高光谱遥感影像分类方法综述

高光谱遥感影像分类方法综述 高光谱遥感影像分类是遥感技术中的一种重要应用，旨在对高光谱遥感影像进行分类，以提取地表信息。该方法的理论基础是“同谱同物”，即同种地物具有相似的光谱特征及空间特征。在高光谱影像分类中，每个像元可以看成是N个特征组成的N维空间中的一个点，同类地物的像元形成N维空间中的一个点群，不同地物会在N维空间中形成若干个点群，计算机分类就是根据这些点群的位置、分布规律等，确定点群的界限，从而完成分类任务。 高光谱遥感影像分类的主要策略有监督分类和非监督分类两种。监督分类是利用已知的先验训练样本，依据判定函数或判别规则，确定未知样本的类别。非监督分类则不需要已知的训练样本，而是根据像元之间的相似性和差异性，自动聚类和分类。 在高光谱遥感影像分类中，还有多种分类方法，包括： 1. 最小距离分类法：根据像元之间的距离，确定像元的类别。 2. 最大似然分类法：根据最大似然原理，确定像元的类别。 3. 平行多面体分类法：根据像元之间的相似性和差异性，确定像元的类别。 4. 基于光谱相似性度量的分类方法：根据像元之间的光谱相似性，确定像元的类别。 5. 人工神经网络分类法：使用人工神经网络模型来分类高光谱遥感影像。 6. 支持向量机分类：使用支持向量机模型来分类高光谱遥感影像。 7. 决策树分类：使用决策树模型来分类高光谱遥感影像。 8. 面向对象分类：根据高光谱遥感影像中的像元对象特征，确定像元的类别。 9. 非监督分类：根据像元之间的相似性和差异性，自动聚类和分类。 高光谱遥感影像分类的应用非常广泛，包括地表分类、目标探测、资源监测等领域。在国民经济、国防建设等方面，高光谱遥感影像分类也发挥着重要的作用。 高光谱遥感影像分类是一种复杂的技术，涉及到计算机视觉、机器学习、地理信息系统等多个领域。只有通过深入了解高光谱遥感影像分类的理论基础和方法，才能更好地应用高光谱遥感技术，提高其应用效率和准确性。