在保证分类结果清晰、准确的前提下，为了提高分类执行效率，本文基于图形处理器（graphicprocessing unit, GPU）及并行优化，提出一种基于归一化光谱向量的高光谱图像实时性非监督分类方法。利用高光谱图像的空间一致性有效提高分类精度，同时，利用归一化光谱向量简化了像元间相似性的计算公式，统一了图像内像元处理方式，并利用GPU 并行技术有效提高计算速度。首先，利用GPU 并行处理方法计算空间相邻像元间光谱向量相似性，根据高斯拟合取得安全阈值；然后利用光谱角作为像元光谱相似测度，将相似像元划为同质区；最后以同质区内各像元平均光谱向量表述同质区光谱特征，根据安全阈值合并相似的同质区完成分类。用AVIRIS 数据评估了该方法性能。本文的理论分析和实验结果显示，与现有非监督分类方法相比，该方法分类精度更高，同时，算法本身运行速度更快。

基于激光雷达测距方程与扫描仪的辐射机制，建立激光强度值的线性改正模型。考虑到各种噪声的影响及非线性效应，对参数进行修正，建立强度值的修正改正模型，去除激光测距值及激光入射角对强度值的影响，得到仅与目标反射特性相关的改正强度值。通过设置类别总数，初始阈值及阈值步长，利用改正后强度值，提出了一种点云自适应非监督分类的方法。实验结果表明：基于修正模型改正后强度值的点云自适应非监督分类方法可以精确地对点云进行分类，整体分类精度达到84%。

高光谱影像分类是识别影像信息的重要途径之一,研究其算法对地物识别、动态变化监测和专题信息提取等方面具有重要意义.非监督分类由于其具有无须先验知识的特点,被广泛应用于高光谱影像分类.结合谐波分析理论提出一种新的高光谱影像非监督分类算法,即谐波分析分类器(harmonic analysis classifier,HAC).首先,该算法统计第一谐波分量并绘制其直方图,根据波峰数目及位置确定初始地物类别和聚类中心像元.然后将待分类像元光谱的波形信息映射到谐波分解次数、振幅和相位的特征空间中,利用同类地物在特征空间中表现聚集性这一特征,根据最小距离原则对待分类像元进行归类.最后,计算聚类中心像元间的欧式距离,通过设置距离阈值完成类间合并,从而达到高光谱影像分类的目的.提取两种地物类别的光谱曲线,经谐波分析后得到谐波分解次数、振幅和相位量,并分析其在特征空间中的分布情况验证了HAC算法的正确性.同时将HAC算法应用到EO-1卫星的Hyperion高光谱影像得到其分类结果,通过对比K-MEANS,ISODATA和HAC算法的高光谱影像分类结果,证实HAC算法作为一种非监督分类方法在高光谱影像分类方面具有较好的应用性.

介绍了高光谱图像的数据特点,描述了非监督分类和监督分类算法,以及评价分类效果的方法。利用森林场景高光谱图像,对K值聚类算法、最小距离分类算法和光谱角度填图算法进行了实验验证,并对不同算法进行了评价。试验结果表明,监督分类,尤其是光谱角度填图方法的效果要明显好于非监督分类方法。

为了提高分类精度和边缘辨识性, 该文引入图像空间一致性降元(pixels reduction with spatial coherence property, PRSCP)及线性回归分析, 提出了一种基于空间一致性降元的非监督分类。 该方法从像元光谱相似性出发, 利用像元最小关联窗口合并相邻相似像元为像块完成降元。 使用线性关系建模像块内像元的光谱向量, 并利用F检验判断像块数据的线性显著性。 利用一元线性回归(one dimensional linear regression, ODLR)估计出像块的基准向量, 根据基准向量合并相似(同类)像块完成分类。 利用AVIRIS数据评估了该方法性能, 实验结果表明: 与K-MEANS和ISODATA方法相比, 该方法精度高、 边缘辨识度好及鲁棒性强。

多光谱遥感影像具有波段多、信息量大的特点,传统的分类方法难以达到提高精度的要求.利用主成分分析对多波段遥感图像进行降维,再采用竞争型自组织神经网络对图像进行非监督分类.这种方法的分类精度为87.5%,Kappa系数为0.86,明显高于最大似然法,最小距离法和基于像元的自组织竞争神经网络法.实验结果表明该方法在多光谱遥感影像分类中具有较好的适用性.