高光譜圖像分類

黃何 康鎮(zhèn)

摘 要 近些年來，高光譜遙感技術(shù)迅速發(fā)展，同時(shí)也應(yīng)用在了非常多的領(lǐng)域中。而高光譜圖像分類是其一個(gè)重要的方向。但是高光譜圖像成像機(jī)理復(fù)雜、波段繁多、數(shù)據(jù)量大等特點(diǎn)也向我們傳統(tǒng)的圖像分類方法提出了挑戰(zhàn)。文章綜合介紹分析了幾種監(jiān)督分類方法和非監(jiān)督分類方法。監(jiān)督分類方法主要介紹了平行多面體分類方法、最大似然分類方法、人工神經(jīng)元分類方法；非監(jiān)督分類方法主要介紹了K-means分類方法、ISDATA分類方法、譜聚類分類方法。同時(shí)還綜述了支持向量機(jī)分類方法、最小二乘支持向量機(jī)分類方法、決策樹分類方法等新型分類方法。

關(guān)鍵詞 監(jiān)督分類；非監(jiān)督分類；最大似然分類；ISODATA分類；支持向量機(jī)分類

中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2019）226-0105-04

高光譜遙感技術(shù)起源于20世紀(jì)80年代初，它是在多光譜遙感技術(shù)的基礎(chǔ)上發(fā)展起來的。經(jīng)過數(shù)十年的發(fā)展，現(xiàn)在的高光譜遙感技術(shù)已經(jīng)達(dá)到了一定的水平，在很多領(lǐng)域也得到了應(yīng)用。比如它在農(nóng)業(yè)中的應(yīng)用，其主要表現(xiàn)在快速、精準(zhǔn)地獲取各種環(huán)境信息，以及農(nóng)作物生長情況。在大氣與環(huán)境應(yīng)用上，在太陽光譜中，大氣中的分子，如氧氣、臭氧、二氧化碳、水蒸氣等成分的反應(yīng)十分強(qiáng)烈。而因?yàn)榇髿獬煞萆兌鸬墓庾V差異通過傳統(tǒng)寬波遙感方法難以準(zhǔn)確識(shí)別，而這種差異可通過窄波段的高光譜識(shí)別出來[ 1 ]。

在城市環(huán)境與下墊面與環(huán)境特征的研究和應(yīng)用，因?yàn)槿藗兩钪械母鞣N活動(dòng)，使得城市環(huán)境與下墊面更為復(fù)雜。而高光譜遙感技術(shù)的進(jìn)步，能讓人們依據(jù)光譜特征，更深入地去研究城市地物，而各種高光譜遙感器的出現(xiàn)，使得對(duì)城市的光譜的研究更加系統(tǒng)而全面，也為城市環(huán)境遙感分析及制圖打下了基礎(chǔ)。

在地質(zhì)礦物勘探中的應(yīng)用，區(qū)域地質(zhì)制圖和礦物勘查是高光譜技術(shù)主要的應(yīng)用領(lǐng)域之一，也使得高光譜遙感技術(shù)的作用得到了有效的發(fā)揮，由于高光譜遙感比起寬波段遙感有諸多不同之處，因此在電磁譜上，每種巖石和礦物所顯示出診斷性光譜特征各不相同，根據(jù)這一原理能清楚地識(shí)別出其中的礦物元素[ 2 ]。

1 高光譜圖像分類方法

高光譜圖像分類的主要作用機(jī)理是，按照待測(cè)地物的空間幾何與光譜信息，來劃分圖像中的每個(gè)像素，劃作不同的類別。高光譜圖像可采用監(jiān)督和非監(jiān)督兩種分類方法。其中的區(qū)別在于：非監(jiān)督分類用于對(duì)分類區(qū)知之甚少的情況下，在統(tǒng)計(jì)和分類時(shí)，完全依據(jù)的是照像元的光譜特性。非監(jiān)督分類運(yùn)算將原始圖像的全部波段運(yùn)用到其中，分類結(jié)果與各類像元數(shù)有著相類似的比例。因?yàn)闊o需人工干預(yù)，非監(jiān)督分類可采用高度自動(dòng)化來完成。非監(jiān)督分類具體步驟如下：初始化各個(gè)分類、判斷專題、分類合并、確定色彩、分類處理、定義色彩、轉(zhuǎn)換柵格矢量、統(tǒng)計(jì)分析。監(jiān)督分類更依賴于用戶的控制，適用于對(duì)研究區(qū)域了解較透徹的情況下。在這種分類過程中，先選一些能夠識(shí)別的，或者借助其它信息正確判斷出類型的像元，來構(gòu)建模板，再通過這一模塊，使計(jì)算機(jī)系統(tǒng)對(duì)于具有相同特性的像元進(jìn)行識(shí)別。評(píng)價(jià)分類結(jié)果后，對(duì)模板進(jìn)多次優(yōu)化，從而使它更為準(zhǔn)確，并以此為基礎(chǔ)做最后的分類。監(jiān)督分類步驟如下：訓(xùn)練樣本并構(gòu)建模塊、評(píng)價(jià)模塊、確定出初步分類圖、檢驗(yàn)所得到的分類結(jié)果、二次處理、進(jìn)行分類特征的計(jì)算、轉(zhuǎn)換柵格矢量[3]。接下來介紹一些典型的監(jiān)督分類方法和非監(jiān)督方法。

