多源遥感图像融合光谱保真算法与评价研究
多源遥感图像融合光谱保真算法与评价研究
【摘要】：随着传感器以及相关遥感技术的发展，遥感图像应用到生活中的各个领域，但是遥感图像的多光谱和高分辨率面临着无法在同一张影像上同时生成这一技术瓶颈，因而学者们提出了各种传统图像融合算法用于弥补这一缺陷，但是融合后的图像一般都有严重的光谱扭曲失真，本文针对于这一问题参考归纳了现有的光谱保真算法的研究以及融合算法的有效性的评价机制，据此来评估以后图像融合的发展趋势。
【关键词】：图像融合光谱保真融合算法效果评价
1.引言
遥感技术经过二十多年的迅猛发展，各种面向复杂应用背景的多平台、多时相、多光谱和高分辨率卫星和机载遥感系统大量涌现，已被广泛应用于军事和民用领域（柴勇，2009）。遥感传感器的分辨率从最初的几十米提高到目前的几十厘米，如美国Geoeye 公司在2008 年发射的遥感卫星甚至把分辨率提高到0.41m。然而遥感图像分辨率不断提高仍然无法满足人们对遥感图像的空间信息和光谱信息的丰富性及准确性的要求。因为在遥感成像系统的设计中, 空间分辨率和光谱分辨率不可兼得, 有两个原因:(1)受遥感器的辐射度量特性的影响,传感器在感应来自目标物反射或辐射的电磁波的能力是有限的, 而多光谱成像系统的光谱带宽很窄,同样高空间分辨率系统的瞬时视场很小,总得牺牲其中的一个。( 2)传感器所能采集的数据量的限制, 以及从遥感卫星向地面站传输数据的能力的限制(李春华,2008)。
因此，遥感图像越来越多的用算法层面去进行处理，遥感图像融合应运而生。遥感图像融合技术是指将由多源通道所采集的同一目标的图像经过一定的处理，提取各通道的信息来复合多源遥感图像，综合形成统一图像或综合利用各图像信息的技术（王海晖，2003）。很多的图像融合算法，如IHS变换法，Brovey变换法，主成分分析法，高通滤波等传统的遥感图像融合算法得到了广泛的应用。但是融合后的图像一般都有严重的光谱扭曲失真。
基于这一缺陷,有学者提出了各种改进算法:传感器光谱响应函数SKF；基于统计原理的Gram-schmidt、PCI pansharp融合方法；小波变化的多分辨率分析与IHS变换叠加融合法以及其他算法.根据这些改进算法得出来的效果我们还需要更健全的评价机制来评估算法的效果, 常用的客观融合评价方法有标准偏差、平均误差、信息度量、清晰度、相关系数、对比
度和峰值信噪比（柴勇，2009）。
2.融合图像光谱失真的原因
2.1遥感数据的辐射误差
用户所得到的遥感图像是经过粗纠正后的图像。若要想根本上解决融合后的光谱失真问题，用户应该考虑的是辐射精校正包括大气的影响引起的辐射误差及太阳高度角、日地距离和地形等光照条件差异引起的辐射误差（李春华,2008）。所以在图像融合前，辐射精校正是十分重要的一步。
2.2不同传感器Pan波段与强度分量I的差异
传统的融合方法如H IS变换法, 主成分分析法, BROVEY变换法对SPOT Pan 与低分辨率的MS影像Landsat TM的融合是比较成功的, 融合后的颜色偏差很小, 但是IKONOS、QuickBird 的Pan与MS 的融合颜色差异就十分突出（李春华,2008）。下面，图1给出了几种常用卫星的全色传感器光谱响应范围。
不同传感器Pan波段范围(李春华,2008)
图1
由于IKONOS、QuickBird的Pan波段已经扩展到了近红外波段，而HIS和BROVEY变换法中的强度分量和主成分分析法的第一主成分分量仍在可见光波段，两者之间的差异巨大而又勉强用来替换的话，融合图像不可避免地产生光谱失真的问题。
3.现有光谱保真的方法
3.1．传感器光谱响应函数SKF
光谱响应函数记录的是在每一波长λ传感器记录的辐射能量与入瞳处辐射能量之间的比值(窦闻,2011).图2是IKONOS卫星搭载的全色和多光谱传感器各波段的光谱响应函数.
