超光谱遥感建立在电磁波谱理论、地学规律、电子技术、计算机技术及空间技术的基础上,作为一门独立的综合性新兴科学技术得以建立并迅速发展。由于超光谱遥感所特有的高光谱分辨率的性质,其潜在的可用性已受到广泛关注。针对多光谱图像人们已经研究了多种处理方法,技术趋于成熟,但是超光谱图像的数据量大、数据维高,使通常的多光谱图像处理方法对于超光谱图像的应用有较大的限制,因此探求适合于超光谱图像的处理方法是超光谱遥感应用必须优先研究的课题。本文从分析基本超光谱遥感图像处理理论和现有算法及相关学科理论、技术入手,重点研究了超光谱遥感图像的降维及分类方法,研究的主要内容和创新点如下: 1.深入研究了超光谱遥感图像的降维方法,将它们归结为波段选择、数据源划分、特征提取和融合等4类方法。在分析波段选择降维的诸方法基础之上,提出了一种新的超光谱遥感图像降维方法——自适应波段选择(ABS)。超光谱遥感图像各波段间存在高相关性和高冗余度,选择信息丰富的波段,不仅能够降低数据维数,而且可以大大地降低计算量,从信息处理实效性的角度来看,降维是有必要的。ABS方法充分考虑了各波段的空间相关性和谱间相关性大小,对数据集应用ABS方法后,将求出的各个波段指数值进行由大到小的排列,系统根据设定的阈值自适应地选择需要的波段。ABS方法是在考察图像整体特点之后对图像进行选择的,因此它克服了变换法改变图像的缺点,更有利于保持图像的原有特性。 2.研究了影响超光谱遥感图像分类精度的因素,将他们归结为5类:训练样本的数量、数据的维数、判别函数、假定的概率模型和类别可分性。其中类别可分性代表了数据集的自然特性并决定了分类器能够获得的最优性能。数据集的可分性好,就容易获得高的分类精度。类别可分性通常看作是内在和预先决定的,在其他4种因素都确定的条件下,类别可分性的研究就显得尤为重要。鉴于此,本文提出了利用高斯低通滤波提高类别可分性的方法,高斯低通滤波器对图像具有平滑作用,对于包含多像元同类物质的超光谱遥感图像来讲,该方法可以降低类内距离并提高类间距离,因此更有利于