1.1 監(jiān)督分類方法

1.1.1 平行多面體分類方法

平行多面體分類方法，是種圖像分類方法，指在多維特征空間中，每類形成一個(gè)平行多面體，待分個(gè)體進(jìn)入其中便被歸屬，否則就拒絕的。分類時(shí)若使用這種方法，就要進(jìn)行數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，從而得出基本的統(tǒng)計(jì)量信息[ 4 ]。假如，類別和波段數(shù)量分別為m和n個(gè)；Sij、Sij、Mij分別代表標(biāo)準(zhǔn)差、像元X在j波段的像元值和i類第j波段的均值。

某一類別i（i=1，2，…，m），當(dāng)像元X滿足：

（T為人為規(guī)定的閾值，T越大，一個(gè)類的范圍越大）

1.1.2 最大似然分類

最大似然分類又叫作貝葉斯分類，該分類是一種新的圖像分類方法，依據(jù)的是貝葉斯準(zhǔn)則理論。是指在判定兩類和多類時(shí)，以最大似然貝葉斯判決準(zhǔn)則法作為判斷標(biāo)準(zhǔn)，依據(jù)統(tǒng)計(jì)方法，進(jìn)行非線性判別函數(shù)集的編寫，假定每個(gè)分類都存在正太的分布函數(shù)，對(duì)訓(xùn)練區(qū)進(jìn)行正確的選擇，對(duì)每個(gè)待分類區(qū)進(jìn)行計(jì)算，求得相應(yīng)的歸屬概率，再進(jìn)行分類[ 5 ]。這種方法的優(yōu)勢(shì)是方便快捷，比較簡單；以貝葉斯原理為基礎(chǔ)，再與其它先驗(yàn)知識(shí)結(jié)合分類，使得密度分布函數(shù)可以非常有效的解釋分類結(jié)果。在波段較少的多波段數(shù)據(jù)中，這種方法可完美使用。同時(shí)，這個(gè)方法的分類時(shí)間隨波段信息的增長成二次方增長；對(duì)訓(xùn)練樣本要求高，訓(xùn)練的樣本必須超過波段數(shù)。

1.1.3 人工神經(jīng)元網(wǎng)絡(luò)分類

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neutral Networks，ANN）是模仿人的腦部思維和神經(jīng)網(wǎng)絡(luò)構(gòu)建而成的，自適應(yīng)性比較強(qiáng)，容錯(cuò)性也很高。在當(dāng)前，人工神經(jīng)網(wǎng)絡(luò)在大量應(yīng)用于各行各業(yè)，功能較強(qiáng)大，可完成控制智能化、信息的高效處理、組合優(yōu)化等。神經(jīng)網(wǎng)絡(luò)發(fā)展至今，已分為多個(gè)種類，包括BP、RBF、自組織競(jìng)爭、概率神經(jīng)以及對(duì)象傳播等神經(jīng)網(wǎng)絡(luò)。

1）BP神經(jīng)網(wǎng)絡(luò)：這種屬于多層神經(jīng)網(wǎng)絡(luò)，達(dá)到三層以上，各層神經(jīng)元間沒有緊密的聯(lián)系，泛化性能較優(yōu)，在數(shù)據(jù)壓縮、模式識(shí)別、函數(shù)逼近中大量使用。