Spectral response functions(SRF)for Ikonos-2 bands(窦闻,2011)
图2
窦闻等(2011)在对传感器光谱响应函数(SRF)的分析基础上，将三种基于SRF的审问细节调制参数构建方法，与高斯高通滤波提取的空间细节信息结合，产生3种基于SRF的遥感图像融合方法。融合方法首先是对Dou（2007）基于线性正交变换的分量替换融合方法的数学推导而建立的GCOS模型（如下（1）式）进行改进：
V h MS,i=V L MS,i+ωtδ（1）
（其中：V h MS,i为i波段的融合结果，V L MS,i为低分辨率多光谱数据的相应波段，ωt为逆变换矩阵的第一列构成向量，δ为从高分辨率全色数据中提取的空间细节信息）把ωt改为为空间细节调制参数；把δ改为空间细节信息，即高分辨率全色数据与低分辨率多光谱数据尺度上的全色数据估计值之问的差值。这样，就避免了GCOS模型中由于直方图匹配等过程造成的空间细节信息定义的模糊（窦闻,2011）。基于这一改进模型，即可得出三种基于SRF的融合方法：（1）SRF-LIN—HP方法：基于线性关系估计调制参数，其取值为多光谱传感器i波段的光谱响应函数覆盖的面积与全色传感器光谱响应函数覆盖的面积的比值；（2）：SRF-PROJ—HP方法：基于特征空间投影关系估计调制参数，其取值为特征空间中MS各波段与亮度分量之间的投影关系；（3）：SRF-PROB—HP方法：基于条件概率估计调制参数，其取值为为全色传感器和多光谱传感器i波段的光谱响应函数覆盖的面积与全色传感器光谱响应函数覆盖的面积的比值。由于这种融合方法把融合问题归结于空间细节调制参数构建与空问细节信息提取两个问题上，所以融合结果大幅减少了光谱扭曲和失真。
3.2．基于统计原理的Gram-schmidt、PCI pansharp融合方法
（1） Gram-schmidt 变换法
这种融合方法的基本原理是对矩阵或多维影像进行正交变换，把n个波段的多光谱图像转化为一个包含n个向量的线性无关的向量组从而来消除相关的多光谱波段之间的相关性（谭永生，2008）。正交之后各分量的信息量相差不大，避免了信息量过于集中而导致的光谱扭曲。其融合的基本步骤是：①将高分辨率的全色图像重采样为低分辨率的图像, 得到模拟的高分辨率全色波段；②对该模拟的全色波段和多光谱图像进行Gram-schmidt变换, 其中, 模拟的全色波段作为第一个向量；③用全色波段来替换Gram-schmidt变换后的第一个向量, 产生一个新的数据集；④将新的数据集进行反Gram-schmidt变换, 即可产生融合后的多光谱图像（李春华，2008）。
(2) Pansharp变换法
Geomatica Advanced Pan Sharpening是Geomatica 9 Prime的扩展模块, 该算法库是专为最新的高空间分辨率图像设计的, 同时也支持所有的传感器（李春华，2008）。这种融合方法是由张云博士发明的融合算法,其基本原理是利用最小方差技术把待融合的全色波段和多光谱波段结合输入的参考波段进行最佳匹配，并且调整单个波段的灰度分配，以减少融合色差，并用统计方法解决融合过程的标准化和自动化问题, 因而获得较高色调的保真效果（赵真梅，2010）。
利用统计原理来减少光谱扭曲的算法在运算复杂度以及光谱保真上都比较成功，对这些算法的进一步改进将更有助于其推广使用。
3.3. 小波变化的多分辨率分析与IHS变换叠加融合法
基于小波变换的多分辨率分析是一种的时域/ 频域信号分析工具。叠加融合算法的具体步骤如下:(1) 对高分辨率全色影像与多光谱影像几何纠正； (2) 采用基于区域的几何配准方法 , 将多光谱影像配准到高分辨率全色影像上；(3) 对高分辨率全色影像按áTrous 小波算法进行小波分解,分解层数一般为3 —5 ；(4)将小波分解的小波面叠加至多光谱影像经IHS 变换后的强度I中；(5) 进行小波逆变换得到新的强度影像I′；(6) 将I′、H、S 依据(11) 式进行IHS 逆变换,得到融合后的影像（李军，1999）。如下图3解：
图3（李军，1999）
由于影像经过小波变换后每一小波面的均值近似为零，而显著地物如房屋和边缘等特征物因为绝对值较大而显现为亮度的突变从而得到提高多光谱影像的空间分辨率以及保持多光谱影像的光谱信息。
4.基于融合效果的评价方法
融合评价分为主观评价和客观评价。主观评价是通过目视效果进行分析，客观评价是利用图像的统计参数进行判定（柴勇，2009）。人的视觉系统对于色彩的分辨能力，在对光谱特征的评价具有其他方法无可比拟的优势，但是主观评价会受到人的视觉系统以及心理等因素的不确定性影响，因而没有形成确定的评价系统。因而主要的评价体系都是建立在客观评价上的。常用的融合评价方法有标准偏差、平均误差、信息度量、清晰度、相关系数、对比度和峰值信噪比（柴勇，2009）。但即使客观的评价方法基本上都是定量分析，但客观评价仍离不主观评价，主观评价与客观的定量评价标准需要相结合进行综合评价。即对融合图像质量在主观定性的目视评价基础上，进行客观定量评价。客观评价一方面是根据融合的目的来选取评价指标，以此来比较融合图像的质量；另一方面则是通过比较融合图像，来比较融合方法的优劣（王海晖，2003）。这时可以选取的指标是：空间分辨率的提高；信息量的提高；清晰度的提高；融合方法的优劣；融合图像的光谱信息；图像噪声的减少。
5.存在问题和发展趋势
多源遥感图像像素级融合作为信息融合技术中一门重要的技术分支, 具有十分广阔的
应用前景（刘哲，2003）。但是在目前的阶段其发展仍然面临着两大制约性的问题：(1) 缺
乏统一的像素级图像融合模型。由于学界中许多的模型普遍存在着优点和缺点，而且模型的
适用范围都比较狭窄，没办法统一现存的各种模型。所以现在的情况是各种模型并存；(2) 缺
乏对像素级图像融合结果的有效评价手段。对图像融合结果的评价往往依赖于融合的目的,
不同的应用目的需要不同的评价标准。但是现有的标准都过于简单, 缺乏灵活性, 无法适应
技术发展的需要（刘哲，2003）。
因此，在这一制约因素的影响下，未来多光谱融合的发展趋势必然是致力于建立一个统
一图像融合模型，把图像融合处理归纳于一个体系之中，并且会基于这种模型研发出来更为
完美、先进的算法处理硬件和软件，在源图像以及图像处理两方面同时大幅提高遥感图像的
空间分辨率和光谱分辨率，极高满足人们对图像信息的要求。如今在我国，多源遥感图像融
合已经广泛应用于测绘、土地利用、农业、森林、海洋、地质、灾害监测和军事等方面。而且，笔者认为，被称为人类的第四次科技革命的物联网（通过射频识别（RFID）、红外感应器、全球行为系统、激光扫描仪等信息传感设备，按约定的协议，把任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络）也必然对遥感图像的信息量要求极高，遥感图像融合的发展是有着巨大潜力的也是必然的。
【参考文献】：
[1] 柴勇;何友;曲长文. 遥感图像融合最新进展及展望. 舰船电子工程, 2009年第8期.
