘭和日本以土地用途作為分類的主要依據；印度則以土地覆蓋情況（自然屬性）作為劃分地類的依據。

國內的土地分類研究起步相對較晚，主要是在改革開放以後。國內土地分類依據與國外基本相同，也是以土地利用現狀作為分類依據，如土地利用現狀調查（簡稱土地詳查）採用以土地用途、經營特點、利用方式和覆蓋特徵為分類依據，城鎮地籍調查採用以土地用途為分類依據等。

為了滿足土地用途管理的需要，國土資源部先後制定了《土地利用現狀分類及含義》（1984），《城鎮土地分類及含義》（1989），城鄉統一的《全國土地分類》（2001）。《全國土地分類》包括《全國土地分類》（試行）和《全國土地分類》（過渡期間適用），第二次土地調查國家發布了《土地利用現狀分類》（2007）國家標准等，為全國土地分類提供了標准和依據。

6.1.2 基於遙感影像土地利用分類原則

面向國土資源行業遙感數據的規模化、高效率應用，達到快速規模化獲取土地利用信息，實現高精度、高效獲取土地利用變化信息，迅速建立滿足國家和省級土地資源業務管理需要的國家級、省級土地利用現勢信息源需求，在研究分析前期實行的土地利用分類方法的基礎上，提出了基於遙感影像的土地利用分類，在項目區予以應用並得到預期良好效果。

基於遙感影像的土地利用分類，是依據遙感影像的色彩、紋理等影像光譜特徵、分布特徵和地物光譜的可分性，結合土地的自然屬性、覆蓋特徵以及土地用途等因素，從滿足基於遙感影像快速獲取土地利用信息的需要進行分類。

分類原則：

（1）具有可操作性。要求土地利用分類體系要簡便易用、層次分明，要具有適宜遙感影像特點，通過遙感影像所反映色彩、紋理等影像光譜特徵以及分布特徵，在遙感影像上能夠明顯區分不同地類類型，適用於人機交互並基本滿足計算機自動分類提取土地利用信息。

（2）具有統一性。要與國家土地利用分類體系框架保持一致。

（3）具有兼容性。既能向上歸並到國家土地分類標准體系中的某一類型，還可根據管理和應用需要進行續分 , 可實現不同分類標准之間的相同地類進行地類代碼轉換，與以往的以及現在適用的土地分類進行有效銜接。

（4）具有通用性。即具有時間和空間上的通用性，不同的作業者用不同季節的影像應該能達到精度范圍內的同樣效果。

為了科學合理利用和管理土地資源，採用遙感影像數據獲取土地利用信息，快速掌握土地利用變化情況，根據我省土地利用管理業務實際需要，建立更適合土地利用精確調查和我省遙感監測業務調整與擴展的基於遙感信息土地利用分類標准具有重要的現實意義。

6.1.3 嚴格管理土地需要快速、規模化獲取土地利用變化信息

近年來，隨著社會經濟的發展，遙感技術也隨之得到了快速發展，遙感技術在土地資源的管理中得到了廣泛應用。但隨著人、地矛盾的日益加大，如何科學、合理地利用土地資源，如何監督新增建設用地及其佔用耕地情況和土地規劃、土地利用計劃執行情況，及時發現和查處土地違法、違規行為，檢查土地嚴格管理和土地調控措施的落實與效果，利用遙感技術快速規模化獲取土地利用變化情況成為當今土地資源管理的有效手段。

在土地資源管理中，近幾年國家和省不斷加大土地執法監察力度，每年都要對耕地和新增建設用地變化情況進行遙感動態監測，利用前、後時相遙感影像（DOM）進行比對，或利用已有土地利用資料庫與後時相遙感影像進行比對，發現和提取土地利用變化信息，通過外業核查、後處理和數據匯總，快速獲取和宏觀分析土地利用、變化的總體情況，及時發現和查處土地違法、違規行為，為土地執法監察提供了有力的技術依據。

6.1.4 原有土地利用分類不適宜快速提取土地利用信息

1984～2007 年間，我國普遍採用的是《土地利用現狀分類及含義》（1984）標准、《全國土地分類》（試行）標准和《全國土地分類》（過渡期間適用）標准，採用以上分類標准對於快速提取土地利用分類信息和動態遙感監測存在一些問題和缺陷。

首先，分類過細。《土地利用現狀分類及含義》（1984）分為 8 個一級地類，46 個二級地類，河南省根據地方實際在全國土地分類基礎上又續分了 12 個三級地類；《全國土地分類》（試行）分為 3 個一級地類，15 個二級地類，71 個三級地類；《全國土地分類》（過渡期間適用）分為 3 個一級地類，10 個二級地類、52 個三級地類。以上分類標准都具有類別繁多、過於細化的特點，無法滿足國家和省快速提取和掌握土地利用變化信息的需求。

