杨冰[1]2008年在《基于不同分类方法土地利用/覆盖分类精度分析》文中研究表明遥感图像分类是遥感研究领域的重要内容,如何解决多类别的图像的分类识别并满足一定的精度,是遥感图像研究中的一个关键问题。本文以土地利用与土地覆盖信息提取的实际应用出发,以内蒙古自治区伊金霍洛旗红庆河乡的TM遥感图像为主要数据资料,在对影像的光谱特征综合分析、选择参与分类的最优波段组合后,分别应用最大似然分类法、基于灰度共生矩阵的纹理信息分类法和基于决策树的专家分类法,对研究区影像进行了分类研究。并对叁种分类方法的分类精度进行了比较,在此基础上分析了不同土地利用与土地覆盖类型的分类精度。经过对分类精度评价指标的计算结果分析评价后,叁种分类方法的总精度都在80%以上,满足应用的要求。将纹理信息引入分类中,可提高分类总精度;基于决策树的专家分类方法虽然具有较高的分类总精度,但对有些土地利用与土地覆盖类型的分类精度较差。与传统的最大似然分类方法相比较,基于灰度共生矩阵的纹理信息分类法和基于决策树的专家分类方法,改善了研究区土地利用与土地覆盖的分类效果,提高了分类精度,但是原理和运算较复杂。每一种方法都有其相应的优缺点。
段新成[2]2008年在《基于BP人工神经网络的土地利用分类遥感研究》文中研究表明遥感图像分类是遥感研究领域的一个重要内容,怎样解决多类别图像的分类问题,并且满足一定的精度,是遥感应用研究中一个关键问题,具有十分重要的现实意义。近年来,随着人工神经网络理论的发展,神经网络技术日益成为遥感图像分类处理的一个重要手段。本文首先分析了国内外遥感图像分类研究的最新进展,特别是人工神经网络理论。在此基础上采用BP人工神经网络分类方法,利用SPOT遥感影像,对北京颐和园地区进行土地利用分类研究。在分类前,对遥感影像进行了反差扩展、主成份变换和图像融合的预处理工作,综合考查地物的光谱特征,在对植被和水体信息提取的基础上进行了训练区的高精度选取;并且依据研究目的和影像特征,准确设计BP网络结构和设置网络训练参数。最后,通过误差矩阵以及采样方法进行精度分析,我们发现采用BP神经网络分类法的总体分类精度是91.90%,与最大似然分类法比较,总体精度提高了7%,Kappa系数也从80.32%提高到了89.84%。以上研究数据说明:①BP神经网络分类法是一种有效的分类方法,能够提高分类精度。②与传统方法比较,BP神经网络分类法有更好的自学习和自适应能力,有利于多源数据的综合研究,达到提高分类精度的目的。
亓呈明[3]2016年在《基于多核学习的高光谱遥感影像分类方法研究》文中进行了进一步梳理高光谱影像分类目前已是遥感领域的研究前沿,目的是从遥感数据中获取地物信息,分类方法的优劣直接影响着分类的精度。特征选择是从原始特征中选出一些最能代表特征的样本,是提高学习算法性能的重要手段。过去几年的研究表明,基于经验风险最小化原则的传统分类方法,已显示了明显的不足。机器学习是人工智能的一个重要领域,由采用支持向量机是基于结构风险最小化原则的统计学习理论发展出的一种在样本有限情况下的通用学习方法。本文通过对高光谱影像特性的深入分析,通过引入信息论、计算智能、集成学习等领域的新理论和新方法,研究高效的特征提取与分类技术,探讨影响分类准确率的因素,并在多个高光谱影像数据集上验证了本文提出的多种方法。论文主要内容包括:(1)采用标准差,Kullback-Leibler距离和相关系数,提出一种新的特征选择方法,将信息最丰富和相关性最小的波段作为分类特征。在多核集成框架下对所选择的特征集进行实验,实验结果验证了方法的有效性。(2)基于信息测度,提出利用Kullback-Leibler距离构造支持向量机核函数,并依此构建了多核集成框架。通过在公开基准数据集和高光谱影像数据集进行实验,与目前各种流行的算法的比较,验证了所提方法的性能。实验评估了所提方法中的各种参数,为寻找精度和效率间的权衡点提供了依据。(3)基于互信息和Jeffries-Matusita距离测度提出一种两阶段特征选择方法。在第一阶段,选择具有最小冗余度最大相关准则的特征。在第二阶段,在第一阶段获得的特征子集中,用最大化Jeffries-Matusita距离以增加光谱可分性的方法,进一步选择特征子集。在基准高光谱数据集上的实验证明了所提方法能选择更好的特征子集,是一种更有效、更高效的方法。(4)通过带变异机制的粒子群优化算法优化支持向量机分类器的参数,并采用AdaBoost和随机方法解决多类分类问题,提出一个改进的集成学习框架。在此框架下的实验证明了方法的高效性。