2）RBF神經(jīng)網(wǎng)絡(luò)：RBF神經(jīng)網(wǎng)絡(luò)是種性能極佳的前向網(wǎng)絡(luò)，它的優(yōu)越表現(xiàn)在可實(shí)現(xiàn)最佳逼近，并可以克服局部最小化。RBF神經(jīng)網(wǎng)絡(luò)在函數(shù)的傳遞上，也有多種方法，常見的為以下3種：

（1）Gaussian函數(shù)：

（2）Reflected sigmoidal函數(shù)：

（3）逆Multiquadric函數(shù)：

3）自組織競(jìng)爭神經(jīng)網(wǎng)絡(luò)：這種神經(jīng)網(wǎng)絡(luò)有著較好的自適應(yīng)學(xué)習(xí)能力，可適用于模式分類和識(shí)別。

4）概率神經(jīng)網(wǎng)絡(luò)：這種神經(jīng)網(wǎng)絡(luò)能夠解決分類問題，在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)上，引用了貝葉斯判別函數(shù)，大大減少了錯(cuò)誤。

5）對(duì)象傳播神經(jīng)網(wǎng)絡(luò)：具備雙向記憶功能是這種神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)，通過引入競(jìng)爭層，使得輸入、輸出模式實(shí)現(xiàn)了相互映射。在模式分類、統(tǒng)計(jì)分析、數(shù)據(jù)壓縮、函數(shù)近似等領(lǐng)域應(yīng)用較廣[6]。

1.2 非監(jiān)督分類方法

1.2.1 K-means分類

K-means分類方法是最典型的目標(biāo)函數(shù)聚類方法，以原型為依據(jù)。包含了以下流程：

1）從n個(gè)數(shù)據(jù)對(duì)象任意選擇k個(gè)對(duì)象作為初始聚類中心（m1，m2，m3，…，mk）；

2）依據(jù)各個(gè)聚類中心對(duì)象，即對(duì)象的均值來計(jì)算出與它距離最近的聚類中心，并將對(duì)象向聚類中心做以分配。

3）對(duì)各個(gè)聚類的均值做二次計(jì)算：

K-means方法是比較快捷和簡單的，不過初始聚類中心和最佳聚類數(shù)也會(huì)影響到聚類結(jié)果。

1.2.2 ISODATA方法

ISODATA（Iterative Selforganizing Data Analysis），又叫作迭代自組織數(shù)據(jù)分析。它是在先驗(yàn)不足的情況下，通過給出一個(gè)初始聚類，然后再判斷其是否達(dá)標(biāo)，再利用迭代法反復(fù)調(diào)整，最后得出一個(gè)準(zhǔn)確的聚類。其采用以下步驟：

1）選擇初始值，設(shè)置聚類分析控制參數(shù)?？梢赃\(yùn)用各種參數(shù)指標(biāo)，按照指標(biāo)，將所有模式標(biāo)本向各個(gè)聚類中心進(jìn)行分配。

2）對(duì)各類中全部的樣本的距離指標(biāo)函數(shù)進(jìn)行計(jì)算。

3）依據(jù)要求，對(duì)前一次所得到的聚類集進(jìn)行分裂，并做并合處理，從而計(jì)算出新的聚類中心和分類集。

4）再次做迭代運(yùn)算，對(duì)各項(xiàng)指標(biāo)進(jìn)行計(jì)算，以判斷結(jié)果是否達(dá)標(biāo)，直至求出最理想的聚類結(jié)果。

IOSDATA算法規(guī)則十分明確，便于計(jì)算機(jī)實(shí)現(xiàn)，但是要把握好迭代的次數(shù)，防止出現(xiàn)分類不到位的現(xiàn)象。