[2] 陈超;江涛;岳远平;徐修浩. 像素级遥感图像融合方法研究. 国土资源信息化, 2008年
第5期.
[3] 窦闻;孙洪泉;陈云浩. 基于光谱响应函数的遥感图像融合对比研究. 光谱学与光谱分析, 2011年3月第3期.
[4] 侯志华;张宁玉;赵燕;吴泉源;周爱仙. 基于Quick Bird数据的遥感图像融合方法研究.
山东师范大学学报(自然科学版), 2005年9月第3期.
[5]李春华;徐涵秋. 高分辨率遥感图像融合的光谱保真问题. 地球信息科学, 2008年8月
第10卷, 第4期.
[6]李军;周月琴;李德仁. 小波变换用于高分辨率全色影像与多光谱影像的融合研究. 遥感学报, 1999年5月第2期.
[7]刘哲;郝重阳;刘晓翔;樊养余. 多光谱图像与全色图像的像素级融合研究. 数据采集和处理, 2003年9月第3期.
[8]谭永生;沈掌泉;贾春燕;王珂 .QuickBird 全色与多光谱影像融合方法比较研究. 科技通报,2008年7月.
[9]王海晖;彭嘉雄;吴巍;李峰. 多源遥感图像融合效果评价方法研究. 计算机工程与应用, 2003年25 期 .
[10]杨智翔;徐佳;何秀风. Geoeye-1 全色与多光谱影像融合方法. 光电工程,2011年5月地38卷第5期.
[11]张生;赵春三;杨桄;陈永甜;赵建明. 多光谱与高分辨率图像融合方法比较研究. 遥感应用,2007年5月。
[12]张寅玥;付炜 .多源遥感图像融合算法研究. 电子测量技术,2010年6月第六期.
[13]赵珍梅;马伟;王润生. 三种高保真遥感影像融合方法效果评价与分析. 地质与勘探， 2010年04期.
遥感图像融合方法比较
1 绪论 1.1研究目的及意义 20世纪90年代中后期以后，搭载许多新型传感器的卫星相继升空，使得同一地区的遥感数据影像数目不断增多。如何有效地利用这些不同时相、不同传感器、不同分辨率的遥感数据便成为了遥感工作者研究的瓶颈问题，然而解决这一问题的关键技术就是遥感影像数据融合。 遥感数据融合就是对多个遥感器的图像数据和其他信息的处理过程，它着重于把那些在空间或时间上冗余或互补的多源数据，按一定法则（算法）进行处理，获得比单一数据更精确、更丰富的信息，生成一幅具有新的空间、波谱和时间特征的合成图像。 遥感是不同空间、时间、波谱、辐射分辨率提供电磁波谱不同谱段的数据。由于成像原理不同和技术条件的限制，任何一个单一遥感器的遥感数据都不能全面的反映目标对象的特征，也就是有一定的应用范围和局限性。各类非遥感数据也有它自身的特点和局限性。影像数据融合技术能够实现数据之间的优势互补，也能实现遥感数据与地理数据的有机结合。数据融合技术是一门新兴的技术，具有十分广阔的应用前景。所以，研究遥感影像数据融合方法是非常必要的。 1.2研究现状及发展的趋势 1.2.1研究现状 20世纪美国学者提出“多传感器信息融合”的概念认为在多源遥感影像数据中能够提取出比单一遥感影像更丰富、更有效、更可靠的信息。之后由于军事方面的要求，使得遥感影像数据融合技术得到了很大的发展，美、英，德等国家已经研制出了实用的遥感数据融合处理的系统和软件，同时进行了商业应用。 1）、融合结构 融合的结构可分为两类：集中式和分布式。集中式融合结构：各传感器的观测数据直接被送到中心，进行融合处理，用于关联、跟踪、识别等。分布式融合结构：每个传感器独立完成关联、识别、跟踪，然后由融合中心完成配准、多源关联的融合。 2）、融合的层次 图像融合可分为：像元级融合、特征级融合和决策级融合。 像元级融合是最低级的信息融合，可以在像素或分辨单位上进行，又叫做数据级融合。它是对空间配准的遥感影像数据直接融合，然后对融合的数据进行特征提取和属性说明。 特征级融合是由各个数据源中提取特征信息进行综合分析和处理的过程，是中间层次的融合。特征级融合分为目标状态信息融合和目标特征融合。 决策级融合是在信息表示的最高层次上进行融合处理。首先将不同传感器观测同一目标获得的数据进行预处理、特征提取、识别，以建立对所观测目标的初步理论，然后通过相关处理、决策级融合判别，最终获得联合推断结果，从而为决策提供依据。
浅谈多源遥感影像融合在图像分类中的应用
浅谈多源遥感影像融合在图像分类中的应用 武汉大学遥感信息工程学院201130259XXXX XX 【摘要】笔者结合SPOT影像与TM影像数据融合这一常用方法，简要阐述了多源遥感影像融合技术出现的现实要求、基本原理和主要步骤，从而体现了増维问题在遥感图像分类中的应用。 【关键词】多源遥感影像融合増维图像分类 1、技术背景 现代遥感技术正在向高光谱分辨率、高空间分辨率和高时间分辨率方向发展, 新型卫星传感器不断涌现, 已从单一传感器发展到多传感器, 在同一地区形成多级分辨率的影像金字塔。在遥感图像分类中，为了达到更好的效果，有时需要增加辅助数据即增加维度，其中常用的一种方法是将SPOT影像与TM影像进行数据融合，将SPOT的较高空间分辨率与TM的较高光谱分辨率等优势综合起来，弥补单一图像上信息的不足，不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分类的精度。 2、技术流程 2.1 多源遥感数据的预处理 由于太阳位置、角度条件、大气条件等因素的影响，遥感图像常表现为一定程度的失真和畸变，因此在多源遥感数据融合之前必须进行预处理。 首先应该选取适当的波段，对于TM影像，通常选用5、4、3（短波红外、近红外、红色）波段合成，这样有利于植被分类和水体判别。SPOT图像具有多光谱和全色两种模式，为了能跟TM图像的光谱特征更接近，通常采用多光谱的三个波段作为信息源。同时为避免不同时段地物的差异，TM和SPOT图像应采用近似同一时段的数据。 遥感图像有一定的几何误差，这就需要进行几何纠正。对于TM数据，纠正方法大致包括按影像获取时的姿态参数和投影系统参数按地图投影参数的变换纠正（粗纠正）和以影像和地形图选择若干同名点对，通过求解多项逼近式纠正参数（精纠正）两种。对于SPOT影像，可以从其磁带“头”文件中读出星历参数和姿态角变化率，进而计算影像中心行的外方位元素近似值，然后结合6个以上控制点采用间接校正法对原始图像进行几何和灰度重采样。 由于多源影像数据的几何、光谱、分辨率等特性有所不同，为了将多源信息有效融合，提取更多信息，必须进行有效的配准。比如对10m分辨率SPOT影像与30m分辨率的TM影像之间融合，就需要将TM数据放大至与SPOT单色波段空间分辨率一致，再分别寻找两幅图中的同名控制点，以SPOT影像为参考图，将TM影像对应到SPOT 影像上。 此外，多源遥感数据的预处理还包括辐射校正、去噪、边缘提取等。
