本发明涉及高光谱遥感影像特征分析技术领域，具体为一种海洋高光谱遥感影像特征分析方法。
背景技术：
近年来，遥感技术取得了巨大的进步。高光谱遥感图像在描述地面真实信息方面的优势使其成为目标检测和分类等重要工具。高光谱图像分类是挖掘高光谱数据信息的常用技术。由于高光谱图像中信息量巨大，在分类前需要进行降维处理。
目前，现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低，所以需要一种海洋高光谱遥感影像特征分析方法。
技术实现要素：
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种海洋高光谱遥感影像特征分析方法，解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种海洋高光谱遥感影像特征分析方法，包括以下步骤：
s1、对海洋高光谱遥感影像特征分类：海面、风场、浪场、流场、潮汐和锋面等等。
s2、对步骤s1中的分类后的各遥感影像进行高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息进行分析计算。
s3、建立计算机图像网络模型。
s4、收集数据进行图像网络模型验证。
优选的，所述步骤s2中高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息分析计算中特定光谱信息被各物质所影响，且所影响的结果被统称为观测矢量，且观测矢量r(x，y)可用线性模式描述:
r(x，y)＝mα(x，y)+n(x，y)
其中(x，y)是像元的空间位置，
m＝(u1，u2，u3，，，ui，up-1，d)是具有线性独立组分的矩阵，
其中d是我们感兴趣的信息，α(x，y)是一个矢量，它的第i个元素代表了像元中第i个信息分量，n(x，y)是一个代表随机噪声的矢量。
优选的，所述s2中光谱信息中任一光谱吸收特征可由光谱吸收谷点与光谱吸收两个肩部组成，光谱吸收指数可表达为:
sai＝[dωs1+(1-d)ωs2)]/ωm
ω为平均单次散射反射率，
s1，s2为光谱吸收曲线的两个肩部，
m为光谱吸收曲线的谷点，
d为吸收的对称性参数，得到一系列典型吸收特征的sai图像后，可用最小二乘法反演各种目标物的光谱混合成分的含量。
优选的，所述步骤s2中光谱维信息分析包括光谱微分技术，且光谱微分技术主要是对反射光谱进行数学模拟和计算不同阶数的微分来确定光谱弯曲点及最大、最小反射率的波长位置。一阶、二阶微分光谱的近似计算方法如下：
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2δλ，
ρ″(λi)＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/δλ2，
λi为每个波段的波长，
ρ′(λi)，ρ″(λi)分别为λi的一阶和二阶微分光谱，δλ是波长λi-1到λi的间隔。
优选的，所述步骤s2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱匹配技术，其主要是通过计算景物光谱(像元光谱、测试光谱)和参考光谱(实验室或已知像元光谱)在不同光谱位置(波段波长位置)的交叉相关系数，得到它们的相似性，用光谱匹配来突出感兴趣的光谱特征，其相似程度指标可用夹角余弦来表示:
cos(s1，s2)＝∫s1(λ)s2(λ)dλ/[│∫s1(λ)2dλ│1/2│∫s2(λ2)dλ│1/2]
s1、s2为两个像元的光谱值。
优选的，所述步骤s2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱分类技术，光谱分类技术方法很多，主要有最大似然分类法、人工神经元网络分类法等，下面笔者主要介绍一种正交子空间投影法，其基本原理是把某个像元矢量投影到一个正交于不期望存在的信号的子空间上，通过正交子空间投影抗干扰，增大信噪比，正交子空间投影分类算法可以提供k个感兴趣信号，同时维数减少到k维，并把高光谱图像进行了分类。该方法可用于纯光谱像元和混合像元。正交子空间投影分类算子为：qt＝dtp
其中p＝(1-uu*)
d为感兴趣的信号，
p为最优抗干扰矩阵，
u*＝(ut-u)-1ut是u的伪逆矩阵，其中u是我们不感兴趣的信号。
(三)有益效果
本发明提供了一种海洋高光谱遥感影像特征分析方法，具备以下有益效果：
(1)、该海洋高光谱遥感影像特征分析方法，通过设置观测矢量，高光谱数据最主要的特点就是将图像维信息和光谱维信息融为一体，在获取地表空间图像信息的同时，得到每个地物的连续光谱信息，从而实现依据地物光谱特征的地物成分信息的反演与地物的识别。
