4.2  仿真数据实验结果 28

4.3  总结 43

结  论 45

致  谢 46

参考文献 47

1  绪论

1.1 研究背景和意义

伴随着越来越先进的图像采集技术和计算机技术，遥感(Remote Sensing)图像[1]的应用价值也越来越大。目前遥感技术已经被积极的应用到诸如地理、天气预报、矿物勘测、军事侦察、医学分析等多个领域。遥感技术是借助先进的光学装置通过采集研究客体的现象、区域或光学表现获取数据从而间接地研究关注的客体。在遥感技术里最关键的技术是成像光谱技术，成像光谱技术[1]主要是利用成像光谱仪采集光谱数据，而目前这方面最有研究意义的莫过于高光谱图像了。

高光谱图像(Hyper Spectral Image)[1]是利用成像光谱仪把细分光谱和成像两个技术合起来进行采集的。它集成了物体很多的电磁波波段信息来记录物体特征的图像，高光谱是在特殊设备下(如推扫高光谱成像仪PHI)将物体的反射的光线分成更多更细的波段[2]，对每个波段进行测量，从而用高维度的方式来记录物体的波段信息，例如每个图像的像素点甚至可以提供几十个、几百甚至上千个光波段的信息。

同传统的多光谱图像相比，带有多维度信息的高光谱图像显然可以包含物体更多的客观信息。同时可以根据实际的需要，选择性的提取物体特定的波段，从而突出其特征。因为高光谱分辨率高[5]，波段数多，图谱合一等数据量大的特点，这就决定的高光谱图像技术在分类识别领域具有天然的优势，高光谱图像分类技术也因此得到了迅猛的发展。

高光谱图像分类技术[3]在环境制图，作物分析，植物品种的分类和矿物的勘查，以及生物，医学和化学等等众多领域起到很重要的作用。目前世界上各国都在加强对高光谱图像技术和其在各领域如何应用的研究。比如很多科技发达的国家，在对月球、火星等星球的考察中，就利用了高光谱传感器来收集岩石、土地的矿物的光谱信息，从而来获知星球的地况。在军事上，星载高光谱成像技术和机载高光谱[5]对地观测技术是世界各国军事实力竞争的关键之一。

高光谱图像分类也是一个很具有挑战性的新型研究领域，因为其过高的光谱维数和光谱分辨率在带来详细信息的同时，也伴随着庞大的数据量对高光谱图像分类的算法、数据的处理、存储等带来的巨大阻碍，而且信息过的又是也是一种冗余[6]。目前为止都没有一个非常通用万能的分类理论，而且分类效果参差不齐。高光谱图像的分类方法还有需要更多的探索和发展。

而随着人工神经网络Artificial Neural Network[10]和支持向量机SVM[11]等在内的各种机器学习技术的飞速发展，利用计算机强大的计算能力，这些技术很好的契合了高光谱图像数据量大的特点，在很多高光谱图像分类中取得了很好的分类效果。近些年来，极限学习机算法越来越受到机器学习研究人员的关注，因为已经取得很广的应用的支持向量机和传统前馈神经网络存在的一些问题和不足，例如，BP算法[6]通常会选用梯度下降来进行机器学习，而这种方案速度超慢；又比如支持向量机是基于求解二次规划的，导致速度很慢。而由黄广斌教授提出来的极限学习机[10]，是一种新的前馈神经网络学习算法[26]，它具有上述方法不具有的很多优点，运行速度很快，越来越受到研究者的关注。

综上，利用改进的极限学习机算法提高高光谱图像的分类精度和效率，降低高光谱图像分类对计算性能的消耗。拥有对硬件计算性能要求更低，效率速度和精度都很优良的高光谱分类方法是非常有使用价值的。所以希望通过本次实验可以结合神经网络极限学习机的算法，来改进传统的高光谱图像的分类算法[12]，实现性能更好实用性更佳的算法。