1. 研究目的与意义、国内外研究现状（文献综述）
1、本课题的意义
近年来中国的城镇化发展较快，城市是人类的聚集地。城市区分为各个功能区。随着发展城市会发生空间上的变化。城市的快速发展需要对其进行监测，如城市变化的监测、城市植被覆盖率、土地闲置情况等。通过收集各种数据对城市发展进行预测和合理规划。传统的统计方法需要工作人员去现场勘测，耗费了大量人力物力。而高光谱图像技术可以不需要工作人员去现场勘测，可以获取大量的信息。利用高光谱图像分类技术可以准确快速的分辨出街道、绿化带等区域，而且节约了人力物力。
2、国内外研究概况
2. 研究的基本内容和问题
1、研究的目标
研究的主要目标就是提高高光谱图像的分类精度。
2、研究内容
3. 研究的方法与方案
1、研究方法
主要的研究方法是文献法，通过阅读前人的研究成果了解高光谱图像分类技术的过程和算法。了解到图像分类主要有特征提取和分类两部分。在进行分类前要选好数据，分为训练集和测试集，并且要有标签。
通过阅读文献，了解目前比较流行的特征提取算法，比如主成分分析(PCA)、Fisher线性判别(LDA)等。找到了一种基于矩阵的判别子空间合并高光谱图像空间光谱特征融合，在文献中的实验证明该算法提高了分类结果。
还要用到实验法。在实现算法之后进行实验，在相同条件下对比以上几种算法的分类精度。分类精度将用总体分类精度(OA)、混淆矩阵（Confusion Matrix）以及Kappa系数来评判分类精度。
2、技术路线
高光谱图像 |
选取训练集 |
特征提取 |
放入分类器中训练、分类 |
得到分类结果 |
3、实验方案
确定一个高光谱图像数据和一种分类器，对每个特征提取的方法使用相同的训练集和测试集。放入分类器中训练、分类，得到分类的结果。分别用多组数据进行上述实验，还要使用其他的分类器进行测试，得到分类的结果。在同一数据、同一分类器的前提下比较不同特征提取方法的效果。在实验中还要对该方法不同窗口大小对分类精度的影响，以及在用二维线性判别分析不同缩小维数对结果的影响。
用于实验的数据集将用到Indian Pines，图像尺寸145145200，共16个类；Pavia University scene，图像尺寸610610102，共9个类；Salinas scene，图像尺寸512217204，共16个类。
4、可行性分析
使用的语言是MATLAB，MATLAB有丰富的库，语言简便，处理图像非常方便。并且此次设计不需要太高的成本，所需的数据都能在网上下载。目前，高光谱图像分类系统已经在遥感城市中得到广泛应用，并且需求越来越大，有着良好的发展前景。4. 研究创新点
实现光谱特征和空间特征的融合，即特征级融合，有效地组合频谱和空间特征。从而增加了效率，减少了同谱异物的现象。利用基于矩阵的二维线性判别分析对数据进行降维，提高分类精度。减少了特征矩阵中的冗余信息，提高特征表示的判别能力。为减轻不平衡数据分布问题，使用了一种基于随机抽样的子空间集合方法进行光谱空间特征融合。
5. 研究计划与进展
1、研究计划
本课题计划实现以下功能：打开高光谱图像的伪色彩图像、选择训练数据、不同种特征提取的方法、两种分类器（包括svm和逻辑斯蒂回归）、显示分类结果用不同颜色标记不同类别的区域、得到分类的精度。
2、预期进展
