基于统计的高光谱图像分类技术研究的中期报告.docx

基于统计的高光谱图像分类技术研究的中期报告
中期报告
一、研究背景
高光谱图像是一种获取地面特征信息的重要手段。高光谱图像数据具有高维、大量样本、高相关性的数据特性，因此，如何有效地利用高光谱数据进行地物分类一直是遥感图像处理领域的重要研究方向。
高光谱图像分类常常采用基于统计的方法。这种方法的基本思想是，将高光谱图像中的每一个像元看做一个多元样本，利用样本的统计特征进行分类。随着机器学习和深度学习技术的发展，基于统计的方法在高光谱图像分类领域面临着新的挑战。
因此，本研究旨在深入研究基于统计的高光谱图像分类技术，并通过实验评估不同算法在高光谱图像分类中的性能，为高光谱图像的分类提供一些参考。
二、研究方法
本研究采用的方法是在高光谱图像中选择一组感兴趣的光谱波段，从中提取出一组特征，然后根据这组特征进行地物分类。具体步骤如下：
1.选择感兴趣的光谱波段。在高光谱图像中，不同波段的光谱反射率的变化规律不同，因此选择合适的波段对分类精度有着决定性的作用。本研究通过主成分分析法对高光谱图像进行降维，选择贡献率较高的主成分对应的波段作为感兴趣的光谱波段。
2.特征提取。在选择的感兴趣的光谱波段中，对每个像元进行统计特征提取，具体包括均值、标准差、最小值、最大值等。
3.分类器设计。本研究采用了几种典型的基于统计的分类算法，包括最小距离分类器、贝叶斯分类器和支持向量机。选择适当的分类器对提取出的统计特征进行分类，得到分类结果。
三、研究成果
目前，本研究已完成了对高光谱图像分类方法的初步调研和分析，并选择了适当的分类算法进行优化和实现。具体成果如下：
1.对高光谱图像分类中基于统计的方法进行了调研，并深入分析了几种经典的基于统计的分类算法，包括最小距离分类器、贝叶斯分类器和支持向量机。
2.通过主成分分析法指导下，选择了感兴趣的光谱波段，并基于这些波段提取了一组统计特征。
3.基于提取出的特征，实现了最小距离分类器、贝叶斯分类器和支持向量机三种分类算法，并在实验平台上进行了性能测试和比较。
四、存在的问题及后续工作
目前，本研究在实现过程中遇到了一些问题，主要包括：
1.选择主成分时可能存在过拟合问题，需要进一步优化降维算法。
2.在实现过程中，发现贝叶斯分类器的分类性能较其他两种分类算法要差，需要针对这个问题进行深入分析。
后续工作主要包括：
1.优化降维算法，提高选择感兴趣的光谱波段的准确性。
2.深入分析贝叶斯分类器分类性能差的原因，并进行相应优化。
3.进一步实现其他基于统计的分类算法，并根据实验结果对各算法的性能进行综合评估。
四、参考文献
1.He,Y.,&Wei,X.(2020).Asurveyofspectral–spatialclassificationforhyperspectralremotesensingimagery.PatternRecognition,105,107317.
2.Bhardwaj,J.,&Tiwari,N.(2020).Asurveyonthelatesttrendsinhyperspectralremotesensingimageclassification.EarthScienceInformatics,1-23.
3.Liao,H.,Li,X.,&Ma,X.(2019).Deeplearningforhyperspectralremotesensingdataclassification:Areview.RemoteSensing,11(13),1516.