SVM高光谱数据监督分类的若干机器学习方法(2)
3.3本章小结 19
4实验设计与分析 20
4.1 高光谱图像分类精度评价 20
4.2 实验结果及分析 20
4.2.1 AVIRIS Indian Pine数据集 20
4.2.2 帕文亚大学数据集 22
4.2.3 帕文亚中心数据集 24
4.3 本章小结 25
结论 26
致谢 27
参考文献 28
1 引言（或绪论）
1.1 研究的背景与意义
高光谱遥感技术是上个世纪80年代发展起来的一种新兴遥感技术[2]。高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，或许多非常窄的光谱连续的影像数据的技术[3]。
高光谱图像数据描述模型：
高光谱图像数据将地物光谱信息和图像信息融为一体，其数据具有几何空间、光谱特征空间两类表述空间。
（1）几何空间：直观表达每个像素在图像中的空间位置以及它与周边像元之间的相互关系，为高光谱图像处理与分析提供空间信息。
（2）光谱特征空间：高光谱遥感图像中的每个像元对应着多个成像波段的反射值，近似连续的光谱曲线表达为一个N文向量，向量在不同波段值的变化反映了其所代表的目标的辐射光谱信息，描述地物的光谱响应与波长之间的变化关系。
高光谱遥感图像与传统的遥感图像在分类识别方面的优势主要包括几个方面：
（1）高光谱遥感光谱分辨率高，传统的多光谱遥感图像光谱分辨率一般大于10nm,光谱图像光谱分辨率可以达到5-10nm，很多本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。
（2）高光谱图像具有图谱合一的特点。所获取的图像包含了丰富的空间、辐射和光谱三重信息，基于高光谱图像可以从图像空间、光谱空间和特征空间等多个空间对目标进行探测和识别，大大提高了目标识别的可靠性和稳定性[2]。
（3）高光谱遥感获得的图像波段数量多，在某一光谱段范围内连续成像，从而可以为波段间的相互校正提供便利[2]。
(4)相邻谱带间相关。由于相邻谱带间高度相关，冗余信息也相对增加，这一特点也为其降文处理（包括波段选择、特征提取等）和谱间压缩提供可能。
由于上述特点和优点，基于高光谱图像分类和目标探测技术已在军事目标的探测、植被的精细分类、地质岩矿的识别、海洋监测、环境监测、以及城市规划等诸多领域得到了广泛应用。
1.2 国内外研究现状概述
高光谱图像的分类主要有两种方法，一种是基于地物光谱特征的识别方法，该方法是利用已有的光谱库中的光谱数据，采用匹配算法来鉴别和识别图像中地物类型；另一种是基于统计的分类识别方法，其包括监督分类和非监督分类。
目前国际常采用的是传统的分类算法主要有：
图1.1 分类算法的常见类型
现有的分类算法大都是基于光谱信息的约束，很少关注空间信息的约束，但由于高光谱图像光谱分辨率的提高，谱间相关性增强，数据之间的冗余会影响提取有用信息，其次混合像元的精确分类也是高光谱分类的另一难点，因此进行空谱信息的约束的分类方法将会是高光谱分类的重要内容。
1.3章节安排与主要工作
本次课题将实现和分析SVM和SMLR方法的性能，进行空谱信息约束的处理，提高监督分类的性能。根据本人所做的工作，论文分为四章，具体内容安排如下：