基于高光谱图像的地物分类算法+源代码(2)
1.2 研究现状
1.3 本文内容及结构安排
在本文中，我们用空间光谱特征融合方法，即特征级融合。然而，这个类中大多数现有的方法都是基于矢量化表示，通过独立提取光谱和空间特征，这可能会失去它们之间的一些内在关系。提出了一个与以往不同的空间光谱信息组合方式，来保持空间以及光谱特征之间的联系。这是此次课题的研究方法，详细的推导将在文章的第三部分进行讲解。
本文结构安排如下：
第一部分是绪论，这一部分主要概述了课题的应用背景以及研究近况。
第二部分是高光谱图像分类基础，这一部分将介绍高光谱图像分类的过程。对一些常见的特征提取方法以及分类器进行讲解，以及阐述如何评价分类结果。
第三部分是对这次主要研究的算法进行详细讲解。
第四部分是实验，介绍了实验用的几个数据集，实验如何设置，并对实验结果进行分析。
第五部分是总结，总结一下对此次课题的优点以及还需要改进的地方。
2 高光谱图像分类基础
2.1 高光谱图像简述
高光谱图像可以用图像模型表示，是一个立方体数据，其中两个方向表示空间特征，另一个是光谱特征。这是一种容易理解并且比较直接的表现信息方式。这种表示方法可以展现出图中物体所在的位置。还有一种表示方式是光谱曲线模型，每个类别都有不同光谱特征。每个高光谱图像的像元能够得到一个连贯的光谱信息。利用光谱曲线可以判断出不同的类别。
高光谱图像并不能和普通相片一样带有颜色，所以要想直观的看到高光谱图像的样子需要使用伪彩色图像。伪彩色图像并不是真实的图像颜色，是根据数据的差别人为标记上的一些颜色。得到高光谱图像需要随机选取出三个光谱带，分别将其灰度化以后根据数据的差别将这三个矩阵分别作为RGB的分量。
一般在分类之前会进行图像校正。由于高光谱图像在拍摄时受自然界的一些影响，会产生几何变形，因为此次课题主要研究的是特征提取的方法，所以实验部分使用的数据集都是已经进行了几何校正。第二步要选取训练集，想要进行分类需要训练集对分类器进行训练，这些训练集都是带标签的。具体的图像标签由相关的专家确定，因此此次课题只需要选择训练集，不需要自己确定标签。第三步对数据特征提取，使其数据特征更加明显，在分类时才能达到更好的分类效果。在特征提取之后，将训练集放入分类器中得到模型。得到模型后的分类器预测未知样本，获得最后的分类结果。