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 35 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为 21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
遥感影像融合处理方法
遥感影像融合处理方法 摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。 关键词：遥感影像融合融合评价 1、前言 将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。 2、遥感影像融合一般步骤 遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。 图像预处理主要包括：几何校正及影像配准。几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。 3 常用融合方式 3.1 IHS融合 IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。RGB颜色空间和IHS 色度空间有着精确的转换关系。IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。 3.2 小波融合 小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。
高分辨率遥感图像融合方法的比较正式
包头师范学院 本科学年论文 论文题目：高分辨率遥融图像融合方法比较院系：资源与环境学院 专业：地理信息系统 学号：0912430022 姓名：郭殿繁 指导教师：同丽嘎 撰写学年：2010 至2011 学年 二零一零年十二月
摘要：目前，遥感中高分辨率全色遥感影像和低空间分辨率的多光谱遥感影像融合是影像融合技术应用的主流。本文通过对遥感影像四种融合方法的研究，并且用呼和浩特市快鸟影像图像融合举例，加深对四种融合方法的理解和理论应用，最后通过截取呼和浩特市快鸟影像的原始多波段彩色影像和原始高分辨率全色波段影像的一部分进行四种融合方法来进行精度的比较，以ENVI4.7软件作为平台，最终得出，Gram-Schmidt变换效果最好，HSV变换融合效果最差。 关键词：图像融合；PCA变换；Gram-Schmidt变换；Brovey变换；HSV变换；精度比较 Abstract: At present, the remote sensing high resolution full-color remote sensing image and low spatial resolution multi-spectral remote sensing image fusion is image fusion technology application of mainstream. This article through to four kinds of remote sensing image fusion method with the principle and analysis, and in Hohhot, fast image image fusion for example, the bird to deepen the understanding of four fusion method and theory, and finally by intercepting the original image Hohhot fast bird multichannel color image and primitive high-resolution full-color band image on the part of four fusion method for precision compared to ENVI4.7 software as a platform to finally arrive, the best effect, Schmidt transform - the worst. Fusion result transformation HSV. Key words: image fusion, PCA transform; Schmidt transform; the - Brovey transform; HSV transform; Precision；
利用ENVI软件进行遥感图像的融合和增强实习报告
遥感图像处理实习报告 实验内容：影像融合与增强 班级：测绘1102班 学号：13 姓名： 指导老师：陈晓宁、黄远程、竞霞、史晓亮 西安科技大学 测绘科学与技术学院 二零一三年一月 实习三影像融合与增强
一、实习内容： 1.掌握ENVI中各种影像融合方法，并比较各方法的优缺点； 2.熟悉ENVI图像增强操作； 3.本实习的数据源为上节已经过校正的资源三号多光谱和全色影像。 二、实习目的： 1.了解和认识各种图像融合方法的原理、内容及要点； 2.熟悉、熟练操作ENVI软件中各种图像融合的方法、步骤并学会加以比较； 3.学习利用ENVI软件进行各种图像增强处理操作； 4.学会定性、定量分析比较图像融合的差异。 三、实习步骤： 1.图像融合： 三波段融合： HSV和Color Normalized (Brovey)变换： 1）从ENVI主菜单中，选择File → Open Image File，分别加载校正后的资源三号多光谱与全色影像到可用波段列表Available Bands List中； 2）选择多光谱3,2,1波段（可以根据需要选择）对应R，G，B，点击Load RGB将多光谱影像加载到显示窗口display#1； 3）在ENVI的主菜单选择Transform → Image Sharpening → HSV； 4）在Select Input RGB Input Bands对话框中，选择Display #1，然后点击OK。 5）从High Resolution Input File对话框中选择全色影像，点击OK。 6）从HSV Sharpening Parameters对话框中，选择重采样方法，并输入输出路径和文件名，点击OK。即可完成HSV变换融合；