其次，部分地類在遙感影像上無法區分，如：耕地中水澆地與旱地，園地與林地，獨立工礦與特殊用地等，影像紋理、色彩特徵極為相近，難以區分。

再次，部分地類與遙感影像無法銜接，如商服用地、工礦倉儲用地、公共建築用地等信息，從遙感影像上無法直接獲取。

6.1.5 區域土地利用類型的特殊性

黃河灘地，是指在黃河大堤之間河床滾動所淤積而成的灘地。橫穿河南省中北部的黃河屬河南省的特有特徵，即地上懸河、河床寬度大、非洪水期過水面積小、大堤內近 90% 的灘塗分別由黃河兩岸農民在耕作。但是由於黃河河床經常變動等原因，黃河灘地的面積和方位不斷發生變化，可種植面積也不穩定。許多灘地至今仍權屬不明，經常引發灘地耕種糾紛。另外在黃河灘地種植農作物具有一定的風險性，種植的作物一旦遇到河水上漲被水淹沒會造成收成大減甚至顆粒無收。

公路林帶，在河南省轄區內，高速公路、國道、省道、干線鐵路等主要交通用地兩側均栽種了寬度 30～50 m 不等的速生樹種，在地類統計時，國土資源管理部門是按耕地計算，而林業部門則按照林地計算，為准確獲取林帶數據有必要單獨統計，以解決在統計上口徑不一、數出多門的問題。

6.1.6 遙感影像上光譜信息，紋理、色彩等特徵相近的土地類型

高解析度衛星遙感影像光譜信息豐富、色彩鮮艷，接近於自然地物的真實色彩。通過遙感影像所反映的紋理、顏色等影像特徵和分布特徵，大部分土地利用類型在影像上能夠明顯區分。但是按照全國土地分類，有些地類在影像上呈現相近或相同特徵，對於室內判讀難以分辨。

（1）水澆地與旱地（圖 6-1、圖 6-2）。

圖 6-1 水澆地（113）

圖 6-2 旱地（114）

（2）園地與林地（圖 6-3、圖 6-4）。

圖 6-3 果園（121）

圖 6-4 有林地（131）

（3）獨立工礦與特殊用地（圖 6-5、圖 6-6）。

圖 6-5 獨立工礦（204）

圖 6-6 特殊用地（206）

土地利用分類體系還要充分考慮未來遙感技術發展，適用於遙感自動化提取信息的需要，影像特徵相近的土地利用類型無法利用自動分類技術進行區分。

⑻ 遙感的分類及應用概況

多方面收集數據可以促進遙感技術的應用，主要包括:利用多平台進行遙感探測，即從不同高度的平台上對同一目標物進行數據採集;利用幾個光譜波段進行同步數據採集的多光譜遙感;以及多時相遙感，即對同一目標物在多個時段進行數據的重復採集。

圖2.7 多級平台遙感的概念

在多級平台遙感中，衛星數據可以與高空數據、低空數據以及地面觀測數據一起進行分析(圖2.7)。每個連續的數據源可以為較小的地理區域提供更詳細的信息，而由任何小尺度上觀測到的數據所提取出的信息通過外推可以應用到更大尺度的觀測中。

多級平台遙感技術應用的一個常見實例就是研究森林病蟲害的發展趨勢、類型確定及其原因分析。從航天圖像中，圖像解譯人員可以得到整個研究區的主要植被類型。利用這些信息，就可以確定感興趣的特定植物類型的分布面積及其地理位置，然後通過精度更高的圖像對有代表性的子區域進行更加細致的研究。在這第二級平台上形成的圖像可以把病變的區域描繪出來。然後，在這些地區採集代表性的樣品並進行野外調查與驗證，證實病變是否存在及其具體原因。

通過地面觀察而對所發生的問題進行詳細分析之後，研究人員就可以利用遙感數據對更大的區域進行分析評估。通過分析覆蓋廣大區域的遙感數據，研究人員可以確定病蟲害的嚴重程度及其發生的地理范圍。因此，要判斷究竟是什麼問題時，只能通過詳細的地面觀測來確定;而同樣重要的問題，諸如在哪裡、有多少和多麼嚴重，則需要經常通過遙感分析方法來獲得最佳的解決方案。

總之，從多個角度對地表情況進行分析要比僅從單個角度分析可以獲得更多的信息。與此類似，多光譜成像要比任何單波段成像所採集到的數據能提供更豐富的信息。例如，多光譜掃描儀就是一種可以利用多個光譜波段同步採集數據的感測器。當利用多個波段所記錄的數據相互結合進行分析時，要比僅利用單一波段的圖像或者把多個波段單獨進行分析，能夠獲得更多的信息。因此，多光譜數據處理方法成為許多遙感應用的核心內容，包括對地球資源類型和條件的判別。

