为了解决基于监督学习的高光谱图像分类算法训练样本中存在的噪声标签会降低后续的分类精度的问题, 采用了一种基于低秩稀疏表示和改进光谱角制图(SAM)的高光谱图像误标签检测算法。首先对高光谱图像中信号子空间进行预测, 根据预测到的子空间对原始高光谱图像重构并去噪;然后通过基于归一化的光谱角制图算法来获取每一类样本间的距离信息, 得到每类样本间的光谱相似度, 并利用密度峰值聚类算法得到每个训练样本的局部密度;最后采用基于局部密度的决策函数对噪声标签进行检测, 使用支持向量机在两个真实数据集上验证。结果表明, 该算法比先进的层次结构的高光谱图像误标签检测算法提高了1.91%的总体精度。这一结果对高光谱图像分类是有帮助的。

波段选择是高光谱降维的常用手段，文中从波段选择应遵循的3个原则出发设计了一种基于信息散度与光谱可分性距离的波段选择算法。将高光谱数据中每个波段的光谱分量看作一个一维向量，使用K-L散度表示其相互之间的信息量，选出信息量大且相似性最小的波段组合；根据每个波段中不同地物光谱可分性距离的计算，得到可分性较大的波段组合；将两组波段组合取交集，即得到最优组合波段。为了验证算法的有效性，将选出的最佳3个波段进行伪彩色合成，对其进行光谱角制图分类，分类精度达到922%，Kappa系数为088.

农作物遥感估产区划是农作物遥感估产的基础, 它为估产研究和实践提供了重要的科学依据。 以冬小麦生育期内的MODIS EVI时间序列作为分区数据, 选择江苏省为试验区, 探讨了一种改进的光谱角制图和K均值聚类相结合(光谱角聚类)的分区方法, 并在冬小麦遥感估产中进行了试验。 结果表明: 光谱角聚类分区方法充分利用了MODIS时间序列数据所反映的农作物生长进程, 可以充分体现气候差异所带来的冬小麦区域差异; 与传统分区相比, 基于光谱角聚类分区方法所得到的遥感估产结果具有较高的决定系数R2(0.702 6比0.624 8)和较低的均方根误差RMSE(343.34比381.34 kg·hm-2), 体现了该分区方法在冬小麦遥感估产中的优势。 光谱角聚类分区方法仅以获取便利的低分辨率时间序列遥感数据为分区数据, 且能很好的将冬小麦划分为特征性质一致的区域, 所得遥感估产模型的精度和稳定性也较好, 为冬小麦遥感估产分区提供了一种有效方法, 有利于进行冬小麦遥感估产研究。

根据光谱特征拟合算法在实际应用中存在的问题, 介绍一种改进光谱特征拟合算法, 该算法综合常规的特征拟合处理和地物光谱吸收特征参量约束为一体, 能更细致地进行高光谱数据地物信息提取。 实验基于不同空间分辨率和信噪比的高光谱数据, 编程实现改进光谱特征拟合算法对实验区的白云母、 方解石、 绿泥石等蚀变矿物信息提取, 与常规光谱特征拟合和光谱角制图处理结果的比较分析发现改进算法在矿物混淆区分、 信息提取精细度上均得到提高, 有较强的实用性。

分析光谱角制图方法缺陷的基础上, 提出权重光谱角制图（weight spectral angle mapper, WSAM）方法。 其基本思路为: 在相似波谱曲线差异较大的特征区间设置权重, 以增大它们相似度之间的差异。 当识别某种矿物时, 可找到参考波谱与其相似性矿物波谱差异较大的特征区间, 并在此区间设置权重, 从而使相似性矿物波谱与参考波谱的相似度降低, 增加其与目标矿物的区分度。 通过AVIRIS高光谱数据的实验证明, 权重光谱角制图方法通过设置目标矿物和其相似性矿物的差异特征区间, 降低了相似矿物波谱与目标矿物标准波谱的相似性, 增加了相似性矿物的目视区分能力, 能够较为准确地区分出目标矿物和其相似性矿物。