高光譜遙感影像分類方法綜述

張佳　謝玉鳳

摘 要：該文簡述了高光譜遙感影像分類的策略，主要有監督分類與非監督分類，基于分類判據的實現策略劃分，硬分類和軟分類，基于像素的分類和基于對象的分類，單分類器和多分類器集成。并簡單介紹了一些分類方法，包括監督分類法（最小距離分類法、最大似然分類法和平行多面體分類法）、基于光譜相似性度量的分類方法、人工神經網絡分類法、支持向量機分類、決策樹分類、面向對象分類和非監督分類。

關鍵詞：高光譜；分類策略；分類方法

中圖分類號 TP751 文獻標識碼 A 文章編號 1007-7731（2017）14-0155-02

隨著遙感傳感器的光譜分辨率不斷提高，許多隱藏的狹窄光譜區間的地物特征逐漸被發現，精細的光譜波段分割，寬泛的光譜探測范圍是高光譜遙感的重要特征。當前使用的航空航天成像光譜儀，其光譜探測能力有了很大的提高，覆蓋了可見光、近紅外、短波紅外、中波紅外和熱紅外的全部光譜區。高光譜遙感在國民經濟、國防建設等方面發揮了重要的作用，廣泛用于地表分類、目標探測、資源監測等。高光譜遙感影像分類的目的是給予每一像元唯一的類別標識。

1 高光譜遙感影像分類的主要策略

高光譜遙感影像分類的理論基礎是“同譜同物”，同種地物具有相似的光譜特征及空間特征，在影像上呈現高度的相似，基于這種相似，可以實現對地區的識別。在高光譜影像分類以每個像元的光譜矢量數據為基礎，一個像元可以看成是N個特征組成的N維空間中的一個點，同類地物的像元形成N維空間中的一個點群，不同地物會在N維空間中形成若干個點群，計算機分類就是根據這些點群的位置，分布規律等，確定點群的界限，從而完成分類任務。高光譜遙感分類主要策略如下：

1.1 監督分類與非監督分類 遙感影像分類最傳統的兩種實現策略是根據分類中是否引入了先驗已知類別的訓練樣本，將其劃分為監督分類與非監督分類，監督分類是利用已知的先驗訓練樣本，依據判定函數或判別規則，確定未知樣本的類別。非監督分類是在沒有先驗樣本的情況下，根據樣本本身的特征進行統計，直接進行類別劃分的方法。

1.2 基于分類判據的實現策略劃分 （1）直接利用原始高光譜數據分類，每個像元在各個波段的灰度值或反射率形成一個光譜向量，通過對光譜向量相似性的度量實現分類。（2）先對原始高光譜影像通過波段選擇或者特征提取進行降維處理，然后根據一定的準則選擇若干個降維后的分量，作為分類的判斷標準進行分類識別。（3）從原始的高光譜數據中提取其他特征（光譜特征，紋理特征等）或引入其他數據，綜合采用多維特征分類。

1.3 硬分類和軟分類 硬分類是通過統計每個類別的訓練樣本，得到該類別基本統計量，然后將每個像素與各個類別的統計量進行比較，取相似性最高的一個類別作為所處理的像素的最終類別。軟分類是針對一個像素往往是由實際地表上多個地物類別組成的情況，按照特定的分類算法計算某個單一像素與各個類別之間的關系，分類輸出的是該像素屬于每個類別的概率或者每一類別地物在該像素中的比例。目前最主要的軟分類有兩種：模糊分類和混合像元分解。

1.4 基于像素的分類和基于對象的分類 基于像素的分類是通過判斷每個像素的類別來實現影像的分類。近年來，基于對象的分類是集合臨近像元為對象識別感興趣的光譜要素。

1.5 單分類器和多分類器集成 早期的遙感影像分類是利用單一的分類器進行分類。模式識別和實踐都表明，沒有一個模式分類器在本質上由于其他分類器，因此在實踐操作中，往往需要引入多個分類器，把多個分類器的輸出結果聯合起來作為最終的分類結果。