浅析多源遥感数据融合原理及应用
浅析多源遥感数据融合原理 摘要: 本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。 关键词: 遥感影像融合融合层次融合方法优缺点对比
目录 1、绪论 (1) 2、多源遥感数据融合的基本理论 (1) 2.1 多源遥感数据融合的概念 (3) 2.2多源遥感数据融合的原理 (4) 2.3多源遥感数据融合层次 (4) 2.3.1 像元级融合 (4) 2.3.2 特征级融合 (4) 2.3.3 决策级融合 (5) 3、多源遥感数据融合常用方法 (5) 3.1 主成分变换（PCT） (5) 3.2 乘积变换 (5) 3.3 Brovey比值变换融合 (5) 4、实验与分析 (6) 5、结语 (8) 参考文献 (9) 致谢 (10)
遥感图像的假彩色合成
北京化工大学 学士学位论文 遥感图像的假彩色合成 姓名：刘晓璐 班级：信息与计算科学0304班 学号：200362102
遥感图像的假彩色合成 摘要：遥感，作为采集地球数据及其变化信息的重要技术手段，在世界范围内及其我国的许多政府部门，科研单位和公司得到了广泛的应用。在遥感数据源向着更高光谱分辨率和更高空间分辨率发展的同时，处理技术也更加成熟；在应用上，结合了地理信息系统（GIS）和全球定位系统（GPS），向着更系统化，更定量化方向发展，使遥感数据的应用更加广泛和深入。 假彩色增强是将一幅彩色图像映射为另一幅彩色图像，从而达到增强彩色对比，使某些图像达到更加醒目的目的。 本文的主要目的就是大遥感的多光谱图像用自然彩色显示。在遥感的多光谱图像中，有些是不可见光波段的图像，如近红外，红外，甚至是远红外波段。因为这些波段不仅具有夜视能力，而且通过与其他波段的配合，易于区分地物。 用假彩色技术处理多光谱图像，目的不在于使景物恢复自然的彩色，而是从中获得更多的信息。为了实现这样的目的，本文采用了MATLAB数学软件编程的方法以及运用Envi4.2 软件直接编辑图像这两种方法，并对其进行对比，得出最优的合成图像。 关键词：图像融合，假彩色合成，彩色增强，灰度级，RGB图像，
False color mapping for image fusion Abstract: A pixel-based color-mapping algorithm is presented that produces a fused false color rendering of two gray-level images representing different sensor modalities. The resulting images have a higher information content than each of the original images and retain sensor specific image information. The unique component of each image modality is enhanced in the resulting fused color image representation. First, the component of two original input images is determined. Second, the common component of each image. Third, the unique component of each image modality is subtracted from the image of the other modality. This step serves to enhance the representation of sensor-specific details in the final fused result. Finally, a fused color image is produced by displaying the images resulting from the last step through, respectively, the red and green channels of a color display. The method is applied to fuse thermal and visual images. The results show that the color mapping enhances the visibility of certain details and preserves the specificity of the sensor information. The fused images also have a fairly natural appearance. The fusion scheme involves only operations on corresponding pixels. The resolution of the input images. Before fusing, the contrast of the images can be enhanced and their noise can be reduced by standard image processing techniques. The color mapping algorithm is computationally simple. This implies that the investigated approaches can eventually be applied in real time and that the hardware needed is not too complicated or too voluminous(an important consideration when it has to fit in an airplane, for instance). Key words: image fusion, false color mapping, color enhances, gray-level, RGB images