肖辉军[4]2007年在《基于多时相多源影像的丹江口市土壤侵蚀监测研究》文中研究表明土壤侵蚀是当前我国发生范围最广，危害最严重的生态环境问题之一，它不仅使土壤侵蚀的局部区域生态环境恶化、而且其危害性往往波及更大的范围。丹江口水库位于鄂、豫、陕3省交界处，目前它承担着南水北调中线工程向包括首都北京在内的我国北方供水任务，引起了社会各界的广泛关注。随着工程的实施，库区的生态环境问题，尤其是土壤侵蚀，成为影响水库水质和调水工程成败的重要因素。所以调查和评价丹江口水库水源区土壤侵蚀现状与动态变化的研究十分必要。与其它调查和评价土壤侵蚀的方法相比，遥感技术具有多种类、多平台、多时段、多波段的特色和信息丰富、信息周期短，现时性和宏观动态性强等优势，无疑是最快速、有效的先进手段之一。本文在综述土壤侵蚀研究、土壤侵蚀遥感监测研究进展和遥感监测方法的基础上，选择南水北调水源区的丹江口市为研究对象，运用RS与GIS、GPS技术以及水土保持理论，对不同时相、不同来源的遥感数据的信息提取作了较为详细的研究，使用了小波融合方法和支持向量机的的分类方法。选择Erdas专家分类器的方法，依据土壤侵蚀强度分类分级标准，得到土壤侵蚀强度分级结果图，并对1991年、2000年、2005年叁个时期土地利用、植被覆盖和土壤侵蚀状况进行对比分析，分析其变化规律，主要结论如下：第一，选用1991年TM、2000年ETM+、2005年IRS-P6叁期卫星影像，并对这些不同时相、不同来源的影像进行了几何校正、数字镶嵌以及波段间统计特性分析及组合选择。在对影像融合技术研究的基础上，采用双正交小波变换与IHS变换结合的方法，并与db4小波变换、IHS变换方法进行了对比分析。研究证明，利用本文的融合方法，ETM+融合后的影像既保留了多光谱影像的丰富光谱信息，又不同程度提高了空间分辨率，很大程度上改善了目视解译效果和自动分类效果。第二，在对叁期影像进行监督分类的基础上，选用优于传统监督分类器的支持向量机(SVM)的分类方法，提高了分类精度。以IRS-P6影像为例，SVM分类的kappa系数、总体分类精度分别为0.797、82.37％，而最常用的最大似然法的kappa系数、总体分类精度分别0.759、78.43％。ETM+融合后影像的分类精度比融合前也有提高。第叁，针对植被覆盖因子的提取，TM与ETM+采用修正的NDVI模型，而IRS-P6采用的是通用NDVI模型并以分类方式提取植被覆盖度。叁期影像均采用的是分类后对比法，在GIS中对土地利用变化进行了对比分析。1991年～2000年和2000年～2005年，有林地、居民地在两个时段都呈正增长趋势，未利用地、灌木林总体呈下降趋势。旱地、草地2005年都比1991年有一定程度减少，水域有增加，水田变化不大。第四，研究结果表明，从1991年～2005年，侵蚀面积总体趋减，侵蚀状况逐步改善。1991年侵蚀面积为1736.29 km~2，占土地总面积的55.63％；2000年为1408.96km~2，占土地总面积的45.14％；2005为1258.37 km~2，占土地总面积的40.32％。在侵蚀强度分级中，叁个时期产生明显土壤侵蚀的级别中均以中度、轻度侵蚀为主。1991年中度、轻度占土地总面积的21.84％和21.04％：同比，2000年分别为17.98％、17.07％；2005年分别为15.79％、15.56％。