(2)、该海洋高光谱遥感影像特征分析方法，通过设置光谱匹配技术，这种光谱的n阶导数实质上表达了目标物吸收波形的变化，是这些吸收物的丰度与状态的光谱指标，从而有效的解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
具体实施方式
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种技术方案：一种海洋高光谱遥感影像特征分析方法，包括以下步骤：
s1、对海洋高光谱遥感影像特征分类：海面、风场、浪场、流场、潮汐和锋面等等。
s2、对步骤s1中的分类后的各遥感影像进行高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息进行分析计算，步骤s2中高光谱遥感数据波段中的空间图像维信息、光谱维信息和特征空间维信息分析计算中特定光谱信息被各物质所影响，且所影响的结果被统称为观测矢量，且观测矢量r(x，y)可用线性模式描述:
r(x，y)＝mα(x，y)+n(x，y)
其中(x，y)是像元的空间位置；
m＝(u1，u2，u3，，，ui，up-1，d)是具有线性独立组分的矩阵；
其中d是我们感兴趣的信息，α(x，y)是一个矢量，它的第i个元素代表了像元中第i个信息分量，n(x，y)是一个代表随机噪声的矢量，通过设置观测矢量，高光谱数据最主要的特点就是将图像维信息和光谱维信息融为一体，在获取地表空间图像信息的同时，得到每个地物的连续光谱信息，从而实现依据地物光谱特征的地物成分信息的反演与地物的识别。
s2中光谱信息中任一光谱吸收特征可由光谱吸收谷点与光谱吸收两个肩部组成，光谱吸收指数可表达为:
sai＝[dωs1+(1-d)ωs2)]/ωm
ω为平均单次散射反射率；
s1，s2为光谱吸收曲线的两个肩部；
m为光谱吸收曲线的谷点；
d为吸收的对称性参数，得到一系列典型吸收特征的sai图像后，可用最小二乘法反演各种目标物的光谱混合成分的含量。
步骤s2中光谱维信息分析包括光谱微分技术，且光谱微分技术主要是对反射光谱进行数学模拟和计算不同阶数的微分来确定光谱弯曲点及最大、最小反射率的波长位置。一阶、二阶微分光谱的近似计算方法如下:
ρ′(λi)＝[ρ(λi+1)-ρ(λi-1)]/2δλ，
ρ″(λi)＝[ρ(λi+1)-2ρ(λi)+ρ(λi-1)]/δλ2，
λi为每个波段的波长；
ρ′(λi)，ρ″(λi)分别为λi的一阶和二阶微分光谱，δλ是波长λi-1到λi的间隔。
步骤s2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱匹配技术，其主要是通过计算景物光谱(像元光谱、测试光谱)和参考光谱(实验室或已知像元光谱)在不同光谱位置(波段波长位置)的交叉相关系数，得到它们的相似性，用光谱匹配来突出感兴趣的光谱特征，其相似程度指标可用夹角余弦来表示:
cos(s1，s2)＝∫s1(λ)s2(λ)dλ/[│∫s1(λ)2dλ│1/2│∫s2(λ2)dλ│1/2]
s1、s2为两个像元的光谱值。
步骤s2中空间图像维信息、光谱维信息和特征空间维信息分析计算包括光谱分类技术，光谱分类技术方法很多，主要有最大似然分类法、人工神经元网络分类法等，下面笔者主要介绍一种正交子空间投影法，其基本原理是把某个像元矢量投影到一个正交于不期望存在的信号的子空间上，通过正交子空间投影抗干扰，增大信噪比，正交子空间投影分类算法可以提供k个感兴趣信号，同时维数减少到k维，并把高光谱图像进行了分类。该方法可用于纯光谱像元和混合像元。正交子空间投影分类算子为：qt＝dtp
其中p＝(1-uu*)
d为感兴趣的信号；
p为最优抗干扰矩阵；
u*＝(ut-u)-1ut是u的伪逆矩阵，其中u是我们不感兴趣的信号。
s3、建立计算机图像网络模型。
s4、收集数据进行图像网络模型验证，通过设置光谱匹配技术，这种光谱的n阶导数实质上表达了目标物吸收波形的变化，是这些吸收物的丰度与状态的光谱指标，从而有效的解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
综上所述，该海洋高光谱遥感影像特征分析方法，通过设置观测矢量，高光谱数据最主要的特点就是将图像维信息和光谱维信息融为一体，在获取地表空间图像信息的同时，得到每个地物的连续光谱信息，通过设置光谱匹配技术，这种光谱的n阶导数实质上表达了目标物吸收波形的变化，是这些吸收物的丰度与状态的光谱指标，从而有效的解决了现有技术中的高光谱遥感影像特征分析方法往往地物识别分类精度较低的问题。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。