高光谱遥感数据特征挖掘技术现状与趋势

"高光谱遥感数据特征挖掘技术研究进展" 高光谱遥感数据是遥感技术领域的重要组成部分，它提供了丰富的光谱信息，能够对地物进行精细的识别和分类。这篇研究论文深入探讨了高光谱遥感数据在目标检测、识别与分类中的特征挖掘技术的最新进展。 首先，文章将高光谱遥感图像中的特征挖掘问题根据目标的空间尺度与传感器的空间分辨率的关系，划分为三个层次：多像元、单像元和亚像元。多像元层次关注的是多个像素联合的信息；单像元层次主要处理单个像素内的光谱信息；亚像元层次则涉及到了像素内部的复杂混合物信息，如不同物质在同一像素内的混合情况。 接着，论文归纳了高光谱遥感图像的特征挖掘方法，主要分为三类：特征选择、特征提取和特征混合。特征选择注重保留具有物理意义的波段，减少冗余信息，提高分类精度。特征提取旨在通过数学和统计方法，如主成分分析(PCA)、独立成分分析(ICA)等，综合所有观测数据，挖掘潜在的有用信息。特征混合则是针对亚像元级别的多目标混合，通过分析混合光谱来推断不同物质的存在。 在光谱曲线与光谱特征部分，论文强调了光谱的独特性，它是区分不同地物的关键。光谱特征包括峰、谷、斜率等，它们与地物的物理和化学性质密切相关。特征提取部分则介绍了各种方法，如光谱角制图(SAM)、内嵌维数缩减(EVD)等，这些方法旨在提取出最具代表性的光谱特征。 特征选择部分，论文讨论了基于统计学、信息理论和机器学习的多种方法，如卡方检验、互信息、遗传算法等，这些方法用于挑选出最有助于分类的光谱波段。特征混合分析则关注如何处理亚像元级别的混合效应，通过建模和解混技术，如混合光谱分解模型，来揭示隐藏在像素中的地物信息。 论文还对未来的发展趋势进行了展望，包括深度学习在高光谱图像处理中的应用，以及高光谱遥感数据与其他数据源（如多模态遥感数据、地形数据等）的融合，这将进一步提升特征挖掘的效率和准确性。 关键词：高光谱图像处理，特征挖掘，特征选择，特征提取，特征混合，遥感技术 中图分类号：V416.3 文献标志码：A 文章编号：1009-8518（2013）01-0001-12 DOI:10.3969/j.issn.1009-8518.2013.01.001 这篇研究论文全面地概述了高光谱遥感数据特征挖掘的最新研究，为理解和改进高光谱图像处理提供了重要的理论基础和技术参考。