高光譜遙感圖像分類方法綜述

張蓓

摘 要 高光譜遙感技術已經成為遙感技術的前沿領域，受到國內外的廣泛關注。而地物目標分類是高光譜數據處理的一個基本內容。文中列舉了一些高光譜遙感圖像的分類方法，并對每種方法作簡要介紹。

關鍵詞 高光譜遙感 圖像處理 分類

中圖分類號：TP751 文獻標識碼：A

1高光譜遙感的簡介

高光譜遙感技術是上世紀80年代發展起來的一種新興的遙感技術，高光譜遙感利用很多窄的電磁波段（通常波段的寬度小于10nm）從感興趣的物體中獲取圖像數據，一般它是在電磁波譜的可見光，近紅外，中紅外和熱紅外波段范圍內，設置了幾十甚至幾百個連續波段，其光譜分辨率可高達納米（nm）數量級。由于許多地表物質的吸收特性僅表現在20～40nm的光譜分辨率范圍內，高光譜遙感圖像可以識別在寬波段遙感中不可探測的物質。現在，遙感應用領域也更加拓寬，涉及全球環境，土地利用，資源調查，自然災害，以及星際探測等方面。

遙感圖像分類一直是遙感研究領域的重要內容，如何解決多類別的圖像的分類識別并滿足一定的精度，是遙感圖像研究中的一個關鍵問題，具有十分重要的意義。

2高光譜遙感圖像的分類方法

依據是否使用類別的先驗知識，可分為監督分類和非監督分類。

2.1非監督分類

非監督分類是指人們事先對分類過程不施加任何的先驗知識，而僅憑遙感影像地物的光譜特征的分布規律，隨其自然地進行盲目的分類；其分類的結果，只是對不同類別達到了區分，但并不確定類別的屬性；其類屬是通過事后對各類的光譜響應曲線進行分析，以及與實地調查數據相比較后確定的。非監督分類主要的方法有K-均值聚類，ISODATA分類等。

K均值分類方法屬于動態聚類法，其假定被用來表示樣本空間的聚類中心的個數是預先知道的，這種假定本身在某種程度上限制了這一類方法的利用，它使聚類域中所有樣本到聚類中心的距離平方和最小，這是在誤差平方和準則的基礎上得到的。K均值分類方法簡便易行。這種方法的結果受到所選聚類中心的數目和其初始位置以及模式分布的幾何性質和讀入次序等因素的影響，并且在迭代的過程中又沒有調整類別數的措施，因此不同的初始分類可能會得到不同的分類結果。

ISODATA分類又叫做迭代自組織數據分析技術，基本思想是通過設定初始參數而引入人機對話環節，并使用歸并與分裂的機制，當某兩類聚類中心距離小于某一閾值時，將它們合并為一類，當某類標準差大于某一閾值或其樣本數目超過某一閾值時，將其分為兩類。在某類樣本數目少于某閾值時，需將其取消。

非監督分類的主要優點是無需對分類區域有廣泛地了解，僅需一定的知識來解釋分類出的集群組；人為誤差的機會減少，需輸入的初始參數較少。但是無監督分類需要對其結果需進行大量分析及后處理，才能得到可靠分類結果。

2.2監督分類

監督分類就是先用某些己知訓練樣本讓分類識別系統進行學習，待其掌握了各個類別的特征后，按照分類的決策規則進行分類下去的過程。監督分類又稱訓練場地法，是以建立統計識別函數為理論基礎，依據典型樣本訓練方法進行分類的技術。監督分類的主要分類方法有最大似然法、貝葉斯方法、K近鄰法等。

最大似然比判決分類方法是建立在貝葉斯準則基礎上的，其分類錯誤概率最小，是風險最小的判決分析，是典型的和應用最廣的監督分類方法，偏重于集群分布的統計特性，并假定訓練樣本數據在光譜空間服從高斯正態分布。該分類法錯誤最小精度高，是較好的一種分類方法。不足的是傳統的人工采樣方法工作量大，效率低，加上人為誤差的干擾，使得分類結果的精度較差。

最小距離分類法又稱光譜距離，是用特征空間中的距離表示像元數據和分類類別的相似程度，在距離最小（相似度最大）的類別上對像元數據進行分類的方法。

K近鄰分類算法，是一個理論上比較成熟的方法，也是最簡單的機器學習算法之一。該方法的思路是：如果一個樣本在特征空間中的k個最相似的樣本中的大多數屬于某一個類別，則該樣本也屬于這個類別。K近鄰算法中，所選擇的鄰居都是已經正確分類的對象。該方法在定類決策上只依據最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。

有監督分類的主要優點是可充分利用分類地區的先驗知識，預先確定分類的類別；可控制訓練樣本的選擇，并可通過反復檢驗訓練樣本，以提高分類精度。但是人為主觀因素較強；只能識別訓練樣本中所定義的類別，對于因訓練者不知或因數量太少未被定義的類別，監督分類不能識別，從而影響分結果。

3結束語

監督分類和非監督分類的根本區別點在于是否利用訓練區來獲取鮮艷的類別知識，監督分類根據訓練區提供的樣本選擇特征參數，建立判別函數，對待分類點進行分類。相比而言，非監督分類不需要更多的先驗知識，它根據地物光譜特性進行分類。

參考文獻

[1] 杜培軍，夏俊士，薛朝輝，等.高光譜遙感影像分類研究進展[J].遙感學報，2016， 20（2）：236-256.

[2] Rahman S A E. Hyperspectral Imaging Classification Using ISODATA Algorithm： Big Data Challenge[C]// Fifth International Conference on E-Learning. IEEE， 2015：247-250.

[3] 陳進.高光譜圖像分類方法研究[D].國防科學技術大學，2010.