高光譜圖像分類方法綜述

雷湘琦

摘要：過去數十年中，高光譜圖像的研究與應用已經完成了從無到有、從差到優的跨越式發展。在對其研究的眾多方面中，高光譜圖像分類已經成為了一個最熱的研究主題。研究表明空間光譜聯合的分類方法可以取得比僅依賴光譜信息的逐像素分類方法更好的分類效果。本文將對眾多的空間光譜聯合分類方法進行歸類和分析。首先介紹高光譜圖像中相鄰像素間的兩類空間依賴性關系，因而可將現有的空譜聯合分類方法分為依賴固定鄰域和自適應鄰域兩類。

關鍵詞：高光譜遙感;圖像分類

引言

高光譜遙感（Hyperspectral Image，HSI）是20世紀以來遙感發展中十分突出的一個方面。其通過搭載在不同空間平臺上的成像光譜儀和非成像光譜儀等高光譜傳感器，在一定波譜范圍內，以數十甚至數百個連續且細分的光譜波段對目標區域同時成像。與多光譜遙感影像相比，高光譜影像不僅獲得地表圖像信息，同時也獲得光譜信息。但是，隨著參與運算波段數目的增加，會出現分類精度“先增后降”的現象，即Hughes現象。本文將對空間光譜聯合分類的方法進行著重介紹和總結，還將對從前經典述各類算法進行總結歸納，探討一些其中具有代表性的方法的原理，對其進行總結，以期找出其中的聯系。

1???? HSI圖像空譜聯合分類方法

高光譜圖像分類的目標是依據樣本特征為圖像中的每個像元賦予類別標簽。不同地物具有不同的光譜曲線，因此有許多利用光譜信息的方法被提出來用于高光譜圖像分類，代表性方法有支持向量機（Support Vector Machine，SVM）、稀疏表示分類（Sparse Representation Classification，SRC）等。此類逐像素的分類方法有計算簡單、便于拓展等特點，然而此類方法并未考慮樣本的空間關聯性，這會導致兩個主要問題：1）在較小的樣本下難以對如此高維的數據學習出一個高精度的分類器，這即是著名的休斯現象;2）高維的光譜特征往往會導致分類模型中需要估計參量的增加，這會造成過擬合以至于模型的泛化性能難以提升。

1.1? 基于空間依賴關系的HSI分類

1.1.1????? 鄰域間的空間依賴關系

在自然影像中，常用的一個假設為地物分布是連續的，換句話說其地物分布應當服從某種特殊的結構。這種空間依賴關系可將模型分為以下兩類：1）相鄰像素的特征相關性：相鄰像素在光譜特征上有較大概率是相似的。2）相鄰像素的類別相關性：這些相似像素的類別標簽應當是相同的。現有的空譜聯合分類方法通常會利用上述假設中的一種或兩種以融合空譜信息。

1.1.2????? 固定和自適應鄰域的方法

基于固定鄰域的方法，在此類方法中，對每一像素而言，與它相鄰接的像素構成的鄰域是固定的，一般取其方形鄰域。現有的許多方法都采用這種模式。

2經典高光譜分類方法

高光譜圖像數據第一次真正做到了光譜與圖像的結合。基于光譜特征空間的高光譜圖像分類方法主要是建立在對高光譜圖像光譜特征提取和變換的基礎上，大多數研究分為兩種思路：一種是基于地物物理光學性質的光譜曲線來進行地物識別，代表性方法是光譜特征匹配方法;另一種是基于特征空間的分類方法，主要利用數據的統計特征來建立分類模型，主要方法有傳統的遙感分類方法以及神經網絡，支持向量機等復雜的圖像分類方法。下面本文將重點闡述近幾年應用較多的幾種方法。

2.1? 支持向量機

支持向量機（Support Vector Machine，SVM）是一類按監督學習方式對數據進行二元分類的廣義線性分類器，它能夠直接對高維數據處理，不必經過降維處理，采用全部波段進行分類，保證了光譜信息的充分性。SVM作為一種高維的監督分類方法，它是有著不受休斯效應影響的優勢，有著不錯的效果。但同時，這種方法也有一定缺陷。首先，最大的問題是核函數的選擇缺乏指導性，當針對具體的函數時，選擇最佳的核函數是一個比較難的問題，還有就是這個方法的計算量較大。

2.2? 基于深度學習的HSI分類方法

眾所周知，神經網絡和深度學習的算法通過模擬人腦的結構在圖像分類、自然語言處理等領域取得了非凡的成果。與傳統的淺層分類模型相比，深度學習模型可以看作是一個包含多層結構的分類模型。基于深度學習的HSI分類方法可以被大致分為三個主要階段：1）數據輸入階段;2）深度神經網絡構建階段;3）分類階段。卷積神經網絡（Convolutional Neural Net-work，CNN）是現今機器學習領域的一個熱點方向，并且其在高光譜圖像處理領域取得了非凡的成就。在傳統的分類方法中，特征提取往往需要依賴由某種先驗知識而設定的參數，而基于CNN的深度學習方法的模型參數可以通過自動化的訓練過程來得到，這就意味著其具備自動提取數據特征的能力。

2.3? 結合神經網絡的高光譜圖像分類方法

人工神經網絡（Artificial Neural Network，ANN），是20世紀80年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網絡，具有對信息的分布式存儲、并行處理、自組織、自學習等特點。神經網絡具有自組織和自學習能力，可以有效解決非線性的問題。

神經網絡具有自動提取特征、權值共享等優點，并且泛化能力強，可以處理一些不完整的樣本或者背景復雜的圖像。但是，高光譜圖像分類時，經常遇到“同物異譜”現象，這使得神經網絡的分類算法難于收斂，嚴重降低分類精度。

2.4? 結合隨機森林的高光譜圖像分類方法

本文將隨機森林算法應用于高光譜數據降維和分類過程中，利用隨機森林算法對高光譜遙感數據實現數據降維與分類，先采用基于隨機森林RF-RFE（Random Forest-Recursive Feature limitation，RFE），方法對高光譜數據進行波段選擇，得到幾種最優波段組合完成數據降維，將分類精度最高的波段組合分別使用隨機森林分類器與SVM分類器進行分類。

2.5? 面向對象的高光譜遙感圖像分類

面向對象分類的特點即分類的最基本對象從像元轉換到圖像對象。分類的核心是高光譜圖像的分割，在這個階段應該結合光譜信息和空間信息。利用Definiens平臺提供的面向對象多分辨率分割算法是基于區域生長算法實現初步分割與基于多準則的遞歸融合的一種算法，彌補了基于單個像元分割方法存在的不足，有效提高了影像分割精度。

3結束語

在今后高光譜圖像分類研究的發展方面，基于深度學習的空譜聯合分類方法因其具有自動化提取數據特征、較高的分類精度和快速的分類效率等特點而受到眾多學者的青睞，但其網絡結構的設定、調整大量參數所需的訓練時間及它所面臨的過擬合現象仍是現今要解決的主要問題。盡管如此，深度學習的方法依然越來越成為當前研究的主流。

參考文獻：

[1]?? 張建偉，陳允杰.高光譜圖像分類方法綜述[J/OL].南京信息工程大學學報（自然科學版），2020（01）：1-12[2019-12-29].

[2]?? 張凱琳，閻慶，夏懿，章軍，丁云.基于焦點損失的半監督高光譜圖像分類[J/OL].計算機應用：1-11[2019-12-29].