高光谱遥感读后感

高光谱遥感论文读后感我阅读的这篇文章是发表在计算机仿真2012年2月的，文章的名字是《高光谱遥感图像分类算法中的应用研究》。文章讲了一种新的遥感图像分类算法，提高了遥感图像分类的效率和正确率，是一种有效高光谱遥感图像分类的方法。高光谱遥感具有很多优势，因此研究高光谱图像分类有很重要的价值。高光谱遥感的优势高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势:(1)蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建，能获取地物近似连续的光谱反射率曲线，与地面实测值相匹配，将实验室地物光谱分析模型应用到遥感过程中。(2)地表覆盖的识别能力极大提高。高光谱数据能够探测具有诊断性光谱吸收特征的物质，能够准确区分地表植被覆盖类型、道路的铺面材料等。(3)地形要素分类识别方法灵活多样。影像分类既可以采用各种模式识别方法，如贝叶斯判别、决策树、神经网络、支持向量机等，又可以采用基于地物光谱数据库的光谱匹配方法。分类识别特征，可以采用光谱诊断特征，也可以进行特征选择与提取。(4)地形要素的定量或半定量分类识别成为可能。在高光谱影像中，能估计出多种地物的状态参量，提高遥感高定量分析的精度和可靠性。通过阅读这篇文章，了解了高光谱图像的分类方法和分类步骤，而本文提出的一种基于决策边界特征提取(DecisionBoundaryFeatureExtraction，DBFE)的SVM高光谱遥感图像分类算法，并采用遗传算法解决SVM的参数优化问题。最后采用仿真对本文算法的性能进行测试，实验结果表明，本文算法提高了光谱遥感图像分类精度，并提高了分类效率。首先要计算高光谱遥感图像特征边界矩阵，求出高光谱遥感图像的决策边界矩阵的特征向量和特征值。取前m个非零特征值对应特征向量组成高光谱遥感图像变换矩阵。最终得到降维后的高光谱遥感图像数据样本。最后进行支持向量机的高光谱遥感图像分类。收集高光谱遥感图像数据，对收集的高光谱遥感图像数据进行预处理。然后将高光谱遥感图像数据分成训练样本集和测试样本集，采用决策边界对高光谱遥感图像的特征进行提取，采用SVM对训练样本集进行学习，并采用GA对SVM参数进行寻优，从而建立最优的高光谱遥感图像分类模型。采用建立好的最优的高光谱遥感图像分类模型对测试样本进行分类，并对结果进行分析。将待分类的高光谱遥感图像输入到性能最优的高光谱遥感图像型进行分类，从而得到高光谱遥感图像分类结果。针对高光谱遥感图像数据量大、特征维数高、特征之间相关性强等特点，提出一种基于DBFE的SVM高光谱遥感图像分类算法。首先采用DBFE对高光谱遥感图像进行特征提取，消除特征之间相关性，并降低特征维数，然后采用GA对SVM参数进行优化，找到最优分类模型能数，最后采用最优分类模型对待分类的高光谱遥感图像进行分类。通过文献的阅读学习了关于高光谱遥感图像分类的方法，感觉文献阅读能提高我们的自主学习能力，加强对高光谱遥感的认识。通过本课程的学习，掌握了高光谱遥感的一些基本知识，但掌握的知识还不够，在今后的学习工作中会继续学习积累知识。课程已经结束了，很感谢老师的讲解，使我们学到了很多东西，通过实习更深的接触高光谱遥感，为今后的学习和工作打下了基础，谢谢老师的辛勤付出。064121王伟201210016072014年12月8日