2 高光譜圖像分類方法

2.1 常規監督分類 監督分類是利用已知的先驗訓練樣本，依據判定函數或判別規則，確定未知樣本的類別。常規的監督分類有最小距離分類方法、最大似然分類法、平行多面體分類。（1）最小距離分類法首先由訓練樣本中得出每一類別的均值向量和協方差矩陣，然后以各個類別的均值向量作為該類別在多維空間中的中心位置，計算機比較各個像元到各類別中心位置的距離，到哪個類別中心位置的距離最小，該像元就屬于哪個類別。最小距離分類法通常使用3種距離判別函數，分別（上接155頁）是歐氏距離，馬氏距離和絕對值距離。（2）最大似然分類法認為每一類的概率密度呈正態分布，由每一類的均值向量和協方差矩陣可以得到在多維空間的多維正態分布密度函數。將未知像元代入各類別的概率密度函數，計算像元屬于各類別的歸屬概率，將未知像元歸屬到概率最大的類別中。（3）平行多面體分類是在多維特征空間中劃分若干個互相不重疊的平行多面體（特征子空間）。

2.2 基于光譜相似性度量的分類方法 基于光譜相似性度量的分類方法是指對每一類別確定其參考光譜，然后對每一待定類別進行光譜測試，計算其與參考光譜的相似性，待定類別屬相似性最高的一類。最常用的度量坐標包括光譜角、光譜信息散度、光譜互相關等。

2.3 人工神經網絡分類法 人工神經網絡是由大量處理單元（神經元）相互聯結形成的網絡結構，是模仿人的大腦進行數據接收、處理、儲存和傳輸的一類算法。人工神經網絡信息處理是由神經元之間的相互作用實現的，知識和信息的存儲表現為網絡結構分布式的物理聯系，網絡的學習和決策過程決定于各神經元連接權值的動態變化過程。它屬于非線性學科，具有強抗干擾、高容錯性、并行分布式處理、自組學習和分類精度高等特點[3，4]。人工神經網絡由三個基本要素構成：處理單元、網絡拓撲結構及訓練規則。

2.4 支持向量機分類 SVM是一種新的分類方法，它是利用統計學的原理，通過泛化性理論控制超平面的間隔度量抑制過擬合，用最優化理論提供的數學技術建立一個最優超平面[5]。在遙感影像分類過程中，通過對樣本的機器學習，可以建立地物類型和影像信息因子之間的支持向量機。

2.5 面向對象分類 面向對象的遙感圖像分類方法在分類時不僅依靠地物的光譜特征，更多的是利用其幾何信息和結構信息，圖像的最小單元不是單個的像素，而是對象，后續的圖像分析和處理也都是基于對象進行的。高光譜分類的基本步驟：獲取先驗數據與背景知識；對波段賦權重，進行多尺度分割得出不同的影像對象層，建立多邊形對象；將多邊形對象與先驗數據綜合，建立分類知識庫，選擇有效分類特征隸屬函數進行影像分類。

2.6 非監督分類 非監督分類是沒有先驗樣本，按照灰度值向量或者波普樣式在特征空間聚集的情況下劃分點群或類別，按照相似性把圖像中的像素分成若干類別。監督分類的目的是使屬于同一類別的像素之間的距離盡可能的小。非監督分類時不必獲取影像的先驗樣本，僅依靠圖像上不同類別地物光譜信息進行統計其特征來達到分類的目的，最后對給類別的屬性進行確認。常用的非監督分類方法有：K-均值聚類法及ISODATA分類法。

3 小結

本文主要介紹了高光譜圖像的分類策略及一些常用的高光譜影像分類方法。包括幾種常規的監督分類法（最小距離分類法、最大似然分類法和平行多面體分類法）、基于光譜相似性度量的分類方法、人工神經網絡分類法、支持向量機分類、決策樹分類、面向對象分類和非監督分類。雖然以上分類法都有各自的優越性，但是在一定程度上也都有各自的局限性，因此基于不同的應用需求，結合多種數據綜合考慮，選擇合適的分類法或者多種分類方法相互結合，以期達到最優的分類效果。

參考文獻

[1]童慶喜，張兵，鄭蘭芬.高光譜遙感—原理、技術與應用[M].北京：高等教育出版社，2006.

[2]杜培軍，譚琨.高光譜遙感影像分類與支持向量機應用研究[M].北京：科學出版社，2012.

[3]韓力群.人工神經網絡教程[M].北京：北京郵電大學出版社，2006.

[4]洛劍承，周成虎，楊艷.人工神經網絡遙感影像分類模型及其與知識集成方法研究[J].遙感學報，2001，5（2）：122-129.

[5]李國正，王猛，曾華軍，譯.支持向量機導論[M].北京：電子工業出版社，2006.

[6]肖奧，趙文吉，胡德勇，等.利用對象和支持向量機的遙感信息提取方法探討[J].測繪科學，2010，35（5）：154-157.

（責編：張宏民）