1.2.3 譜聚類方法

譜聚類算法是依據(jù)譜圖理論所設(shè)計(jì)的高性能聚類方法。它是基于以下原理：假設(shè){x1，x2，…，xn}代表n個(gè)聚類樣本，圖G=（V，E）可用于表示數(shù)據(jù)之間的關(guān)系，其中V代表頂點(diǎn)集。E代表連接任何兩點(diǎn)邊的集合。在圖中，每個(gè)樣本xi都可作為頂點(diǎn)，兩頂點(diǎn)間的關(guān)聯(lián)性Wij可通過xi與xj相連邊的權(quán)值來表示。權(quán)值矩陣度量圖G中，每個(gè)頂點(diǎn)間的相似性共同構(gòu)成相似矩陣，記作W。為了實(shí)現(xiàn)圖的劃分，需要在空中優(yōu)化某一準(zhǔn)則，使同一類的點(diǎn)差別較小，不同類的點(diǎn)差別較大。通常準(zhǔn)則函數(shù)的優(yōu)化問題可以通過求解相似矩陣的特征值和特征向量來解決，通過分解相似矩陣的特征值，得到原有的數(shù)據(jù)集的譜映射，再利用聚類劃分算法去計(jì)算映射得到的新樣本空間，最終得到分類結(jié)果。該聚類算法僅與樣本點(diǎn)的個(gè)數(shù)有關(guān)，而數(shù)據(jù)的維數(shù)對(duì)其沒有影響。并且，其對(duì)聚類數(shù)據(jù)樣本空間的形狀沒有特殊要求，容易得到最優(yōu)解。

1.3 新型的分類方法

1.3.1 支持向量機(jī)分類法

支持向量機(jī)（Support Vector Machine，SVM）是新的分類方法，由Vapnic等人所設(shè)計(jì)，以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)。近年來，在圖像識(shí)別中，支持向量機(jī)已得到應(yīng)用，這和中方法的工作機(jī)理是，先設(shè)計(jì)出最佳的線性超平面，最大化它的正與反例間的隔離邊緣，從而實(shí)現(xiàn)超平面的尋找算法的最優(yōu)解。SVM作為一種高維的監(jiān)督分類方法，它是有著不受休斯效應(yīng)影響的優(yōu)勢(shì)，有著不錯(cuò)的效果。但同時(shí)，這種方法也有一定缺陷。首先，最大的問題是核函數(shù)的選擇缺乏指導(dǎo)性，當(dāng)針對(duì)具體的函數(shù)時(shí)，選擇最佳的核函數(shù)是一個(gè)比較難的問題，還有就是這個(gè)方法的計(jì)算量較大。

1.3.2 最小二乘支持向量機(jī)分類法

近些年發(fā)展了許多SVM的變形，其中最小二乘SVM將優(yōu)化問題的約束條件變?yōu)榈仁郊s束，從而不用花費(fèi)大量的時(shí)間解決二次規(guī)劃問題，使得分類效率大大提高。其算法表達(dá)式為：

解b，α即可。

最小二乘法SVM在運(yùn)算的速度上有很大的優(yōu)勢(shì)，但其也是有其的缺點(diǎn)。首先來說，最小二乘法會(huì)影響到數(shù)據(jù)的稀疏性，每個(gè)數(shù)據(jù)點(diǎn)都會(huì)影響分類模型的構(gòu)建。然后其估計(jì)值的穩(wěn)定性是低于標(biāo)準(zhǔn)的SVM。同時(shí)，在傳統(tǒng)SVM基礎(chǔ)上，還設(shè)計(jì)出了拉普拉斯支持向量機(jī)（Laplacian Support Vector Machine， LapSVM），它是通過對(duì)流形正則化項(xiàng)的添加，無標(biāo)簽和有標(biāo)簽樣本的幾何信息來構(gòu)造分類器。LapSVM具備能預(yù)測(cè)未來測(cè)試樣本的標(biāo)簽、全局優(yōu)化、適應(yīng)性強(qiáng)的特點(diǎn)，更深入的方面就不再贅述。

1.3.3 決策樹分類法

決策樹分類法是一種很典型的分類方法，這種分類方法對(duì)數(shù)據(jù)的準(zhǔn)備沒有太多太高的要求，只是有時(shí)需要做比較多的預(yù)處理，分類的速度很快。其分類過程分為兩步：

1）構(gòu)建決策樹模型。分兩步進(jìn)行，一是建樹；二是剪枝。建樹是利用遞歸過程來完成的，最后要形成一棵樹；剪枝的目的在于降低訓(xùn)練集雜聲造成影響。

2）使用已生成的決策樹來對(duì)輸入的數(shù)據(jù)進(jìn)行分類。對(duì)待測(cè)樣本的屬性值從根節(jié)點(diǎn)依次測(cè)試和記錄，直到某個(gè)節(jié)點(diǎn)，從而找到待測(cè)樣本的屬性值。

2 高光譜圖像分類的挑戰(zhàn)