遙感圖像的多時相分析就是在多個時段對同一地區進行重復探測，並利用不同時間發生的變化來判別地面條件。這種方法經常被用於監測土地利用的變化，例如城市邊緣地區所發生的城市化進程。實際上，區域土地利用的調查往往需要多感測器、多光譜、多平台以及多時相的數據採集以滿足不同的應用需求。

在應用遙感技術的過程中，不僅要將數據的獲取與分析解譯技術相結合，遙感技術與「常規」技術也一樣需要進行必要的結合。必須意識到，遙感技術本身只是一種工具，必須與其他技術配合才能發揮其最佳作用，其本身的發展並不是最終的目的。例如，遙感數據被廣泛應用在基於計算機的地理信息系統(GIS)中。只要它們能在地理上被引用，GIS環境允許綜合、分析和交流實質上是無限的資源和各類型的生物物理學和社會經濟學的數據。遙感技術可以被認為是這種應用系統的「眼睛」，能夠提供來自航空或航天有利位置的、重復的、概要的，甚至是全球的地球資源景象。

遙感為人們提供了看到不可見的世界的能力。人們能夠開始在「生態系統基礎」上來觀察環境的組成，以至於遙感數據能夠超越當前所收集的大多數資源數據的文化邊界。此外，遙感也超越了學科的界限，其應用范圍如此廣泛，以至於沒有人能夠完全掌握這一領域。毫無疑問，遙感技術將繼續在自然資源管理中占據越來越重要的地位，其應用也將越來越廣泛。感測器、空間平台、數據傳輸系統、GPS、數字圖像處理系統和GIS等技術水平正在日益提高。同時，人們也目睹了各種遙感手段從純粹的科學研究活動向商業應用服務轉化的革命進程。最重要的是，人們逐漸意識到全球資源庫各基本要素之間的相互依賴及其脆弱性，也意識到遙感技術在地球資源普查、監測和管理以及建立模型並幫助人們理解全球生態系統中的重要作用。

⑼ 各種遙感數據分類方法比較

常用的遙感數據的專題分類方法有多種，從分類判別決策方法的角度可以分為統計分類器、神經網路分類器、專家系統分類器等；從是否需要訓練數據方面，又可以分為監督分類器和非監督分類器。

一、統計分類方法

統計分類方法分為非監督分類方法和監督分類方法。非監督分類方法不需要通過選取已知類別的像元進行分類器訓練，而監督分類方法則需要選取一定數量的已知類別的像元對分類器進行訓練，以估計分類器中的參數。非監督分類方法不需要任何先驗知識，也不會因訓練樣本選取而引入認為誤差，但非監督分類得到的自然類別常常和研究感興趣的類別不匹配。相應地，監督分類一般需要預先定義分類類別，訓練數據的選取可能會缺少代表性，但也可能在訓練過程中發現嚴重的分類錯誤。

1.非監督分類器

非監督分類方法一般為聚類演算法。最常用的聚類非監督分類方法是 K-均值（K-Means Algorithm）聚類方法（Duda and Hart，1973）和迭代自組織數據分析演算法（ISODATA）。其演算法描述可見於一般的統計模式識別文獻中。

一般通過簡單的聚類方法得到的分類結果精度較低，因此很少單獨使用聚類方法進行遙感數據專題分類。但是，通過對遙感數據進行聚類分析，可以初步了解各類別的分布，獲取最大似然監督分類中各類別的先驗概率。聚類分析最終的類別的均值矢量和協方差矩陣可以用於最大似然分類過程（Schowengerdt，1997）。

2.監督分類器

監督分類器是遙感數據專題分類中最常用的一種分類器。和非監督分類器相比，監督分類器需要選取一定數量的訓練數據對分類器進行訓練，估計分類器中的關鍵參數，然後用訓練後的分類器將像元劃分到各類別。監督分類過程一般包括定義分類類別、選擇訓練數據、訓練分類器和最終像元分類四個步驟（Richards，1997）。每一步都對最終分類的不確定性有顯著影響。

監督分類器又分為參數分類器和非參數分類器兩種。參數分類器要求待分類數據滿足一定的概率分布，而非參數分類器對數據的概率分布沒有要求。

遙感數據分類中常用的分類器有最大似然分類器、最小距離分類器、馬氏距離分類器、K-最近鄰分類器（K-Nearest neighborhood classifier，K-NN）以及平行六面體分類器（parallelepiped classifier）。最大似然、最小距離和馬氏距離分類器在第三章已經詳細介紹。這里簡要介紹 K-NN 分類器和平行六面體分類器。

