本文的主要目标是VHR多光谱和高光谱遥感图像的分类。上一代遥感传感器能够从卫星和机载平台获得空间及光谱分辨率非常高的图像。新一代遥感系统获取的VHR多光谱图像,不仅拥有亚测量空间分辨率和高光谱图像,而且具有数百个窄光谱带的非常精细的光谱分辨率。遥感图像用给定研究区域内的空间坐标(如街道,建筑物,植被,水等等)来精确表征地面上的不同目标。这种类型的数据为环境、安全、城市研究、监测等相关的若干应用提供了十分有用的信息。针对具有多光谱和高光谱数据的实际应用的开发,有必要为图像分析设计出更为高效的方法。本文将重点放在遥感图像分类中的特征提取和融合技术上,这是VHR多光谱和高光谱图像分类框架中最重要的一步。作为包含广泛的空间、时间、光谱和辐射分辨率的遥感数据中的主要应用之一,图像分类是遥感中的一项重要任务。它可以作为遥感领域大多数图像理解和表示的支点。像素级分类是遥感领域的重要研究课题,由于两方面的因素使其极具挑战性。首先,数据的光谱维度很大。其次,光谱特征的空间变化很大。因此,本文的总体目标是开发VHR多光谱和高光谱图像分类的新技术。本文提出的方法致力于提取和描述能够表示大光谱和空间信息的有用特征以提高分类性能,并在实际应用中得到良好的分类结果。本论文考虑以下三种不同的策略:1)第一种策略是开发用于高光谱和VHR多光谱图像分类的特征提取技术,以识别出有用的光谱和空间特征。这些特征针对预定义的类别有着很高的区分能力,且在给定场景的空间域中具有高度不变性。该特征提取策略基于两个提取器:扩展的多属性轮廓和稀疏自编码器。在第一个中,我们使用扩展多属性轮廓(EMAP)来提取空间特征。接着,我们使用稀疏自编码器(SAE)进行EMAP-SAE的特征提取和降维。最终得到的EMAP-SAE特征被用于支持向量机(SVM)的有监督分类。尽管这种方法具有很高的性能和速度,但我们发现这个过程失去了大量的光谱信息。为此,我们设计了第二种方法Spectral-EMAP-SAE来恢复光谱信息的损失以提高分类的性能。在这个方法中,扩展的多属性轮廓被用于空间特征的提取,之后空间特征被连接到一个给定的遥感图像的完全原始光谱信息来描述它的光谱空间特性。由此得到的特征被送入稀疏自编码器来提取更有效的混合特征。最后,通过SVM分类器来对所学到的光谱空间特征进行分类。2)第二种D-SS Frame(D-SS帧:深谱-空间帧)策略基于特征提取和融合技术,使用深度学习方法进行全色和多光谱图像分类。具体而言,所提出的方法使用稀疏自编码器和深层堆叠稀疏自编码器从同一场景的全色(PAN)和多光谱(MS)图像中提取和融合光谱及空间信息。所设计的框架分为三个阶段:第一阶段是利用稀疏自编码器从全色图像(高分辨率图像)中提取空间信息,第二阶段采用堆叠稀疏自动编码器(SSAE)描述多光谱图像(低分辨率图像)的光谱信息。最后,在第三阶段,直接将从全色和多光谱图像中获得的空间和光谱特征进行简单的特征融合,然后将其作为SVM分类器的输入。在采用同一传感器“WorldView-2卫星”采集的MS和PAN图像数据集上,对提出的方法进行实验验证。3)最后,第三种RS-MSSF Frame(RS-MSSF:遥感多光谱空间特征)策略是基于光谱特征和多空间特征提取对遥感图像进行光谱空间分类。除了使用堆叠稀疏自编码器提取的深度光谱特征外,还提取了两种不同类型的空间特征“形状-几何特征”和“纹理特征”。在我们的方法中,扩展多属性轮廓用于提取形状几何特征,快速灰度级共生矩阵(FGLCM)用于提取纹理特征。因此,光谱和多空间特征融合的结果被作为SVM分类器的输入。与本文提到的其他策略相比,这些高级特征的融合实现了高分类精度。此外,这种新的特征提取和融合过程适用于不同框架下的不同类型的遥感图像。