基于图像融合的高光谱遥感图像分类研究的中期报告.docx

基于图像融合的高光谱遥感图像分类研究的中期报告
本研究旨在探讨基于图像融合的高光谱遥感图像分类方法，提高高光谱数据分类精度。本次中期报告主要介绍了研究的进展和未来计划。
一、研究进展
1.数据预处理
本次研究所用的高光谱遥感影像数据是通过空间分辨率为10m的先进高光谱传感器获取的，该数据包含224个地物类别，每个地物类别包括242个波段信息。由于样本数据过于庞大，为了缩短计算时间和减小噪声干扰，本研究采用主成分分析(PCA)方法，将原始的224个波段信息转换为了20个主成分分量。并利用直方图均衡化方法进行了图像增强处理，提高了图像的对比度和鲁棒性。
2.图像融合
为了获得更丰富的信息，提高分类精度，本研究利用多分辨率分析(MRA)的方法对高光谱图像和全色图像进行融合。首先对高光谱图像进行小波变换，将图像分解成多个频域，然后将全色图像的信息融合到高光谱图像的低频域中，最后将融合后的图像通过小波反变换得到融合图像。
3.分类方法
本研究采用了基于支持向量机(SVM)的分类方法来处理分类问题。首先将数据集分为训练集和测试集，然后利用训练集训练SVM分类器，最后用测试集验证分类器的精度。在分类器训练过程中，采用了交叉验证的方法来提高分类器的鲁棒性和稳定性，同时采用了优化超参数的方法来优化模型的分类性能。
二、未来计划
1.改进图像融合方法
当前采用的图像融合方法虽然可以提高分类精度，但是对图像的细节信息的保留较差，会导致一些地物类别不能很好地分辨。因此，将尝试采用更有效的图像融合算法，如基于深度学习的图像融合方法，来提高分类精度。
2.优化分类算法
当前采用的支持向量机算法可以有效地处理高光谱图像分类问题，但也存在不足之处，如对于噪声数据的处理不够稳健，会导致模型分类精度的下降。因此，将尝试引入深度学习算法，如卷积神经网络(CNN)，来处理分类问题，提高分类精度和鲁棒性。
3.实验验证
将对当前研究的方法进行实验验证，包括与其他相关方法的比较，讨论分类结果的差异和原因，并对研究方法的优点和不足进行评估和分析，以进一步提高分类精度和鲁棒性。