K-NN分類器是一種非參數分類器。該分類器的決策規則是：將像元劃分到在特徵空間中與其特徵矢量最近的訓練數據特徵矢量所代表的類別（Schowengerdt，1997）。當分類器中 K=1時，稱為1-NN分類器，這時以離待分類像元最近的訓練數據的類別作為該像元的類別；當 K ＞1 時，以待分類像元的 K 個最近的訓練數據中像元數量最多的類別作為該像元的類別，也可以計算待分類像元與其 K 個近鄰像元特徵矢量的歐氏距離的倒數作為權重，以權重值最大的訓練數據的類別作為待分類像元的類別。Hardin，（1994）對 K-NN分類器進行了深入的討論。

平行六面體分類方法是一個簡單的非參數分類演算法。該方法通過計算訓練數據各波段直方圖的上限和下限確定各類別像元亮度值的范圍。對每一類別來說，其每個波段的上下限一起就形成了一個多維的盒子（box）或平行六面體（parallelepiped）。因此 M 個類別就有M 個平行六面體。當待分類像元的亮度值落在某一類別的平行六面體內時，該像元就被劃分為該平行六面體代表的類別。平行六面體分類器可以用圖5-1中兩波段的遙感數據分類問題來表示。圖中的橢圓表示從訓練數據估計的各類別亮度值分布，矩形表示各類別的亮度值范圍。像元的亮度落在哪個類別的亮度范圍內，就被劃分為哪個類別。

圖5-1 平行六面體分類方法示意圖

3.統計分類器的評價

各種統計分類器在遙感數據分類中的表現各不相同，這既與分類演算法有關，又與數據的統計分布特徵、訓練樣本的選取等因素有關。

非監督聚類演算法對分類數據的統計特徵沒有要求，但由於非監督分類方法沒有考慮任何先驗知識，一般分類精度比較低。更多情況下，聚類分析被作為非監督分類前的一個探索性分析，用於了解分類數據中各類別的分布和統計特徵，為監督分類中類別定義、訓練數據的選取以及最終的分類過程提供先驗知識。在實際應用中，一般用監督分類方法進行遙感數據分類。

最大似然分類方法是遙感數據分類中最常用的分類方法。最大似然分類屬於參數分類方法。在有足夠多的訓練樣本、一定的類別先驗概率分布的知識，且數據接近正態分布的條件下，最大似然分類被認為是分類精度最高的分類方法。但是當訓練數據較少時，均值和協方差參數估計的偏差會嚴重影響分類精度。Swain and Davis（1978）認為，在N維光譜空間的最大似然分類中，每一類別的訓練數據樣本至少應該達到10×N個，在可能的條件下，最好能達到100×N以上。而且，在許多情況下，遙感數據的統計分布不滿足正態分布的假設，也難以確定各類別的先驗概率。

最小距離分類器可以認為是在不考慮協方差矩陣時的最大似然分類方法。當訓練樣本較少時，對均值的估計精度一般要高於對協方差矩陣的估計。因此，在有限的訓練樣本條件下，可以只估計訓練樣本的均值而不計算協方差矩陣。這樣最大似然演算法就退化為最小距離演算法。由於沒有考慮數據的協方差，類別的概率分布是對稱的，而且各類別的光譜特徵分布的方差被認為是相等的。很顯然，當有足夠訓練樣本保證協方差矩陣的精確估計時，最大似然分類結果精度要高於最小距離精度。然而，在訓練數據較少時，最小距離分類精度可能比最大似然分類精度高（Richards，1993）。而且最小距離演算法對數據概率分布特徵沒有要求。

馬氏距離分類器可以認為是在各類別的協方差矩陣相等時的最大似然分類。由於假定各類別的協方差矩陣相等，和最大似然方法相比，它丟失了各類別之間協方差矩陣的差異的信息，但和最小距離法相比較，它通過協方差矩陣保持了一定的方向靈敏性（Richards，1993）。因此，馬氏距離分類器可以認為是介於最大似然和最小距離分類器之間的一種分類器。與最大似然分類一樣，馬氏距離分類器要求數據服從正態分布。

K-NN分類器的一個主要問題是需要很大的訓練數據集以保證分類演算法收斂（Devijver and Kittler，1982）。K-NN分類器的另一個問題是，訓練樣本選取的誤差對分類結果有很大的影響（Cortijo and Blanca，1997）。同時，K-NN分類器的計算復雜性隨著最近鄰范圍的擴大而增加。但由於 K-NN分類器考慮了像元鄰域上的空間關系，和其他光譜分類器相比，分類結果中「椒鹽現象」較少。