三种图像融合方法实际操作与分析
摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多
光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清
遥感图像融合的应用研究
龙源期刊网 https://www.360docs.net/doc/72587350.html, 遥感图像融合的应用研究 作者：付和 来源：《科技创新导报》2011年第09期 摘要:针对遥感测绘工程实际应用中的图像融合技术需求,本论文重点对遥感图像融合技术进行了分析研究,在简单介绍了遥感图像融合的基础上,重点对遥感图像融合实际应用进行了分析,探讨了面向特征信息的多源图像融合模型,并给出了遥感图像融合技术在遥感测绘工程中的实际应用,对于进一步提高遥感测绘工程的应用水平具有一定借鉴意义。 关键词:遥感测绘工程图像融合 中图分类号:P237 文献标识码:A 文章编号:1674-098X(2011)03(c)-0001-01 1 引言 本论文重点对多源遥感图像融合展开分析研究,以期从中找到可靠有效的遥感图像融合方法,并以此和广大同行分享。 2 遥感图像融合概述 图像融合是数据融合的一种重要形式。对于多源遥感数据,融合的定义可描述为:将不同类型传感器获取的图像数据经预处理后,采用一定的算法将各幅图像中所包含的信息优势或互补 性信息有机地结合起来,以产生新的数据,来获得对同一事物或目标的更客观、更本质的认识。从而大大提高融合图像的信息含量并使其在特征提取、分类、目标识别以及目视效果等方面更为有效。 按照数据抽象的三个层次,融合可分为三级,即象素级融合、特征级融合和决策级融合。 像素级融合是指将配准后的图像对象素点直接进行融合。例如,加、乘、梯度、线性平 均、比值、多元回归等运算。一般来说,融合的结果可以得到一幅信息含量更大、更全面的图像,有利于下一步的图像分析和理解。像素级融合对传感器配准的精度要求较高。其优点是保 留了尽可能多的信息,具有较高精度。缺点是处理信息量大、费时、实时性差。 特征级融合是指将经过配准的数据先进行特征提取,然后进行关联处理,使每一种传感器得到同一目标的特征向量,最后融合这些特征向量,进行图像分类或目标识别。一般来说,提取的特
遥感图像融合质量评价方法
遥感图像融合质量评价方法 武坚李崇伟王积武李相全 (68011部队甘肃兰州 730020) 摘要：图像融合可为摄影测量与遥感提供高质量的遥感融合图像。遥感融合图像质量如何是图像使用者关心的一个重要问题。本文运用主观评价、客观评价、几何质量等三种评价方法对融合后的遥感图像的质量展开讨论。实践表明这些评价方法能够保证融合后图像高质量地应用于摄影测量与遥感生产。 关键词：主观评价客观评价几何质量质量评价 1．前言 摄影测量与遥感[1]是以数字影像为基础，来确定被摄物体的形状、大小、空间位置及其性质。遥感图像是摄影测量与遥感最原始、最基本的资料。高质量的遥感图像是完成摄影测量与遥感的基础。遥感影像融合[2]是将多传感器、多时相、多光谱和多分辨率影像的各自局部优势信息整合处理，以提供高分辨率、多光谱的单一图像，解决遥感影像解译过程中信息不足的问题。由此看出，图像融合可以为摄影测量与遥感提供高质量的遥感影像。 2．图像融合的评价方法 当前对融合后图像的质量评价主要是主观目视与统计相关信息参数相结合的办法，即：利用目视效果和信息熵、清晰度、平均梯度、偏差指数、均方根误差等参数统计分析，而对融合后图像的几何量测性则关注较少。对于摄影测量与遥感应用，几何精度是一个很重要的因素。本文结合摄影测量与遥感应用角度，来对分析融合后图像的质量做出评价。 站在通用图像处理角度，目前大多数对影像质量评价分为主观评价和客观评价，并结合起来使用。主观评价是通过目视观察进行分析，客观评价是利用图像的统计参数进行判定。严格意义上讲，融合图像的主客观评价应该是一致的，即图像的统计参数特征应该符合人眼的目视感觉。但由于遥感图像融合具有特殊性，它不仅仅要求提高融合图像的空间分辨率，而且要尽可能制约[2]。因此，对遥感融合图像的质量评价，应综合考虑空间细节的增强和光谱保持原始图像的光谱特征。此外，这两个要求在很大程度上是不太相容，相互信息的保持两个方面，利用图像的统计参数结合目视观察来分析与评价。 对于摄影测量与遥感而言，影像的几何质量（影像的可量测性）是很重要的一个因素，它将决定融合图像能否达到数字地形图生产的精度限差[4]。因此，从主观、客观、几何质量等三个方面对做出质量评价可以保证融合后图像高质量地应用于摄影测量与遥感生产。
遥感图像融合技术的发展现状
遥感图像融合技术的发展现状及趋势 1 引言 多源图像融合属于多传感器信息融合的范畴, 是指将不同传感器获得的同一景物的图像或同一传感器在不同时刻获得的同一景物的图像, 经过相应处理后, 再运用某种融合技术得到一幅合成图像的过程。多幅图像融合可克服单一传感器图像在几何、光谱和空间分辨率等方面存在的局限性和差异性, 提高图像的质量, 从而有利于对物理现象和事件进行定位、识别和解释。与单源遥感图像相比, 多源遥感图像所提供的信息具有冗余性、互补性和合作性。因此,将多源遥感图像各自的优势结合应用, 获得对环境正确的解译是极为重要的。多源遥感图像融合则是富集这些多种传感器遥感信息的最有效途径之一,是现代多源数据处理和分析中非常重要的一步。本文基于遥感图像融合的研究现状、分析了图像融合研究的困境和不足, 最后提出了未来的发展趋势和热点, 以期达到抛砖引玉的作用。 2 遥感图像融合研究现状 随着信息科学技术的发展, 在20 世纪七八十年代诞生了一个称为数据融合的全新概念。这一概念不断扩展, 处理的对象由一般的数据发展到数字图像。1979 年, Daliy 等人首先将雷达图像和LandsatMSS 图像的复合图像应用于地质解译, 被认为是最早的图像