谭莹[5]2008年在《翁源县基于纹理信息及CART决策树技术的遥感影像分类研究》文中研究表明遥感科学技术的形成与发展,以及与全球定位系统等地理信息系统科学的融合、渗透和统一,形成了新型的对地观测系统,为林业科学研究提供了全新的科学方法和技术手段,其生产意义和社会经济效益是不言而喻的。传统的基于像素光谱信息分类的方法仅依靠影像中的光谱信息进行分类,会出现很多的误分和错分。特别是在面对高分辨率遥感影像分类时,显得力不从心,所得的精确度远远达不到生产的要求。大量实验研究表明,只依靠光谱信息来解决遥感中的地类分类是远远不够的。遥感影像中还蕴含着地类的细节纹理信息。我们可以结合光谱信息及纹理信息来进行有效的分类。在分类方法的选择上,决策树分类法已被应用于许多分类问题,但应用于遥感分类的研究成果并不多见。决策树分类法具有灵活,直观,清晰,强健,运算效率高等特点,在遥感分类问题上表现出巨大优势。本次论文中以广东省翁源县的LandsatTM/ETM+遥感影像为研究数据源。利用决策树算法,加入提取的纹理信息进行遥感地类分类,并把获得的结果与传统的最大似然法进行分类进行比较。结果表明:在卫星影像的整体分类精度上,决策树分类技术要优于最大似然法,加入纹理信息的分类方法能有效提高分类精度。相对于最大似然分类,决策树的树状分类结构对数据特征空间分布不需要预先假设某种参数化密度分布,所以其总体分类精度优于传统的参数化分类精度。
孙雅荣[6]2007年在《城市绿地信息提取及空间数据质量评价分析》文中研究表明作为城市绿化信息系统(UGIS)的核心,数据质量是保证决策正确、系统有效运行的关键。研究绿地信息提取方法和建立绿化空间数据质量评价标准,可以提高遥感资源的实用性、增强数据的科学性、保证系统有效性和决策的正确性,具有重要的经济价值和学术意义。本文围绕城市绿地信息提取和空间数据质量评价两个方面,对数据质量进行了研究。采用面向对象技术对城市绿地信息进行自动提取,从绿化信息系统数据采集的角度研究了提高数据精度的方法;采用缺陷扣分法和缺陷率度量法对绿化空间数据质量进行评价和分析,从绿化信息系统数据入库环节方面保证数据精度。主要包括以下几个方面:(1)采用面向对象技术对航空遥感影像进行了绿地覆盖信息的自动提取;结合专题图对园林绿化覆盖信息进行提取;结合野外实地采样和目视解译采样,对绿化信息提取精度进行了验证;进行了简要的误差分析。(2)建立了点状绿化空间数据缺陷分类指标,采用基于简单随机抽样的缺陷扣分法对点状空间数据进行了质量评价和分析。(3)建立了面状绿化空间数据缺陷分类指标,采用基于分层抽样的加权扣分法对面状空间数据进行了质量评价和分析。(4)建立了绿化数据的属性数据缺陷分类指标,采用基于分层抽样的缺陷率度量法对属性数据进行了质量评价和分析。本研究为利用遥感影像进行城市资源调查、城市规划、城市发展决策提供坚实的理论依据,为空间数据质量评价提供可供借鉴的科学规范。
杨京辉[7]2015年在《基于稀疏表达及空间信息的高光谱图像分类方法研究》文中进行了进一步梳理高光谱遥感技术作为一种前沿技术在许多领域都有广泛的应用,包括农业生产、矿物识别、目标检测、灾害预警、军事侦察与城市规划等等。采集到的高光谱数据具有较高的光谱分辨率和空间分辨率,数据特点为信息量大、冗余多、维数较高,同时在波段之间存在着很强的相关性,因此高光谱数据在提供丰富信息的同时也为后续的处理带来了不小的挑战。高光谱图像分类技术是高光谱数据处理的关键技术,如何有效地利用丰富的图像信息来提高分类效果得到了越来越多的关注。同时,相比于传统的分类方法,稀疏表达分类在数据处理方面显示出巨大的潜力,迅速成为研究热点。本论文基于实际的项目背景,以高光谱图像的分类理论和方法为框架,重点从如何更有效地利用稀疏表达和更充分地挖掘高光谱图像所包含的信息两大角度出发,针对在稀疏表达之中如何有效地结合空间信息展开相关的研究与探讨,旨在消除分类结果中的零星被错误分类的像元、实现高精度的分类。