平行六面體分類方法的優點在於簡單，運算速度快，且不依賴於任何概率分布要求。它的缺陷在於：首先，落在所有類別亮度值范圍之外的像元只能被分類為未知類別；其次，落在各類別亮度范圍重疊區域內的像元難以區分其類別（如圖5-1所示）。

各種統計分類方法的特點可以總結為表5-1。

二、神經網路分類器

神經網路用於遙感數據分類的最大優勢在於它平等地對待多源輸入數據的能力，即使這些輸入數據具有完全不同的統計分布，但是由於神經網路內部各層大量的神經元之間連接的權重是不透明的，因此用戶難以控制（Austin，Harding and Kanellopoulos et al.，1997）。

神經網路遙感數據分類被認為是遙感數據分類的熱點研究領域之一（Wilkinson，1996；Kimes，1998）。神經網路分類器也可分為監督分類器和非監督分類器兩種。由於神經網路分類器對分類數據的統計分布沒有任何要求，因此神經網路分類器屬於非參數分類器。

遙感數據分類中最常用的神經網路是多層感知器模型（multi-layer percep-tron，MLP）。該模型的網路結構如圖5-2所示。該網路包括三層：輸入層、隱層和輸出層。輸入層主要作為輸入數據和神經網路輸入界面，其本身沒有處理功能；隱層和輸出層的處理能力包含在各個結點中。輸入的結構一般為待分類數據的特徵矢量，一般情況下，為訓練像元的多光譜矢量，每個結點代表一個光譜波段。當然，輸入結點也可以為像元的空間上下文信息（如紋理）等，或多時段的光譜矢量（Paola and Schowengerdt，1995）。

表5-1 各種統計分類器比較

圖5-2 多層感知器神經網路結構

對於隱層和輸出層的結點來說，其處理過程是一個激勵函數（activation function）。假設激勵函數為f（S），對隱層結點來說，有：

遙感信息的不確定性研究

其中，p_i為隱層結點的輸入；h_j為隱層結點的輸出；w為聯接各層神經之間的權重。

對輸出層來說，有如下關系：

遙感信息的不確定性研究

其中，h_j為輸出層的輸入；o_k為輸出層的輸出。

激勵函數一般表達為：

遙感信息的不確定性研究

確定了網路結構後，就要對網路進行訓練，使網路具有根據新的輸入數據預測輸出結果的能力。最常用的是後向傳播訓練演算法（Back-Propagation）。這一演算法將訓練數據從輸入層進入網路，隨機產生各結點連接權重，按式（5-1）（5-2）和（5-3）中的公式進行計算，將網路輸出與預期的結果（訓練數據的類別）相比較並計算誤差。這個誤差被後向傳播的網路並用於調整結點間的連接權重。調整連接權重的方法一般為delta規則（Rumelhart，et al.，1986）：

遙感信息的不確定性研究

其中，η為學習率（learning rate）；δ_k為誤差變化率；α為動量參數。

將這樣的數據的前向和誤差後向傳播過程不斷迭代，直到網路誤差減小到預設的水平，網路訓練結束。這時就可以將待分類數據輸入神經網路進行分類。

除了多層感知器神經網路模型，其他結構的網路模型也被用於遙感數據分類。例如，Kohonen自組織網路被廣泛用於遙感數據的非監督聚類分析（Yoshida et al.，1994；Schaale et al.，1995）；自適應共振理論（Adaptive Resonance Theory）網路（Silva，S and Caetano，M.1997）、模糊ART圖（Fuzzy ART Maps）（Fischer，M.M and Gopal，S，1997）、徑向基函數（駱劍承，1999）等也被用於遙感數據分類。

許多因素影響神經網路的遙感數據分類精度。Foody and Arora（1997）認為神經網路結構、遙感數據的維數以及訓練數據的大小是影響神經網路分類的重要因素。

神經網路結構，特別是網路的層數和各層神經元的數量是神經網路設計最關鍵的問題。網路結構不但影響分類精度，而且對網路訓練時間有直接影響（Kavzoglu and Mather，1999）。對用於遙感數據分類的神經網路來說，由於輸入層和輸出層的神經元數目分別由遙感數據的特徵維數和總的類別數決定的，因此網路結構的設計主要解決隱層的數目和隱層的神經元數目。一般過於復雜的網路結構在刻畫訓練數據方面較好，但分類精度較低，即「過度擬合」現象（over-fit）。而過於簡單的網路結構由於不能很好的學習訓練數據中的模式，因此分類精度低。