融合。20 世纪80 年代, 图像融合技术逐渐应用到遥感图像的分析和处理中。90年代以后, 图像融合技术成为研究的热点, 并成为很多遥感图像应用的一个重要预处理环节。目前, 遥感图像融合已经发展为像素级、特征级和决策级3个层次, 如表1。需要指出的是, 融合层次并没有划分融合算法严格的界限, 因为本质上各个融合层次都是信息融合的范畴。像素级图像融合技术已被广泛研究和应用, 并取得了一定的成果。特征级融合是一种中等层次的信息融合, 利用从各个传感器图像的原始信息中提取的特征信息,进行综合分析及融合处理, 不仅增加从图像中提取特征信息的可能性, 还可能获取一些有用的复合特征, 尤其是边缘、角、纹理、相似亮度区域、相似景深区等。在特征级融合中, 对图像配准的要求不如像素级图像融合对配准要求那么严格。决策级图像融合是一种更高层次的信息融合, 其结果将为各种控制或决策提供依据。在进行融合处理前, 先对图像进行预处理、特征提取、识别或判决, 建立对同一目标的初步判决和结论, 然后对各个图像的决策进行相关处理, 最后进行决策级的融合。从特点来看,不同层次的融合各有优缺点, 难以在信息量和算法效率方面都同时满足需求。 表一:遥感图像融合三个层次的对比 融合层次融合算法特点
高光谱图像分类讲解学习
高光谱图像分类
《机器学习》课程项目报告 高光谱图像分类 ——基于CNN和ELM 学院信息工程学院 专业电子与通信工程 学号 2111603035 学生姓名曹发贤 同组学生陈惠明、陈涛 硕士导师杨志景 2016 年 11 月
一、项目意义与价值 高光谱遥感技术起源于 20 世纪 80年代初，是在多光谱遥感技术基础之上发展起来的[1]。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。 在将高光谱数据应用于各领域之前，必须进行必要的数据处理。常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。 相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。 高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。波段维数的增加不仅加重了数据的存储与传输的负担，同时也加剧了数据处理过程的复杂性，并且由于波段与波段间存在着大量的冗余信息，从而使得传统图像分类算法并不适用于高光谱遥感图像的分类。传统
多源遥感图像融合光谱保真算法与评价研究
多源遥感图像融合光谱保真算法与评价研究 【摘要】：随着传感器以及相关遥感技术的发展，遥感图像应用到生活中的各个领域，但是遥感图像的多光谱和高分辨率面临着无法在同一张影像上同时生成这一技术瓶颈，因而学者们提出了各种传统图像融合算法用于弥补这一缺陷，但是融合后的图像一般都有严重的光谱扭曲失真，本文针对于这一问题参考归纳了现有的光谱保真算法的研究以及融合算法的有效性的评价机制，据此来评估以后图像融合的发展趋势。 【关键词】：图像融合光谱保真融合算法效果评价 1.引言 遥感技术经过二十多年的迅猛发展，各种面向复杂应用背景的多平台、多时相、多光谱和高分辨率卫星和机载遥感系统大量涌现，已被广泛应用于军事和民用领域（柴勇，2009）。遥感传感器的分辨率从最初的几十米提高到目前的几十厘米，如美国Geoeye 公司在2008 年发射的遥感卫星甚至把分辨率提高到0.41m。然而遥感图像分辨率不断提高仍然无法满足人们对遥感图像的空间信息和光谱信息的丰富性及准确性的要求。因为在遥感成像系统的设计中, 空间分辨率和光谱分辨率不可兼得, 有两个原因:(1)受遥感器的辐射度量特性的影响,传感器在感应来自目标物反射或辐射的电磁波的能力是有限的, 而多光谱成像系统的光谱带宽很窄,同样高空间分辨率系统的瞬时视场很小,总得牺牲其中的一个。( 2)传感器所能采集的数据量的限制, 以及从遥感卫星向地面站传输数据的能力的限制(李春华,2008)。 因此，遥感图像越来越多的用算法层面去进行处理，遥感图像融合应运而生。遥感图像融合技术是指将由多源通道所采集的同一目标的图像经过一定的处理，提取各通道的信息来复合多源遥感图像，综合形成统一图像或综合利用各图像信息的技术（王海晖，2003）。很多的图像融合算法，如IHS变换法，Brovey变换法，主成分分析法，高通滤波等传统的遥感图像融合算法得到了广泛的应用。但是融合后的图像一般都有严重的光谱扭曲失真。 基于这一缺陷,有学者提出了各种改进算法:传感器光谱响应函数SKF；基于统计原理的Gram-schmidt、PCI pansharp融合方法；小波变化的多分辨率分析与IHS变换叠加融合法以及其他算法.根据这些改进算法得出来的效果我们还需要更健全的评价机制来评估算法的效果, 常用的客观融合评价方法有标准偏差、平均误差、信息度量、清晰度、相关系数、对比
遥感图像融合
图像融合实验报告 一、实验目的 通过本实验熟练操作遥感图像处理的专业软件PCI，进行图像融合。二、实验内容 （1）、利用遥感图像处理的专业软件PCI的Xpace模块的Image Processing中的IHS 进行IHS变换处理； （2）、利用遥感图像处理的专业软件PCI利用Xpace模块的Image Processing中的 FUSE进行图像融合处理。 三、实验步骤 (一)生成Pix文件 先用ImageWorks Configuration打开B10.FST文件，在此之前先用记事本打开 查看其参数，将其参数填在相应位置，确定生成一个aux文件，并load第一 波段的图像即B10.FST。
将B10转为pix文件格式，并将其他波段（除了第八波段）都添加到这个pix 文件中，这里命名pix文件名为123-32.pix。
说明： B61，B62都为第六波段且为争议波段，这里选择一个即可，这里选的是B61 (二)HIS与RGB的转换 打开生成的pix文件 添加6个空通道，打开Xpace模块，进行IHS转换：在Image Processing（Pacages）中的IHS（Convert RGB to IHS）进行IHS正变换处理。将7，4，1波段转为RGB 到8,9,10空通道
加载图像，将7，4，1波段的与8，9，10通道的进行小窗口对比 换用第二种模型转换，将其与第一种模型进行比较
再添加6个空通道，利用RGB（Convert IHS to RGB）进行HIS逆变换处理，即将8,9,10通道的波段变回RGB模式 加载图像，将其与原来的7,4,1通道的合成图像进行比较 若是换第二种模型，将其转回去，得到的结果如下
像素级和特征级遥感图像融合方法研究与应用