论文研究的主要内容如下:1、为了更好地对高光谱图像进行表达,同时利用空间邻域信息消除分类结果图中经常存在的一些零星被错误分类的像元,提出了基于稀疏特征和邻域同质性的高光谱图像分类算法。首先,为了使图像信息得到较好地表述,同时方便后续的图像处理过程,将高光谱图像中仅含少量非零元素的稀疏特征作为分类特征,然后,将提取出的稀疏特征应用支持向量机(Support Vector Machine,SVM)算法进行分类,得到基于稀疏特征的初始分类结果。为了进一步提高分类精度,引入图像中相邻像元间的空间相关性,对初始分类结果进行邻域同质性判定。理论分析和实验仿真均验证了所提算法具有优良的分类性能。2、为了充分利用稀疏表达所产生的稀疏特征,同时通过马尔科夫随机场(Markov Random Field,MRF)有效地引入图像中的上下文信息,提出了基于稀疏特征和马尔科夫随机场的高光谱图像分类算法。首先应用字典学习过程,完成一组基础向量组合的寻找,通过基础向量组合可以获取较高层次的高光谱数据。然后,通过稀疏表达来获取高光谱图像的稀疏特征使隐含信息较好地显示出来。接下来,将稀疏特征输入概率SVM得到每个像元对应的所属类别的概率估计,同时,在分类过程中引入基于MRF的空间信息,通过上下文的文本信息来修正基于稀疏特征的概率SVM的分类结果,得到最终分类结果。实验验证了所提出分类算法的有效性。3、为了使用空间光谱特征来较为全面的刻画高光谱数据,并有效地结合稀疏表达分类器来提高分类效果,提出了基于空间光谱特征和稀疏表达的高光谱图像分类算法。在对高光谱数据进行分类时,仅靠单一的光谱特征而忽略图像本身所具有的空间特征不能得到理想的分类结果。为了避免上述缺点,首先将对原始图像中所提取的空间纹理特征与光谱特征加以融合,形成图像的空间-光谱特征,实现高光谱图像的有效描述。然后,构造基于空间-光谱特征的训练集,将该训练集结合稀疏表达完成对整个高光谱图像的连释。最后通过图像所对应的各类别重构的冗余来确定归属类别,完成分类过程。实验结果表明所提出算法通过有效利用空间-光谱特征提高了分类效果。4、为了充分利用高光谱图像的空间光谱信息,并且考虑邻域像元的相关性和局部性来获取更好的分类效果,同时融合稀疏协作表达,使整个分类过程成为一个统一的框架,提出了一种基于空间光谱信息和稀疏协作表达的高光谱图像残差融合分类算法。该方法首先将高光谱图像分别由空间特征和光谱特征进行有效地表示,然后通过联合稀疏表达分类器(Joint Sparse Representation Classification,JSRC)和局部联合协作分类器(Locally Joint Collaborative Representation Classification,LJCRC)来分别处理提取出的特征,最后将不同分类器所得的残差进行融合,根据融合的残差来确定样本的归属类别。实验表明,本文提出的算法相比于当前主流分类算法具有更优的分类效果。
钱茹茹[8]2007年在《遥感影像分类方法比较研究》文中进行了进一步梳理遥感技术已成为土地利用/覆盖信息来源的重要手段,分类方法在其研究中占有重要的地位,方法的优劣直接关系着分类的精度。本文回顾了遥感图象分类的研究背景,阐述了遥感基本理论和图像预处理的一些方法,简要概述了遥感图像分类的概念和原理,详细探讨了传统的遥感分类方法——监督分类和非监督分类,以及近年来出现的一些较新的分类方法——人工神经网络和模糊分类,对各种方法的原理,算法及各自的优缺点进行了比较分析。最后,用不同的遥感分类方法对实际遥感影像进行分类,通过分类结果的分析比较,得出不同方法在实际使用过程中的特点。结果表明,人工神经网络分类方法在分类效果上要优于传统的分类方法。总之,遥感图像分类是模式识别领域一个比较复杂的问题,遥感影像的监督分类和非监督分类方法,是影像分类的最基本、最概括的两种方法。传统的监督分类和非监督分类方法虽然各有优势,但是也都存在一定的不足。而新的分类方法如神经网络以其自适应、自学习、联想记忆和分布存储等良好特性,被人们加以重视和广泛应用于图像分类中,打破了传统的统计分类方法的局限,提高了分类速度和精度。虽然各种分类方法各有特点,但在实际工作中还需要综合应用多种分类方法,以提高分类的准确率与精度。
