针对传统的高光谱遥感图像分类方法未能充分利用空间信息,提出一种基于高光谱图像重构特征融合的分类方法。该方法首先将图像的每个像素点进行LBP(Local Binary Patterns)特征提取,得到每个像素点的LBP特征值;其次提取出每个像素点的空间邻域块,按照图像已知的标签信息去除每个空间邻域块中冗余的背景像素点,得到新的空间邻域块,利用光谱距离得到每个像素点的权重值并计算重构特征值;然后,将像素点的LBP特征值和重构特征值进行叠加融合,获得重构特征融合值;最后,采用K最近邻分类器将像素点进行分类,根据测试样本点和训练样本点的欧氏距离判断测试样本点的类别。在Indian Pines和Pavia University数据集上进行实验。实验结果表明,所提方法的分类精度分别达到99.06%和99.73%。

针对聚类算法在应用中分割速度慢、抑制噪声能力弱等问题, 本文提出一种基于核模糊C-均值(Kernel Fuzzy C-means, KFCM)和融合期望最大化(EM)算法混合聚类的遥感图像分割。首先给原始KFCM算法引入隐含变量来对像素预定义类别, 然后利用EM算法评价预定义的类别是否最优, 以此完成对遥感图像的聚类分割。在利用EM算法进行评价时, 对KFCM引入空间邻域信息, 采用惯性权重对其初始化参数进行优化增强算法效率。与传统的聚类分割方法进行比较, 研究结果表明, 该方法速度快、效果好、精度也能满足应用要求, 具有较高的应用价值。

高光谱遥感提供的精细光谱信息给水色遥感参数反演提供了广阔的前景,然而光谱分辨率高但空间分辨率较低的特点,使得目前的高光谱水色 遥感反演模型和算法普遍缺乏对空间信息的有效利用,模型的精度和稳定性往往难以保证。以巢湖为研究区,利用HJ-1A卫星HSI高光谱遥感 数据,结合地面实测样点数据,在深入分析叶绿素光谱特性基础上构建基于空间八邻域与遗传算法的水体叶绿素a高光谱遥感反演模型, 并以matlab7.0为平台,联合光谱指数与遗传算法求解叶绿素a浓度反演模型参数,经空间邻域分析与遗传迭代,求出叶绿素浓度最优解。 结果表明,遗传算法摒弃了传统的搜索方式,以光谱信息为基础,在邻近空间域上采用模拟进化方式对水色空间进行随机优化搜索, 跳出了局部极值点,能够有效提高模型反演的精度。