在高光譜圖像的分類方法中，既有傳統(tǒng)的最大似然分類、最小距離分類、神經(jīng)元網(wǎng)絡分類等，又有基于高光譜特征的光譜角度匹配法、二值編碼匹配法、光譜相似度測定法等。在使用過程中都有其優(yōu)缺點。該文擬采用最大似然分類和光譜角度匹配法來對比處理分析包絡線消除前后的高光譜圖像文件。

(1)最大似然分類法(Maximum Likelihood Classification,MLC)

監(jiān)督分類的一種，它基于Bayes準則，判別函數(shù)是統(tǒng)計模式識別的參數(shù)方法，需要各類的先驗概率P(w;)和條件概率密度函數(shù)P(w,x)已知。P(w.)通常根據(jù)各種先驗知識給出或假設它們相等；P(w,x)則是首先確定其分布形式，然后利用訓練樣本估計其參數(shù)。一般假設為正態(tài)分布，或通過數(shù)學方法化為正態(tài)分布。其判別函數(shù)集為：

Di(X)=P(w,lx),/=1,2,…,m若Di(X)≥Dj(X)j≠Lj=1,2,…,m則X為w,類。

(2)光譜角度匹配法(Spectral Angle Mapper,SAM)

所謂光譜角度匹配法是以地物的反射光譜在很大程度上可以決定地物類型的遙感物理為理論基礎，以反射光譜的形狀作為識別地物的特征來導出的。它是目前高光譜圖像分析中較常用的方法，在一些高光譜圖像處理軟件中都包括有。該方法將象元N個波段的光譜響應作為N維空間的矢量，則可通過計算它與最終光譜單元的光譜之間廣義夾角來表征其匹配程度：夾角越小，說明越相似(F.A.Kruse et al,1993)。兩矢量廣義夾角余弦為：

X·Y

cos(a)=

[XHYT

最終光譜單元光譜可從光譜庫中的標準光譜中選取，也可從圖像上提取已知點，求出其平均光譜而得到。在實際應用中，由于地物組成復雜，一個圖像像元點對應的地物不純粹，它的光譜通常是多種物質(zhì)光譜的合成，很難找到標準光譜，因此常常先從圖像中選取已知類型的區(qū)域，以其平均光譜作為樣本中心進行分類，對每一未知像元求與各類中心的反射光譜向量的廣義夾角，將該像元歸人夾角最小的類別中。然而該方法太多強調(diào)了光譜的形狀特征，容易因為光譜維上的噪聲及特征波段信息的微弱而降低分類精度。