汪求来[9]2008年在《面向对象遥感影像分类方法及其应用研究》文中指出遥感技术的发展,尤其是近年来高分辨率卫星影像的出现更加扩大了人们对自然界观察的广度和深度。到目前为止,对遥感技术的应用主要是通过提取卫星影像中感兴趣信息来实现的。但是,IKONOS和QuickBird等常用高分辨率影像表现出更多的空间信息诸如形状、纹理和上下文等。尽管遥感影像分类技术有了长足的发展,但是对于高分辨率遥感影像来说,利用单一传统的基于像元的分类方法不仅会导致分类精度降低,而且会造成空间数据大量冗余和资源浪费。当前,各地政府非常重视城市植被建设,遥感技术则应用于城市植被调查中。尽管中低分辨率影像提取植被较粗放,但在过去一段时间促进了遥感在城市植被调查中应用。由于高分辨率影像空间分辨率更高、信息量更丰富,可以在更深层次上表现城市植被信息,目前正替代中低分辨率影像被广泛应用于城市植被调查中。本文以QuickBird影像为数据,对面向对象的遥感影像分类方法进行了较深入研究,并在此基础上以深圳福田区为例,应用面向对象方法提取QuickBird影像上的详细植被信息。旨在加深对面向对象分类方法的理论和应用认识,为后续研究打下基础。本文主要研究内容与成果如下:(1)在面向对象影像分析前必须进行尺度转换,本文在基于像元的尺度转换基础上研究了面向对象的尺度转换问题。它以多尺度分割技术分割高空间分辨率影像而生成多个对象层,构建不同尺度的影像信息等级结构,实现遥感影像信息在不同尺度层之间的传递。并分别以对象均值、对象标准差、植被对象NDVI均值、对象分形维数等指标对尺度转换结果进行评价,结果显示各类别对象的评价指标值随尺度会发生变化,且不同类别的变化有一定差异。(2)本文通过实验证明了遥感信息提取中的尺度效应。实验结果表明,在不同分割尺度上遥感信息的提取精度有较大差异,且对于某类别信息的提取,存在一个理论最优尺度使信息提取精度达到最高。(3)影像最优分割尺度是面向对象多尺度分割的关键,是提高信息提取精度的关键。为此,本文依据最佳分割效果原则首次提出了面积比均值法。该方法的思想是,以获得最佳分割对象的尺度即为最优分割尺度这一假设,构建一个面积比均值指标来衡量影像分割对象与实际目标地物的匹配程度。面积比均值指标考虑两个因素:一是目标地物面积与分割对象总面积比,它可表征对象边界与目标边界的吻合度,其值越接近1,越吻合;另一个是分割对象数目,它表征分割破碎化程度,对象数目越少破碎化越低,分割对象越能代表目标地物,越能表现出目标地物的各种空间和形状属性。分割实验表明,该方法选择的最优分割尺度可以获得效果较好的对象影像。(4)本文对最邻近分类器进行深入研究。以其模型表达式为基础,对决定参数距离d的对象特征空间和参数函数坡度(function slope)对分类器性能的影响作了研究。建立类别距离矩阵,确定最佳区分距离对应的特征空间为理论最优特征空间,并通过实验确定分类最优特征空间维数通常不超过10。研究还发现,不同的函数坡度下隶属函数曲线有较大变化,随着函数坡度值增大,隶属度随距离大小变化趋缓。函数坡度越小,会对小距离范围隶属度起到拉伸作用,区分特征差异较小的类别效果好;反之,则在大距离范围对隶属度起压缩作用,区分特征差异较大的类别效果好。(5)针对模糊规则建立时隶属函数构造这一问题,提出应用模糊统计法来构造与真实隶属函数接近的最优隶属函数。该方法的思想是,对类别特征值域先离散化,以影像中处于各区间特征值该类别对象出现频率为该离散点的隶属度,最后对所有离散特征值的隶属度进行拟合得到连续隶属函数。分类实验证明,采用这种方法建立的隶属函数进行模糊信息提取,提取精度有所提高。