摘要：光搖桿光譜圖像屬于是實(shí)現(xiàn)地物精確分類發(fā)展的一種重要技術(shù)，但是，其在發(fā)展過程中同樣面臨挑戰(zhàn)。高光譜遙感技術(shù)圖像分類之中面對的主要問題是如何才能夠更加行之有效的處理高的光譜維數(shù)以及小的樣本數(shù)?，F(xiàn)階段，主要技術(shù)方法是通過降維的方式解決此類問題。本研究則從新的角度出發(fā)，他就分類器集成的高光譜遙感圖像分類方法，希望能夠?qū)ξ磥碓擁?xiàng)技術(shù)研究提供借鑒和幫助。

關(guān)鍵詞：遙感；高光譜；分類器集成；波段分組

近些年以來，有關(guān)高光譜技術(shù)的研究成果取得了巨大進(jìn)步，并已經(jīng)在眾多領(lǐng)域之中被廣泛應(yīng)用。高光譜遙感屬于是對傳統(tǒng)光學(xué)成像技術(shù)以及細(xì)分光譜技術(shù)的一種重要結(jié)合。教育空間特征成像為基礎(chǔ)，針對目標(biāo)下的所有空間像元經(jīng)過色散形成眾多的窄波段，以便完成光譜覆蓋。

除此之外，Hughes現(xiàn)象表現(xiàn)出了高水平的光譜維數(shù)以及小樣本數(shù)之間的矛盾，這也是高光譜遙感問題之中的關(guān)鍵點(diǎn)。本研究則是針對此類問題開展的深度分析。

1.基分類器分析

1.1波段分組

特征子集所具有的差異性特點(diǎn)直接影響基分類器所具有的差異性。因此，就提出了波膽分組方式，以此可以完成構(gòu)造差異性特征子集。通過借助對相鄰波段形成的信息量完成分組。通過借助這種分類方式，則能夠讓所有的光譜確定波段形成全新的光譜組合，所有光譜組合這種均包括了分類基本光譜的詳細(xì)信息。

通過與普通光之間對比分析，所有波段類型的波段之間形成了較高水平的相似向。定義波段彼此之間的相關(guān)程度，能夠讓相鄰波段彼此具有較高的相似性，同時(shí)定義波段所具有的相關(guān)性程度促使使用相鄰波段所具有的平均灰度差異性，則不同數(shù)據(jù)之間的信息具有多種不同的參數(shù)，可以完成對相鄰波段之間的關(guān)聯(lián)程度的衡量與評價(jià)。

互信息是一種得到廣泛應(yīng)用的信號相關(guān)性度量，對變量的分布類型沒有特殊要求，不僅能述變量間的線性相關(guān)關(guān)系，也能描述變量間的非線性相關(guān)關(guān)系。對于高光譜遙感圖像，可以用各波段間的互信息來衡量它們之間的信息依賴程度，較大的互信息往往意味著較高的相關(guān)程度。

2.實(shí)驗(yàn)及結(jié)果

2.1實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)之中選取的數(shù)據(jù)屬于美國可見與紅外成像光譜設(shè)備被的高光譜遙感數(shù)據(jù)。當(dāng)前，已經(jīng)擁有大量的研究學(xué)者對高光譜圖像處理技術(shù)進(jìn)行研究，為了能夠有助于完成重復(fù)試驗(yàn)以及不同算法之間進(jìn)行比較，可以對光譜圖大小、原始波段、移除水吸收波段等進(jìn)行設(shè)置。圖像之中的空間分辨率可以達(dá)到20m。光譜分辨率則低于10nm。

在確定實(shí)驗(yàn)數(shù)據(jù)的過程中需要了解不同類別的樣本數(shù)是否小于波段數(shù)，一些文獻(xiàn)之中只對一部分類別進(jìn)行分析，通過對樣本之中隨機(jī)選取一小部分作為訓(xùn)練樣本，因此，剩下另外的一部分將代表的是測試樣本。

2.2實(shí)驗(yàn)步驟

需應(yīng)當(dāng)明確實(shí)驗(yàn)?zāi)康?。對本研究中算法分類性能加以?yàn)證。此外，結(jié)合本研究算法與當(dāng)前階段文獻(xiàn)提出的算法加以對比分析。通過對比，計(jì)算ML分類算法在整個(gè)波段范圍的分類精度，并通過再計(jì)算的方式，在不同波段子集之中確定最優(yōu)分類精度。