網路結構一般是通過實驗的方法來確定。Hirose等（1991）提出了一種方法。該方法從一個小的網路結構開始訓練，每次網路訓練陷入局部最優時，增加一個隱層神經元，然後再訓練，如此反復，直到網路訓練收斂。這種方法可能導致網路結構過於復雜。一種解決辦法是每當認為網路收斂時，減去最近一次加入的神經元，直到網路不再收斂，那麼最後一次收斂的網路被認為是最優結構。這種方法的缺點是非常耗時。「剪枝法」（pruning）是另一種確定神經網路結構的方法。和Hirose等（1991）的方法不同，「剪枝法」從一個很大的網路結構開始，然後逐步去掉認為多餘的神經元（Sietsma and Dow，1988）。從一個大的網路開始的優點是，網路學習速度快，對初始條件和學習參數不敏感。「剪枝」過程不斷重復，直到網路不再收斂時，最後一次收斂的網路被認為最優（Castellano，Fanelli and Pelillo，1997）。

神經網路訓練需要訓練數據樣本的多少隨不同的網路結構、類別的多少等因素變化。但是，基本要求是訓練數據能夠充分描述代表性的類別。Foody等（1995）認為訓練數據的大小對遙感分類精度有顯著影響，但和統計分類器相比，神經網路的訓練數據可以比較少。

分類變數的數據維對分類精度的影響是遙感數據分類中的普遍問題。許多研究表明，一般類別之間的可分性和最終的分類精度會隨著數據維數的增大而增高，達到某一點後，分類精度會隨數據維的繼續增大而降低（Shahshahani and Landgrebe，1994）。這就是有名的Hughes 現象。一般需要通過特徵選擇去掉信息相關性高的波段或通過主成分分析方法去掉冗餘信息。分類數據的維數對神經網路分類的精度同樣有明顯影響（Battiti，1994），但Hughes 現象沒有傳統統計分類器中嚴重（Foody and Arora，1997）。

Kanellopoulos（1997）通過長期的實踐認為一個有效的ANN模型應考慮以下幾點：合適的神經網路結構、優化學習演算法、輸入數據的預處理、避免振盪、採用混合分類方法。其中混合模型包括多種ANN模型的混合、ANN與傳統分類器的混合、ANN與知識處理器的混合等。

三、其他分類器

除了上述統計分類器和神經網路分類器，還有多種分類器被用於遙感圖像分類。例如模糊分類器，它是針對地面類別變化連續而沒有明顯邊界情況下的一種分類器。它通過模糊推理機制確定像元屬於每一個類別的模糊隸屬度。一般的模糊分類器有模糊C均值聚類法、監督模糊分類方法（Wang，1990）、混合像元模型（Foody and Cox，1994；Settle and Drake，1993）以及各種人工神經網路方法等（Kanellopoulos et al.，1992；Paola and Schowengerdt，1995）。由於模糊分類的結果是像元屬於每個類別的模糊隸屬度，因此也稱其為「軟分類器」，而將傳統的分類方法稱為「硬分類器」。

另一類是上下文分類器（contextual classifier），它是一種綜合考慮圖像光譜和空間特徵的分類器。一般的光譜分類器只是考慮像元的光譜特徵。但是，在遙感圖像中，相鄰的像元之間一般具有空間自相關性。空間自相關程度強的像元一般更可能屬於同一個類別。同時考慮像元的光譜特徵和空間特徵可以提高圖像分類精度，並可以減少分類結果中的「椒鹽現象」。當類別之間的光譜空間具有重疊時，這種現象會更明顯（Cortijo et al.，1995）。這種「椒鹽現象」可以通過分類的後處理濾波消除，也可以通過在分類過程中加入代表像元鄰域關系的信息解決。

在分類過程中可以通過不同方式加入上下文信息。一是在分類特徵中加入圖像紋理信息；另一種是圖像分割技術，包括區域增長/合並常用演算法（Ketting and Landgrebe，1976）、邊緣檢測方法、馬爾可夫隨機場方法。Rignot and Chellappa（1992）用馬爾可夫隨機場方法進行SAR圖像分類，取得了很好的效果，Paul Smits（1997）提出了保持邊緣細節的馬爾可夫隨機場方法，並用於SAR圖像的分類；Crawford（1998）將層次分類方法和馬爾可夫隨機場方法結合進行SAR圖像分類，得到了更高的精度；Cortijo（1997）用非參數光譜分類對遙感圖像分類，然後用ICM演算法對初始分類進行上下文校正。

⑽ 高光譜影像分類技術研究現狀

遙感影像分類是對影像中包含的多個目標地物進行區分，並給出單個像元的對應特徵類別。按照是否需要先驗樣本，分為監督分類和非監督分類。

1.2.1.1 高光譜影像監督分類方法

針對高光譜影像監督分類，可以把現有的分類演算法分為光譜特徵匹配分類、統計模型分類、同質地物提取分類、紋理信息輔助分類、面向對象分類、決策樹分類、模糊聚類方法、專家系統分類、神經網路分類、支持向量機分類、流行學習分類、集成學習分類、基於雲模型分類等方法。

