5.2 差分形态学剖面（DMP）  9
6  具体实验步骤 11
6.1 数据描述   11
6.2 参数设置 … 11
6.3 实验过程 … 11
7  实验结果分析 17
7.1 特征分类正确率  17
7.2 与其他分类方法的比较 … 18
结论 … 19
致谢 … 20
参考文献21
1  引言
高光谱图像分类是遥感图像领域一个重要的活跃的研究领域，它可以在诸如生态、地理、水利、农业和军事等多方面得到广泛应用，其能够完整地在空间和光谱上反映这些地方的地形地貌等特征。遥感技术的发展，给了我们从外层观测地球地形地貌，探索宇宙发展历程的一个机会，对于高光谱数据集的处理方式，也使得这种机会有了更好的研究工具。随着与高光谱遥感相关的硬件和软件技术都在不断发展，这也成为了今后遥感领域的主要技术方法和发展方向。
高光谱数据集通常可以表示为很多幅图片的重合，即高文图像，在对高光谱数据集进行处理时，我们需要对高文数据集进行降文，从而才能对高光谱数据集所表示的信息进行特征提取，否则工作量将非常大。对高光谱数据集信息特征的提取可以使得我们用更小的数据来表示高光谱数据集，通过这些更小规模所代表的数据特征，我们可以总结分类出原数据集的特点，这样通过训练产生的分类器可以有广阔的应用。
一个通常的关于高光谱数据集的分类方法通常包含以下步骤：特征地图，特征文数的减少和分类。在特征提取方面，早起的方法工作通常是利用光谱特征的提取来表示每一个单独的像素点。然而，更进一步的工作阐述了将空间和光谱信息结合起来可以在使得后面的分类效果更好。例如，M.Pesaresi博士提出了形态学剖面的方法，这是一种合适的对于构建分类器模型体系信息的方法。但是与此同时，形态学剖面的主要局限性在于它除了表现物体的尺寸之外不能够充足的将其他地理信息模型化。为了克服这一缺点，Mura博士提出了在形态学剖面的基础上进行改进的设想，这些方法广泛应用到关于高光谱数据集表示的信息结构的研究中。在特征文数降低方面，也有很多方法被领来提取原数据集中有意义的信息，这些方法包括PCA算法以及KPCA算法等。而在分类方面，自由树、贝叶斯分类器以及传统自由分类方法等都曾被利用来进行高光谱数据集的分类。在训练分类器的过程中，对于特征学习来说，我们的方法用到了形态学剖面的算法来学习空间和光谱信息。这个方法可以获得一幅图片每一个像素点的详细信息。
2  高光谱图像
遥感技术是一类非接触型的对地观测技术,它能够通过收取发出的电磁波信号来得到观测地形的信号并成像，进而得到地形的信息。遥感技术非常实用，能够使人们观测地形更加宏观，更加精确。[1] 遥感影像DMP特征提取算法实现(2):http://www.youerw.com/jisuanji/lunwen_31509.html