(6)综合最邻近分类器和基于模糊规则分类器的优缺点,提出模糊多分类器模型。该模型采用级联方式将最邻近分类器和基于模糊规则分类器集成,先用模糊规则分类器提取出容易提取的类别,再用最邻近分类器对不易提取的混合类别进行分类,最后合并所分类别。这种方法可以有效提高信息提取的精度。(7)对研究区影像进行融合、几何精纠正、滤波处理等预处理工作,采用面积比均值法选择分割尺度,手工尝试调节其他参数对影像进行多尺度分割,建立类层次结构,定义模糊规则和特征空间进行模糊分类提取。首先,按照草地、林地、灌木及疏林、其他植被对绿色植被进行初步提取;其次,对林地植被类别进行详细提取,最终得到包括常绿阔叶林、果林、山顶矮林、红树林、其他林地、草地、灌木及疏林、其他植被等八类植被的深圳特区植被详细分类图。最后,对分类结果进行精度评价,并与最大似然法和最小距离法进行比较。结果表明,无论是土地覆盖分类或植被信息提取,面向对象分类方法提取精度均有较大提高。
罗凯[10]2008年在《基于SOFM和专家分类器的土地类型遥感分类研究》文中认为随着遥感技术的不断成熟,土地遥感分类技术已成为获取土地变化信息的主要技术手段之一。本论文在系统介绍了国内外土地遥感分类研究中的主要方法和成果的基础上,重点介绍了当前发展较快的人工神经网络方法的特点以及它在遥感分类中的应用。研究以北京市昌平区为例,应用神经网络中的自组织特征映射网络和专家分类系统相结合对该区的土地利用类型进行分类。首先,对研究区影像数据的地类模数进行研究分析。由于遥感影像中地类往往会存在“异物同谱”、“同物异谱”的现象,所以研究的土地利用类型数目一般不等同于地类的模数。研究采用的自组织特征映射网络属于无导师学习的训练方法,因此网络的输出结果要尽可能地接近地类的模数。然后采用专家分类系统并导入研究区的数字高程数据对分类结果进行再次分类,最后得到研究区的土地类型分类结果。其次,对分类的结果进行精度评价和对比分析。采用类型精度评价法对研究的分类结果进行评价,并与传统的无监分类结果进行比较分析,结果表明该神经网络分类方法比传统分类方法在分类精度上有了较大的提高。最后针对研究中存在的问题,提出如何进一步提高分类精度的方法和建议。本论文针对现在分类方法往往存在单一性的特点,把自组织特征映射网络和专家分类系统结合起来,实现无监分类和先验知识相结合,有效地提高了分类的精度。研究表明根据不同分类方法的各自特点进行互补性结合并加入其它地理辅助数据,能有效地提高遥感分类方法的精度。
参考文献：
[1]. 基于不同分类方法土地利用/覆盖分类精度分析[D]. 杨冰. 内蒙古农业大学. 2008
[2]. 基于BP人工神经网络的土地利用分类遥感研究[D]. 段新成. 中国地质大学（北京）. 2008
[3]. 基于多核学习的高光谱遥感影像分类方法研究[D]. 亓呈明. 中国地质大学(北京). 2016
[4]. 基于多时相多源影像的丹江口市土壤侵蚀监测研究[D]. 肖辉军. 华中农业大学. 2007
[5]. 翁源县基于纹理信息及CART决策树技术的遥感影像分类研究[D]. 谭莹. 南京林业大学. 2008
[6]. 城市绿地信息提取及空间数据质量评价分析[D]. 孙雅荣. 上海师范大学. 2007
[7]. 基于稀疏表达及空间信息的高光谱图像分类方法研究[D]. 杨京辉. 哈尔滨工程大学. 2015
[8]. 遥感影像分类方法比较研究[D]. 钱茹茹. 长安大学. 2007
[9]. 面向对象遥感影像分类方法及其应用研究[D]. 汪求来. 南京林业大学. 2008
[10]. 基于SOFM和专家分类器的土地类型遥感分类研究[D]. 罗凯. 北京林业大学. 2008
标签：工业通用技术及设备论文; 自动化技术论文; 遥感影像论文; 分类器论文; 高光谱图像论文; 遥感图像处理论文; 空间数据论文; 特征提取论文; 图像融合论文; 光谱分辨率论文; 空间分析论文; 分类数据论文; 数据融合论文; 高光论文;