盡管高光譜圖像分類經(jīng)過多年的發(fā)展，已經(jīng)取得不小成就，但還是有其問題所在。首先還不易去識(shí)別高光譜：數(shù)據(jù)擁有較大的信息量，圖像擁有成十上百個(gè)波段，信息量比起單波段遙感圖像，多出了幾百倍，數(shù)據(jù)冗余現(xiàn)象嚴(yán)重，不能科學(xué)地處理，就會(huì)影響到分類精度。

另外，因?yàn)槌上裨韽?fù)雜，數(shù)據(jù)量較大，使得很難對(duì)圖像進(jìn)行預(yù)處理，包括反射率的轉(zhuǎn)換、幾何校正、大氣矯正、光譜定標(biāo)等；當(dāng)波段比較多時(shí)、每個(gè)波段間相似性都頗高，所以分類對(duì)于訓(xùn)練樣本的需求量也更大，一般會(huì)由于訓(xùn)練樣本較少使得無法得到可靠的訓(xùn)練參數(shù)；參數(shù)估計(jì)是影響統(tǒng)計(jì)學(xué)分類模型的主要因素，使得光譜特征的選擇標(biāo)準(zhǔn)較高。從而使得常規(guī)遙感的處理和方法不適應(yīng)高光譜圖像分類的需要。

同時(shí)，在目前所有的分類過程中，多數(shù)采用傳統(tǒng)的識(shí)別分類方法，如上文所介紹的幾種方法。不過，因?yàn)檫b感圖像本身空間的分辨率不足，并存在異物同譜、同物異譜現(xiàn)象，會(huì)出現(xiàn)錯(cuò)分、漏分的現(xiàn)象，從而導(dǎo)致其結(jié)果的分類精度不高[7]。

由于遙感數(shù)據(jù)本身的復(fù)雜性，雖然現(xiàn)在有著許許多多的分類方法，但是還沒有哪一種算法是最佳的。在SVM方法中，沒有準(zhǔn)確的核函數(shù)選取方法，當(dāng)針對(duì)具體的問題時(shí)，很難選擇最佳的核函數(shù)；當(dāng)前在稀疏表示法中，也有很多研究涉及到了信號(hào)的恢復(fù)與重建，不過因?yàn)橄∈枘鎲栴}，造成了超分辨率重建單幅影像，融合空譜數(shù)據(jù)時(shí)較為困難。能夠運(yùn)用到的經(jīng)驗(yàn)也比較少，使研究更加困難。怎樣構(gòu)建出準(zhǔn)確的過完備字典，使稀疏重建精度更高，信號(hào)可以跨空/譜分辨率，有效傳遞，也是當(dāng)前的研究重點(diǎn)[3]。目前遇到的主要難點(diǎn)就是研究新型的分類器和泛化能力強(qiáng)的算法；尋求多特征綜合、多數(shù)據(jù)融合、多尺度復(fù)合。

3 結(jié)論

本文針對(duì)高光譜圖像分類，介紹了幾種監(jiān)督分類、非監(jiān)督分類以及兩種新型的分類方法。并且簡單分析了這幾種算法各自的優(yōu)缺點(diǎn)。我們可以了解到，目前我們所使用的算法中，還沒有哪一種算法是十全十美的，現(xiàn)有的理論以及方法對(duì)于高光譜圖像分類仍存在一定的局限性，這在今后將會(huì)是一個(gè)重要的研究方向。

參考文獻(xiàn)

[1]楊哲海，韓建峰，宮大鵬，等.高光譜遙感技術(shù)的發(fā)展與應(yīng)用[J].海洋測(cè)繪，2003（6）：55-58.

[2]束炯，王強(qiáng)，孫娟.高光譜遙感的應(yīng)用研究[J].華東師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2006（4）：1-10.

[3]王凱，趙懂.多源遙感技術(shù)在土地利用的應(yīng)用綜述[J].電腦知識(shí)與技術(shù)，2014（34）：8328-8329.

[4]呂峰.利用航空影像和LiDAR點(diǎn)云進(jìn)行建筑物重建的方法研究[D].成都：西南交通大學(xué)，2013.

[5]楊仁欣，楊燕，原晶晶.基于高光譜圖像的分類方法研究[J].廣西師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2015（3）：38-44.

[6]朱志球.基于數(shù)據(jù)融合的高光譜遙感圖像分類研究[D].哈爾濱：哈爾濱工程大學(xué)，2008.

[7]張良培，李家藝.高光譜圖像稀疏信息處理綜述與展望[J].遙感學(xué)報(bào)，2016（5）：1091-1101.