由于分類精度檢驗(yàn)屬于是這項(xiàng)技術(shù)之中的重要內(nèi)容，精度檢驗(yàn)可以提升對分類器方面的評價(jià)水平，同時(shí)也能夠針對分類結(jié)果等完成最終評價(jià)。事實(shí)上，針對分類精度采取的精度分析屬于非常困難的事情。當(dāng)前采用的主要方法是：

建立大小是KxK的混淆矩陣。其中ai-j代表的是分類結(jié)果之中的第j組數(shù)據(jù)被分類在第i類數(shù)據(jù)點(diǎn)數(shù)目，隨后，通過借助矩陣可以完成對總體分類精度方面的測算。

實(shí)驗(yàn)基本步驟：第一，采取遙感圖像的有效預(yù)處理。剔除掉吸收波段以及噪聲波段；第二，對波段采取有效分組， 明確訓(xùn)練基分類器之中全部特征子集；第三，對所有特征子集采取ML分類器訓(xùn)練，并獲取基分類器；第四，計(jì)算機(jī)分類器之中形成的精度與基類彼此之間具有相關(guān)性，確保只能夠保留兩組負(fù)相關(guān)的基分類器，排除剩余基分類器。第五，首先選取基分類器，并通過家住多數(shù)投票方法完成合成，最終可以獲得集成分類器以及分類結(jié)果。第六，采取分類精度研究與測算。

2.3實(shí)驗(yàn)結(jié)果分析

將本研究中的方法應(yīng)用在高光譜遙感圖像之中，可以獲取較好的分類結(jié)果，同時(shí)并未能夠集成的ML將與之進(jìn)行對比。通過本文算法可以證明集成方法能夠極大水平上提升分類精度以及分類效果。同時(shí)，結(jié)合本研究算法以及當(dāng)前階段，不同形式的高級以及復(fù)雜結(jié)構(gòu)的分類算法之間進(jìn)行比較，確定分類精度以及Kappa系數(shù)情況。

研究方法盡管能夠很好解決問題，但是仍有不足，受到算法復(fù)雜特征影響，K值 以及波段分組等的確定都需要考慮高光譜遙感圖像的數(shù)據(jù)量分析才能夠最終完成。

結(jié)束語：綜上所述，通過采集集成方法有效調(diào)節(jié)高光譜遙感圖像之中的分類問題，并解決維數(shù)以及小樣本數(shù)彼此的問題，結(jié)合波段具有相似性的忒單，形成特征子集，并在特征子集中訓(xùn)練ML分類器。最后，則通過借助簡化的多數(shù)投票法完成合成，最終將能夠得到分類結(jié)果。實(shí)際結(jié)果顯示出，集成方法能夠被很好的應(yīng)用到高光譜遙感圖像分類方法之中，這樣就能夠有效化解小樣本數(shù)之中的缺陷問題。

參考文獻(xiàn)

[1]趙理君，唐娉.典型遙感數(shù)據(jù)分類方法的適用性分析——以遙感圖像場景分類為例[J].遙感學(xué)報(bào)，2016，（02）：157-171.

[2]樊利恒，呂俊偉，鄧江生.基于分類器集成的高光譜遙感圖像分類方法[J].光學(xué)學(xué)報(bào)，2014，（09）：99-109.

[3]董杰，沈國杰.一種基于模糊關(guān)聯(lián)分類的遙感圖像分類方法[J].計(jì)算機(jī)研究與發(fā)展，2012，（07）：1500-1506.

[4]白穆，劉慧平，喬瑜，王曉東.高分辨率遙感圖像分類方法在LUCC中的研究進(jìn)展[J].國土資源遙感，2010，（01）：19-23.

作者簡介：張琪曼，出生年月1991年8月4日，民族：漢族，籍貫：甘肅慶陽，學(xué)歷：本科，職稱：助教，畢業(yè)院校：西安科技大學(xué)測繪科學(xué)與技術(shù)學(xué)院，畢業(yè)專業(yè)：測繪工程，研究方向：測繪與地理信息，工作單位：蘭州資源環(huán)境職業(yè)技術(shù)學(xué)院。