高光谱遥感分类国内外研究现状1983年，NASA即美国航空航天局下属的喷气式推进实验室成功地开发了全世界第一台航空成像光谱仪AIS-1。AIS-1拥有128个波段，它的出现，标志着高光谱遥感时代的开端。1987年，AVIRIS成像光谱仪被研制成功，共有220个波段，将高光谱技术推上了一个新台阶[4]。在资源与环境研究方面，美国在1996年成功发射了航天高光谱遥感器HIS。HIS总共包含了384个波段，地面分辨率最高能够达到5m。1999年，NASA发射了一颗航天中分辨率成像光谱仪MODIS。在此期间，加拿大研制出构成了一个完整的成像光谱仪系列。德国成功研发了全世界第一台被动式的光学成像光谱仪TEEMS。澳大利亚研发的高光谱制图仪HYMAP含有126个波段，是实用型航天高光谱仪器的代表。另外, ESA即欧空局在2001年也成功发射了CHRIS，即本次研究使用的紧凑型高分辨率成像光谱仪。上世纪80年代末期，我国开始着手研究成像光谱仪。随着改革开放的不断深入，我国高光谱研究技术不断进步。2003年，神舟3号宇宙飞船成功发射，其所搭载的CMODIS，是我们首次发射的中分辨率成像光谱仪。植被研究、精细化农业和地质调查都是高光谱应用的强势领域。32364
目前，对于高光谱遥感的研究在分类技术方面有了不小的进步和较多针对性的研究，不少相关学者对高光谱分类提出了新的思路，从而有了高光谱自己独有的分类技术成果。对这些新的分类方法，从先验信息的数量、模型的不同、特征类型的差别或是算法等角度都可以进行不同的区分。论文网
光谱匹配分类算法通过利用已有的光谱库来计算光谱相应值与地物之间的对应关系，对图像地物进行分类[5]。这种分类算法更强调一种定量的光谱值分析，它对需要使用的光谱库有着相当高的要求。一定条件下，在实地使用分光计，对各类地物分别测试反射光谱数据，这种反射光谱值得组合即构成了光谱库。地物光谱值得施测并不是一帆风顺的，而是会受到诸多不确定因素的影响，往往同一种物质的光谱值在不一样的光谱库中的大小是不一样的，而且相差不小。目前，全世界范围内共有5个对公众公开的光谱库，分别是美国地质勘探局提供的USGS光谱库、约翰霍普金斯大学提供的 JHU光谱库和IGCP-264光谱库、美国喷气推进实验室提供的 L光谱库，以及加利福尼亚技术研究所提供的的 ASTER光谱库。
另一种分类方法是以端元提取技术为基础的，这一分类方法的产生主要是为了解决混合像素点的问题。解混方法在高光谱分类中主要强调空间一致性关系上的表及类别，所以对于单一像素或者亚像素的异常性检测并不十分关注[6]。基于端元提取的分类算法使得分类的结果更加趋于准确，能够在细节上更好地辨别地物成分。
高光谱遥感给数据处理带来了海量数据和高文数的特性，由此引起来不少预处理和分类方面的问题。针对高光谱数据的处理，一般要比传统遥感数据处理时间更长，并且在分类前的样本训练中困难较大。针对这种现象的解决办法之一是进行降文处理或者特征波段提取。针对高光谱数据，降文被广泛应用，它既能够分析与建模，亦可以成为算法的必要组成部分。从数据搜索运算与函数准则两个角度考虑对数据的降文，常常利用一些监督的或者非监督的降文算法，例如PAC主成分分析算法、MNF最小噪声分离算法、小波变换算法、NN神经网络算法等[7]。
SVM支持向量机算法现在已经被广泛的应用在高光谱图像分类技术上，它在解决小样本、非线性和高文模式问题中有着其自身特殊的优势[8]。支持向量机算法利用数学计算作为其算法基础，这种分类器在一定地条件下能够较好地分类一些不可见数据。支持向量机算法还能够保证收敛运算的全局最优化，适用于高文度的非线性判别函数，因此十分适合用SVM算法处理高文数据。 高光谱遥感分类国内外研究现状:http://www.youerw.com/yanjiu/lunwen_28903.html