区域B：通过目视解译，可以分辫出这个区域 是由田埂分开的一块又一块的稻田，这些稻田
中全是海水ห้องสมุดไป่ตู้原始图像分类时却忽略了这些由
植被覆盖的田埂，将其全部分成了海水。甚至 将右上角处的海水类分成了植被类。
区域C：可以看到原始图中有很多被错分的像 点，如山脉中的部分植被和建筑被类分成了海 水类。而K-L变换图像中几乎没有被错分的像 点；
选择训练样本
高光谱遥感图像拍摄的照片在多种物质的交界处往往 很杂乱，各种物质交错排列，他们在各个波段的亮度 值也相互影响，在遥感图像中很难用肉眼很难分辨。 所以最好的办法是在该类物质比较集中的区域进行选 择。
样本要具有代表性就是样本的亮度要反映该类地物的 亮度特征,当同一地物区域分布不连续时，我们要尽量 使样本来自不同的区域。
的样也越多，这是很难实现的。 (3)对高维空间数据，Byes准则所要求的协方差矩阵将
难以得到。
特征提取+MLC
特征是指研究对象所表现出来的各种属性和特点。 高光谱遥感图像研究中的特征提取重点在于光谱 维特征的提取，即通过映射和变换的方法，把原 始模式空间的高维数据变成特征空间的低维数据。 然后对特征更集中的低维数据进行处理。
第七章 高光谱遥感图像分类
难点：
难点1：高光谱图像的光谱分辨率的提高是以其携 带的数据量显著增加为代价的，并且数据之间存 在很大的冗余，如何从大量带有冗余的数据中提 取有用信息，是高光谱而遥感图像研究的一个具 有极大挑战性的问题。
难点2：由于空间分辨率的限制，使得一个像元中 可能包含不止一种地物类型（混合像元），如何 对这种混合像元精确的分类是高光谱研究的另一 个重要课题。
_
_
r
(R R )(R R )
_
_
[ (R R )2 ][ (R R )2 ]
二进制编码方法
如何面对高光谱数据的海量以及高维特点,将 高光谱图像的各种特征相结合,研究快速、高 效的目标识别与分类算法是目前和未来一段时 间内高光谱图像处理研究的一个热点。
1、降维+传统分类
遥感图像分类的主要基础是地物的光谱特征。 然而，高光谱的多波段影像的原始亮度值并不 能很好地表达类别特征，因此需要对数字图像 进行运算处理（如比值处理、差值处理、主成 分变换以及K－T变换等），以寻找能有效描述 地物类别特征的模式变量，然后利用这些特征 变量对数字图像进行分类。
如：在对海水取样时，既要选择来来自右上角的深水 区的样本，又要选择来自河道以及水田中的浅水区的 样本。从亮度特征角度而言,对于同一类地物具有不同 亮度特征情况,都要选取(同物异谱)。
分类结果比较图
原始图像的最大似然法分类结果
K-L图像的最大似然法分类结果
区域A：在浅水区，K-L分类图像中出现了原 始分类图像中没有的像点。这些像点是水中的 暗礁和草,RGB图像上用肉眼无法识别到这些 细节。
思路：
高光谱遥感图像分类可以分为两种思路：一种 是基于图像数据的分类方法，主要利用数据的 统计信息来建立分类模型；另一种是基于地物 物理性质的分类方法，主要反映地物的光学性 质的光谱曲线来进行识别。
传统方法
常用的传统方法－－监督分类算法：二进制编 码法、光谱角填图法、平行六面体方法、最小 距离法、最大似然法、神经网络分类法、决策 树分类法、基于专家系统的分类法等；无监督 的分类算法： IsoData方法、K-Means方法等。
分类步骤：
（1）参考光谱库的建立：以图像中已知类型的区域 为参考光谱，将区域中光谱的几何平均向量作为 类中心。
（2）计算未知像元与各类中心的夹角。 （3）通过多次实验分别对不同的类别设置不同的阈
值(若设置的闭值大于计算得出的光谱角度，则不 对该像元进行分类)。 （4）将给未知像元分类到夹角最小的类别中去。
SMLC方法
Jia和Richards（1994）根据波段间的相关性， 将高光谱数据分成几个组，由不同的组构成每 个类别的协方差矩阵，再从每个波段组计算出 判别函数值，最后求所有波段组产生的函数值 的和，对每个像元进行分类，即简化最大似然 分类法。
2、光谱匹配分类法
基于相关/匹配滤波器的分类方法是充分利用 高光谱图像的高分辨率的光谱维优势，将待分 未知像元的光谱与参考光谱按照一定的规则进 行比较，以确定未知像元类别的方法。比较有 效的是光谱角填图，相关系数法以及二值编码 分类。
光谱角（SAM）分类
光谱角度匹配是比较待识别地物向量与已知地物向量 的广义夹角，来确定每类地物的归属。广义夹角定义 如下：
cos( ) X Y
XY
由于光谱角度匹配只利用了角度这一唯一的参数，只 有当待识别像元的类内方差较小，类间方差较大，且 矢量的模中的信息对分类影响不大时，才能得到较高 的分类精度。
原始高光谱图像
MLC分类
最大似然法因有严密的理论基础，对于呈正态分布的 类别判别函数易于建立综合应用了每个类别在各波段 中的均值，方差以及各波段之间的协方差，有较好的 统计特性，一直被认为是最先进的分类方法。
高光谱影像利用MLC分类的缺点： (1)多维的遥感数据可能不具备正态分布的特征。 (2)要准确估计参数需要大量的样本，当维数越高，需要
结合mnf变换
为有效降低原始图像波段间的相关性，将原始 图像进行MNF变换后，然后转换到原来的空间， 再利用SAM方法采用与上面实验同样的阈值进 行分类，分类精度会有所提高。
原因在于：MNF反变换后消除了图像中的噪声， 使得某些孤立的像元点得到了较好的分类。
相关光谱匹配（SCM）
SCM也称为光谱相似度匹配或光谱相关系数， 与SAM原理类似，用光谱间相关系数(r)来衡量 整个测量的波长范围内光谱的相似程度，是一 种模糊数学的分类方法，可定义为:
基于变换的降维方法，如主成分分析PCA（K-L变 换），最小噪声分离变换MNF，小波变换等，经 过若干变换直接将高维数据降低到几维，降维速 度快。
分类比较
从图的每个类别中各选取300个训样本（所有 样本点在这两幅图像中对应相同的空间。原始 图像选择所有波段,K-L图像选择前3个波段,用 最大似然法分类。