像素级和特征级遥感图像融合方法研究与应用传感器技术的发展丰富了人类获取信息的手段,而遥感在今天已成为人类获取地面信息的最重要的方式之一。卫星遥感系统为对地观测和地球科学相关领域研究提供的遥感图像数据,类型多样同时包含了丰富的信息。 如何利用图像融合技术,对不同来源不同类型的遥感图像数据进行综合利用,准确而高效地提取图像中包含的有用信息,已成为遥感技术应用中的一个关键性问题。针对这一问题,本文展开了对遥感图像融合方法和相关理论的研究。 本文的研究工作主要包含以下三个方面的内容：1、提出一种用于实现多光谱遥感图像分辨率增强的全色锐化图像融合方法。像素级的图像融合方法以提升图像数据质量为目标,而空间分辨率则是遥感图像质量的一个重要指标。 传感器捕获辐射能量有限以及观测受到噪声信号干扰的客观条件限制,使得遥感图像的空间分辨率和光谱分辨率成为一对天然的矛盾。利用全色锐化图像融合技术,对具有高空间分辨率的全色图像和具有高光谱分辨率的多光谱图像进行融合,则可以得到同时具有高空间分辨率和高光谱分辨率的合成图像。 为得到高质量的全色锐化融合结果,本文对多光谱图像数据和全色图像数据进行线性回归,并基于标准正交变换设计一种颜色空间变换,在此基础上将成分替换与多分辨率分析的思想相结合,完成对融合方法的构造。研究中通过对比实验,验证了该融合方法性能上的优越性。 2、提出一种用于实现热红外遥感图像分辨率增强的热红外锐化图像融合方法。热红外图像提供的地表温度信息,在遥感量化分析的应用中十分关键。 热红外锐化主要通过热红外图像和可见光近红外图像间的像素级融合实现,由于热红外图像与可见光近红外图像具有不同的成像性质,使得一般的像素级图
基于深度学习的高光谱图像分类方法
Artificial Intelligence and Robotics Research 人工智能与机器人研究, 2017, 6(1), 31-39 Published Online February 2017 in Hans. https://www.360docs.net/doc/72587350.html,/journal/airr https://https://www.360docs.net/doc/72587350.html,/10.12677/airr.2017.61005 文章引用: 袁林, 胡少兴, 张爱武, 柴沙陀, 王兴. 基于深度学习的高光谱图像分类方法[J]. 人工智能与机器人研究, A Classification Method for Hyperspectral Imagery Based on Deep Learning Lin Yuan 1, Shaoxing Hu 1, Aiwu Zhang 2, Shatuo Chai 3, Xing Wang 3 1School of Mechanical Engineering and Automation, Beihang University, Beijing 2 Colledge of Resource Environment and Tourism, Capital Normal University, Beijing 3 Animal husbandry and Veterinary Hospital of Qinghai University, Xining Qinghai Received: Feb. 3rd , 2017; accepted: Feb. 18th , 2017; published: Feb. 24th , 2017 Abstract Remote sensing hyperspectral imaging can obtain abundant spectral information, which provides the possibility for the analysis of high precision terrain. The hyperspectral image has the charac-teristics of “map in one”, and the full use of spectral information and spatial information in hy- perspectral image is the premise of obtaining accurate classification results. Deep learning stack machine model in automatic encoding (Stack Auto-Encoder SAE) can effectively extract data in nonlinear information, and convolutional neural network (Convolutional Neural Network, CNN) can automatically extract features from the image. Based on this, this paper presents a classifica-tion method of hyperspectral images based on deep learning. Firstly, the spectral dimension of the hyperspectral data is reduced using automatic encoding machine, then convolutional neural net-work is used as the classifier, and the pixel and its neighborhood pixels are classified together as the input of the classifier, so as to realize the hyperspectral image classification with spectral space. Keywords Hyperspectral, Image Classification, Depth Learning, Automatic Coding Machine, Convolutional Neural Network 基于深度学习的高光谱图像分类方法 袁 林1，胡少兴1，张爱武2，柴沙陀3，王 兴3 1北京航空航天大学机械工程及自动化学院，北京 2 首都师范大学资源环境与旅游学院，北京 3 青海大学畜牧兽医院，青海 西宁 收稿日期：2017年2月3日；录用日期：2017年2月18日；发布日期：2017年2月24日