（1）光譜特徵匹配分類方法

根據已知光譜數據，採用匹配分析演算法區分待測光譜的類別，從而實現影像分類。它可以是整波段光譜匹配，也可以是部分感興趣波段光譜匹配。如Geotz（1990）提出了二值編碼匹配演算法，通過設定閾值，將像元光譜轉換為編碼序列，在一定程度上壓縮了原始光譜，但也降低了光譜區分度。常見的二值編碼演算法有分段編碼、多門限編碼和特徵波段編碼等。Clark et al.（1998）提出了一種擬合演算法，通過計算像元光譜與樣本光譜的擬合度來確定像元隸屬於樣本的概率。Kruse et al.（1993a）通過計算待測光譜和參考光譜的矢量夾角來比較其相似程度，並認為兩條光譜的角度越小，表明相近程度越大。另外包絡線去除法影像分類也是一種光譜匹配方法，它是通過對單個像元光譜進行包絡線生成，並通過包絡線比值法、光譜微分技術和曲線擬合技術，突出光譜曲線的峰谷特性，進而提取出反映某個問題的敏感波段，之後利用敏感波段進行分類研究。白繼偉等（2003）認為，包絡線去除法分類技術可以很好地抑制雜訊，提高分類准確率，特別適用於植被識別。Meeret al.（1997）設計了交叉相關光譜匹配技術（Cross Correlogram Spectral Mapping，CCSM），該演算法通過計算測試光譜和參考光譜的相關系數、偏度系數和相關顯著性標准來綜合評價光譜的匹配程度。Kruse et al.（1990）利用半波長寬度、波長位置和吸收深度等特徵參數進行光譜匹配。

（2）統計模型分類方法

McIver et al.（2002）認為最大似然分類是最常用的基於統計模型的分類方法，該方法假設各地物在影像上出現的概率服從多維正態分布（Swain et al.，1978）。楊國鵬等（2008）構建了核Fisher判別分析方法，通過分類實驗，認為該方法優於SVM分類方法。

（3）基於同質地物提取的分類方法

一般的分類方法往往沒有考慮待測像元與其周圍相鄰像元的關系，因為受影像空間解析度的限制，單像元光譜所代表的地面信息一小部分來自於本地物像元，其他很大一部分來自於其周圍相鄰像元。Kettig et al.（1976）設計了基於同質地物提取與分類方法（Ex－traction and Classification of Homogeneous Objects，ECHO），該方法充分考慮了待測像元和臨近像元的關系。

（4）紋理信息輔助下的分類方法

紋理信息是地物特性的有效表達，基於紋理信息可識別不同地物。Haralick et al.（1973）提出的灰度共生矩陣（Gray Level Co－occurrence Matrix，GLCM）是一種應用廣泛的紋理分析技術，通過計算影像統計特性，來表達其灰度密度分布規律。基於變換的傅立葉分析將影像空間域信號變換到頻率域（Augusteijn et al.，1995），利用能量譜、振幅譜和相位譜對影像進行紋理特性描述，用以分類。舒寧（2004）利用主成分變換，提取影像紋理特徵，進行分類，他們認為PCA可以提高分類精度。

（5）面向對象的分類方法

區別於傳統的基於像元的分類方法，面向對象分類方法的處理單元為圖像對象，也稱圖斑對象。Benz et al.（2004）將圖斑對象定義為空間形態和光譜特徵相似的獨立區域。影像分割技術是面向對象分類的實質，影像分割技術的發展在一定程度上決定了面向對象分類技術的發展。Kwon et al.（2007）設計了完全四叉樹（Quad－tree Decomposition，QTD）高光譜影像分割方法。Shah et al.（2002）提出了改進的獨立成分分析高光譜影像分割方法。Acito et al.（2003）提出了基於高斯混合模型（Gaussian Mixture Model，GMM）的統計分割方法。

（6）決策樹分類方法

決策樹分類法通過制定每一層樹節點的判別規則，逐層進行比較分類。Hansen et al.（1996）認為決策樹分類對分布特性不規則、不可參數化的訓練數據有較好的分類效果。王圓圓等（2007）利用決策樹對高光譜數據進行分類研究，認為經特徵選擇後，可使其分類精度提高。

（7）模糊聚類方法

模糊分類基於事物表現的不確定性，通過分析這種模糊性，概括和發現規律從而實現分類。遙感影像像元也存在某種模糊性，針對遙感影像的模糊分類最初由Wang（1990）和Carpenteret al.（1992）人提出。閆永忠等（2005）結合絕對指數，利用模糊聚類法對高光譜影像分類，分類精度較高。

