O sensoriamento remoto hiperespectral pode obter informações de sensoriamento remoto mais precisas e ricas, abrangendo vários níveis e estágios da aviação, espaço e observação terrestre em pequena escala em vários países, ocupando uma posição insubstituível no campo da observação terrestre por sensoriamento remoto. No entanto, os conjuntos de dados hiperespectrais são frequentemente muito grandes e contêm informações redundantes, o que dificulta o processamento subsequente. Este estudo escolheu o mapeamento de características de Laplace para redução de dimensionalidade e extração de características dos dados hiperespectrais, e propôs um algoritmo de classificação Bayesiana ingênua ponderada. O classificador Bayesiano ingênuo clássico foi aprimorado por meio de um método de ponderação de recompensas, o algoritmo foi validado usando dados abertos, alcançando uma precisão de discriminação das informações do terreno de 92,7%, representando uma melhoria significativa em relação aos métodos tradicionais.

hiperespectral;extração de características;reconhecimento de alvos;algoritmo de classificação Bayesiana ingênua;mapeamento de características de Laplace