文 献 综 述
摘要：高光谱遥感图像具有很高的光谱分辨率，能在电磁波谱的可见光、近红外、中红外和热红外波段范围内获取许多非常窄的光谱波段信息，从而得到高维的光谱数据。高光谱遥感图像目标检测旨在提取遥感场景中的感兴趣对象或异常目标，是高光谱遥感技术领域的一个研究热点。本文介绍了针对高光谱图像的相关知识以及当今针对高光谱分类的研究现状，重点对极限学习机算法、光谱处理技术和深度学习进行了研究。
关键词：高光谱图像；目标检测；极限学习机；光谱匹配技术；深度学习
一、高光谱图像
随着高光谱成像技术的研究进展，高光谱遥感已经成为遥感领域的前沿技术之一。高光谱遥感器具有很高的光谱分辨率，与传统的遥感技术相比，它能够在连续空间上进行光谱测量，在用成像系统获得被测物空间信息的同时，通过辐射分解能在一个光谱区间内获得每个像元的连续窄波段信息，因此从每个像元均能提取一条平滑完整的光谱曲线[1]。高光谱图像处理最重要的任务之一就是分类，把每个像素分为一个特定的土地覆盖类别[2]。高光谱图像分类在很多应用上都发挥着重要的作用，如物体识别，环境监测、精细农业、城市规划和侦察等。尤其是在目标检测领域，将高光谱遥感图像技术应用于对矿物进行智能分拣的情景中，可以大大提高分拣效率，减少检测分拣工作所消耗人力成本。
二、极限学习机(ELM)
高光谱图像不仅拥有二维的平面图像，还包含了蕴含丰富光谱信息的光谱维，数据具有波段多、光谱分辨率高、数据量大的特点[1]。由于高光谱数据波段数量很大，训练样本数量又相对较小[3]，针对高光谱图像的分类面临重重挑战。尽管近年有学者陆续提出不少用于克服这些问题的机器学习方法如支持向量机(SVM)[4]、神经网络、半监督学习[5]，但是对于这些参数化的高光谱图像分类方法来说，寻找最优参数通常是很困难且很耗时的。
极限学习机(ELM)的提出改善了这一问题。ELM是一种单隐藏层前馈神经网络(SLFN)，它的隐藏层节点是随机生成的，节点参数与输入数据独立，通过计算分析确定神经网络的输出权重[6]。ELM具有良好的泛化能力，它的运用也十分简单，并且相比于反向传播神经网络和SVM来说，ELM的运算成本非常低，在分类时间和精度方面也有所提高[7]，因此得到了广泛的运用。
基于ELM算法，Zhou等人[8]通过使用基于空间和光谱激活函数的核或一般高斯核的线性组合对空-谱图像进行分类，提出了基于ELM的CK空间光谱分类法，分为带CK的ELM(ELM-CK)和带CK的核ELM(KELM-CK)。使用复合的空-谱核作为ELM学习框架的输入，使得针对高光谱图像的分类变得简易，且更加准确而高效。Liu等人[9]提出了一种多特征融合的高光谱图像分类方法，通过主成分分析(PCA)提取光谱特征，并通过局部二进制模式(LBP)、Gabor特征和扩展多属性轮廓（EMAP）提取空间特征，接着基于ELM模型利用概率投票融合多种特征。这种方法充分利用了集中空间光谱的特点，取得了更好的分类结果，并且适用于小的训练样本量条件。Chen等人[10]提出将光谱信息集成到高光谱图像分类中，并充分利用核ELM(KELM)分类器使用空间特征的优势，基于Gabor特征表示有用的空间信息的能力，以及MH预测预处理通过利用高光谱图像的空间分段连续性质来整合光谱和空间信息的能力，将Gabor滤波和多假设(MH)预测处理两种提取空间特征的方式融合到KELM分类器中。通过在真实高光谱数据集上的验证，这两种方法都优于传统的像素分类器以及基于Gabor滤波的支持向量机(SVM)和基于MH预测的支持向量机(SVM)。
三、光谱匹配技术
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
