全文总字数：4920字

1. 研究目的与意义及国内外研究现状

与传统遥感技术相比,高光谱遥感数据有着图谱合一和光谱连续的优势,能够实现地物的准确识别和精细分类，但是在分辨率提高的同时，由于波段连续，波段之间的相关性大大提高，相邻波段有重叠的部分，由此产生大量的信息冗余。且由于高光谱遥感波段多，其数据量呈指数增加，为后期数据处理以及制图产生影响。例如indian pines高光谱数据，其空间分辨率可达145145，共有220个波段，庞大的数据量为应用人员存储数据与传输数据都带来了巨大的挑战。面对如此多波段，如何处理海量的光谱图像数据，从中提取有利信息，成为目前遥感领域的研究热点。因此需要先对数据降维，用较少的综合变量来代替原来较多的变量，而这几个综合变量要尽可能多的反映原来的变量信息，由此更加有利于数据的可视化和对数据的理解与解译。在高光谱图像精细分类中，噪声对于分类结果有着最直接的影响。本文立足于高光谱的优点与不足，以高光谱降维作为研究的切入点，以cuprite地区的高光谱图像为例，基于envi软件对高光谱图像降维的方法做一定的讨论。

国内外研究现状

近几十年来，国内外对于高光谱降维内容的研究不断增多。专家们积极提出方法，最大限度的突出高光谱地物信息丰富的特点。例如，chang研究得出在整体分类精度保持不变的情况下，最大限度可有94％的光谱波段可被剔除。由此，在对地物进行识别与分类之前，一般要对高光谱数据预先进行降维处理，以保留有“价值”信息（以便进一步对高光谱数据进行分类识别），减少冗余的信息，提高地物的识别与分类的效率。目前，众多的特征提取方法陆续被提出并成功应用于高光谱数据降维研究，如最小噪声分离变换（minimum noise fraction,mnf）、主成分分析（pca）、小波变换、投影寻踪、独立成分分析（independent component analysis, ica）、典型分析（canonical analysis, ca）、线性判别分析等。同时还有一部分专家实现了高光谱数据非线性特征的提取，借助核技巧与核技术，核化传统的线性技术，例如yang提出的fisher判别分析法在实际中也多有应用，fauvel与bai等分别提出了核pca与核ica的降维方法。但是，基于核化的特征提取方法常常依赖隐式映射，对于使用该方法的应用人员不能够直观理解方法的工作原理，且核的选择与最优核参数的配置暂无可信的理论依据，因此其应用较为小众。还有一类非线性特征提取技术为基于“流形学习”的非线性降维方法，例如罗琴等提出了局部线性嵌入的方法。而本文主要研究（全局的）线性方法中的mnf、pc与ic三种方法，它们有较高的应用价值，应用范围广泛，其原理将在后文做详细论述。

2. 研究的基本内容

特征选择与特征提取是高光谱数据降维操作中常用的两种方法。前者是未进行变换的操作，而直接从原始的波段中选择能为研究所使用的相关有效波段；后者是提出一种函数变换，使原始波段在经过这种函数变换后，得到新的波段，从而达到与前者相同的提取有效波段的目的。二者都可以提高图像特征提取或者图像分类的速度与效率。本文主要讨论最大噪声分离降维方法（minimum noise fraction,mnf）、主成分分析（principal components analysis，pca）与独立成分分析（independent component analysis, ica），这三种方法皆基于特征提取而提出的，是通过函数分别对图像进行变换达到降维目的，从而对图像分类精度产生影响，通常用分类精度来对三种降维方法进行评价。主要流程如图：

对于高光谱图像来说，波段较多（上百个），一一进行人工辐射定标与几何校正操作是需要很大工作量的，所以我们获得的高光谱图像往往是经过图像供应商辐射定标和几何纠正后的数据，可直接进行大气校正。

（一）主成分分析（principal components analysis，pca）

3. 实施方案、进度安排及预期效果

	进度	起止日期
1	相关文献的调研，资料收集，制定毕业设计方案	2016.1.4-2016.1.14
2	实验方案的探讨与指导老师进行问题答疑	2016.3.5-2016.3.23
3	按照实验方案进行实验，得出相应图像结果	2016.3.23-2016.4.31
4	对毕业设计进行理论和实验两方面的总结，整理实验结果，撰写毕业论文；	2016.5.1-2016.5.8
5	论文指导老师初评，并给出修改意见，在老师的指导下进行修改	2016.5.8-2016.5.1
6	完成答辩PPT，准备答辩	2016.5.16-答辩日

以上各任务皆按时间节点计划完成。

预期效果：

实现降维方法优劣比较。

4. 参考文献

[1]浦瑞良,宫 鹏.高光谱遥感及其应用[m]．北京：教育出版社，2000:3.

[2]袁迎辉,林子瑜.高光谱遥感技术综述[a].中国水运,2007,（8）

[3]高连如,张 兵,孙 旭,李山山,张文娟.高光谱数据降维与分类技术研究[j].第八届成像光谱技术与应用研讨会暨交叉学科论坛文集[c].北京：中国科学院对地观测与数字地球科学中心，2001.

[4]foody g m,sargent i m j,atkinson p m,et al.2001.land cover classificasion from hyperspectral remotely sensed data:an investigation of spectral,spatial and noise issues. ieee igarss 2001,6(3):2728-2730.