（8）專家系統分類方法

專家系統是利用多種經驗知識和判別規則，藉助於計算機分析對比待測知識和專家知識的匹配程度來進行分類。國外，很多學者開發了高光譜影像專家分類系統，如Lyon etal.（1990）研製了Stanexpert專家系統，對礦物進行自動識別。利用分類規則，Kruse etal.（1993b）開發了功能強大的光譜識別系統。Kimes則開發了VEG系統用於植被光譜識別。

（9）神經網路分類方法

人工神經網路（Artificial Neural Network，ANN）利用數學和物理方法，從信息處理的角度，對人腦的思維過程進行模擬，並建立某種簡化模型（韓力群，2006）。在高光譜遙感領域，ANN多用於物質生化組分的定量分析。Toivanen et al.（2003）利用SOFM神經網路從多光譜影像中提取邊緣，並指出該方法可應用於大數據量影像邊緣的提取；Moshou et al.（2006）根據5137個葉片的光譜數據，利用SOFM神經網路識別小麥早期黃銹病，准確率高達99％。譚琨等（2008）通過提取OMIS II高光譜影像數據的特徵成分，組成60維分量數據，分類精度達到69.27％。宋江紅等（2006）提出了基於獨立成分分析和神經網路結合的高光譜數據分類。周前祥等（2005）等設計了一種非線性網路，根據高光譜數據的紋理和光譜特徵進行分類。

（10）支持向量機分類方法

支持向量機由Vapnik（1995）提出，SVM應用在高光譜影像分類方面，國內學者做了很多研究，如，馬毅等（2006）基於航空高光譜數據，提出了基於SVM的赤潮生物優勢物種識別模型，認為該方法不受數據的高維限制。李祖傳等（2011）提出了一種改進的隨機場模型SVM－CRF，並對AVIRIS高光譜數據進行了分類實驗，精度較高。李海濤等（2007）提出了基於最小雜訊分離變換和SVM的高光譜影像分類方法，並採用OMIS1數據進行實驗研究，總體分類精度高達94.85％。沈照慶等（2009）利用最近點演算法（NPA），提出了無懲罰參數的SVM演算法，通過對AVIRIS數據的分類實驗，認為該方法提高了分類精度和速度。

（11）流行學習分類方法

流行學習（Manifold Learning，ML）是從高維采樣數據中恢復低維流行結構，並求出相應的嵌入映射，實現數據維數約簡。流行學習是模式識別的基本方法，有線性流行學習和非線性流行學習。其演算法有等距映射、拉普拉斯映射、局部線性嵌入、局部切空間排列演算法等。目前，國內很少有人研究其在高光譜影像分類方面的應用。Ma L et al.（2010a～c）認為流行學習比較適用於二分類問題，可以區分復雜地物，他們研究了基於k臨近演算法的流行學習方法、局部切空間排列的流行學習方法及廣義監督分類的流行學習方法在高光譜影像異常檢測和分類中的應用。杜培軍等（2011）利用全局化等距映射（Iso－map）演算法進行高光譜數據降維，效果良好。

（12）集成學習分類方法

集成學習在學習時採用多個學習器，並將輸出結果按照自定義的規則進行綜合，進而獲得優於單個學習器的效果。集成學習方法可分為異態集成（如，疊加法和元學習法）和同態集成（樸素貝葉斯集成、決策樹集成、人工神經網路集成、K－近鄰集成等）。集成學習作為機器學習的前沿，目前，應用在遙感圖像處理方面的研究甚少，而在高光譜影像分類方面更是鳳毛麟角，但是該技術在本領域的研究前景非常廣闊。

（13）基於雲模型的分類方法

李萬臣等（2011）提出了一種基於雲模型的高光譜影像分類技術，通過生成地物樣本的多維雲模型，結合極大判別法則進行樣本分類，分類精度較高。

1.2.1.2 高光譜影像非監督分類方法

針對高光譜影像非監督分類，現有的演算法主要為K均值演算法、ISODATA演算法。

（1）K均值法

Tou和Gonzalez（1974）認為K均值演算法是在待分類問題的類別數已知的情況下，從樣本中確定聚類核心，樣本其他元素按某種方式預先分到不同的類別中，然後進行聚類中心的調整，當中心穩定後結束聚類。

（2）ISODATA法

Ball和Hall（1965）提出了一種迭代自組織聚類方法（Iterative Self－organizing Data Analysis Techniques Algorithm，ISODATA）。該方法自主對地物類別進行「合並」 與「分裂」，從而得到較好的分類結果。