面对日益丰富的机载、 星载高光谱传感器， 及其相伴增多的高光谱数据， 产生的数据量过大、 波段冗余等问题一直是高光谱图像处理、 解译的重难点。 同时， 利用高光谱遥感技术揭露伪装目标， 也一直是现代遥感应用技术研究要点。 在探测得到海量的地物光谱数据、 具有冗余的光谱信息， 设计恰当的数据降维技术具有至关重要的作用。 降维处理的主要方法中的波段选择方法， 其不但可以使图像数据的光谱信息在不失真的条件下实现数据降维， 还能在其基础上对伪装目标及其背景实现精确区分， 是当今利用高光谱技术进行**应用的重要技术手段， 同时也是国内外众多学者的研究热点。 利用各类指标计算波段间的不同表现， 并依据其参数选取代表性强的波段用于地物识别或分类来检验方法的优劣是目前比较常用的研究方式， 但是面向特殊地物， 如植被伪装目标的特定波段选择方法方面的实验研究现仍较少。 研究选取绿色钢板、 绿色伪装网、 绿色假草皮， 置于含有绿色健康植被、 湿润裸地、 干燥裸地的背景环境中， 通过模拟真实环境中的伪装目标和背景地物进行波段选择及分类实验验证。 首先通过分析光谱曲线， 选取显著特征波段; 其次结合根据波段间相关系数划分的子空间进行波段筛选; 然后依据地物目标的图像亮度建立视觉模型， 最终得到具有相对独立性和最佳可识别度的波段选择集合。 并在支持向量机分类器和马氏距离分类器中同两种常用算法选择波段结果与全波段组合进行分类实验对比， 实验发现所提出方法的波段选择结果相对于常用算法和全波段组合， 分类精度和速度均有所提高。 其中， 相较于应用全波段进行分类， 在两类分类器的分类结果， 总体分类精度分别提高4.559 2%和2.364 8%， Kappa系数分别提高0.059 4和0.031 2， 分类时间减少6.83 s。 实验证明该方法能有效在植被伪装目标和背景地物之间做出高效分类， 具有较大实际应用价值。

针对使用传统方法和神经网络对飞机目标分类时遇到的准确率低、分类种类少等问题,研究了深度卷积神经网络(DCNN)在飞机目标分类中的可行性。为了匹配模型容量、避免过拟合、提高分类性能等,设计了9层DCNN模型,并使用随机梯度下降优化器进行优化。在数据集中选用6类具有代表性的飞机类型进行实验,提出两种正则化级联方式以防止过拟合并加快模型收敛,最终实现了99.1%的飞机分类准确率,由此说明该DCNN模型在飞机目标分类中的有效性。通过归一化混淆矩阵分析分类结果,给出了每类飞机自分类的准确率。此外,设计了一组对比实验,用经典的AlexNet在同一数据集上进行测试,结果表明,所设计的DCNN的准确率高于AlexNet分类算法95.5%。该模型有效地解决了飞机目标分类精度低的问题,在**和民航飞机目标的分类研究中具有一定的参考价值和应用前景。

为了实现在遥感图像处理过程中准确地提取到有效地物信息,缩短分类用时,将卷积神经网络(CNN)模型引入遥感图像地物分类,首先提出由图片模糊加权平均(PFWG)改进的CNN分类方法,利用模糊几何聚类算法作为预处理单元对实验样本进行特征规划,并对遥感地物信息进行多源特征决策,简化了分类过程,加快了CNN模型的收敛速度。实验结果表明,利用PFWG改进的CNN分类方法总体分类精度达到了93.73%;Kappa系数为0.94。该方法有效地弥补了CNN自身对遥感图像分类不够细腻、表达效果差的缺点,较好地完成了多光谱遥感图像分类任务,同时具备一定抗干扰能力。

利用液晶可调谐滤波器(LCTF)和CMOS相机组合的多光谱成像系统,在波长400~720 nm内以5 nm为间隔对莲花白叶片进行多光谱成像。首先根据图像亮度信息法的原理,计算得到各波段莲花白叶片的可识别度;然后对莲花白叶片的可识别度进行大小排序,综合图像的信息特征和可识别度,得出555 nm、715 nm、710 nm、575 nm、535 nm、520nm、720 nm、605 nm和650 nm 9个波段有较好的识别度;最后根据欧氏距离法和光谱角度匹配法分别对莲花白叶片的特征波段的分类精度予以统计,得到两种方法的分类精度分别为95.56%和93.13%。实验证明,选取的9个波段对莲花白叶片具有较好的分类精度,可作为莲花白叶片的特征波段。

最大似然(ML)分类方法是一种典型的基于统计分析的监督分类方法, 从理论上讲,具有最小出错率与最高分类精度的特点。但最大似然分类方法是以数据的正态分布假设为前提的, 这在真实遥感数据中很难满足, 从而导致分类精度下降。根据数据分布可以以任意精度由多个正态分布的线性组合表示, 对最大似然分布的数据分布进行修正, 既提高了数据模型的正确性, 又充分利用正态分布的优点。最大似然分类方法的训练样本挑选也具有一定的随意性和主观性, 先验概率直接影响分类结果, 而且对整幅图像采用同样的先验概率会导致分类精度下降。针对训练样本的选择问题, 先用ISODATA聚类算法对数据进行聚类, 对比参考分类图像选择训练区域, 一方面利用聚类结果可以选择性质均匀的区域, 另一方面使得样本的选择变得简单, 最后进行了遥感数据的分类实验。实验结果证明了该方法不仅可以实现遥感数据的分类, 而且具有较高的总体分类精度和Kappa系数。

在400~720 nm波段范围，基于液晶可调谐滤波器(LCTF)和CMOS相机组合的多光谱成像系统，以四季豆叶片为研究对象每隔5 nm进行成像。根据图像亮度信息法和波段指数法的相关原理，首先分别计算得到各波段四季豆叶片的波段指数值和可识别度；然后对四季豆叶片的波段指数值和可识别度进行排序，综合图像的灰度离散、亮度信息丰富和波段的相关性小等特点，得出545、630、645、720、650和570 nm波段有较大的波段指数值和较好的识别度；最后根据最小欧氏距离法和光谱角度匹配法分别对四季豆叶片的特征波段的分类精度予以计算，两种方法的分类精度分别为100.00%和83.33%，得出选取的特征波段对四季豆叶片具有较好的分类精度。因此，545、630、645、720、650 和570 nm波段可作为四季豆叶片的特征波段。

在遥感数据处理研究中，高维高光谱数据的冗余信息和噪声严重影响高光谱数据的分类精度，针对此问题提出基于互信息波段选择和经验模态分解的高精度高光谱数据分类算法(MI-EMD-SVM)。分别采用基于互信息波段选择方法和经验模态分解实现对高光谱数据的冗余信息处理和特征提取，并获得处理后的高光谱数据X″。采用支持向量机分类算法对处理后的高光谱数据X″进行分类实验。仿真实验结果证实MI-EMD-SVM算法不仅提高高光谱数据分类精度，同时还减少支持向量数目，提高高光谱数据分类速度。