高光谱分类方法

—科教导刊（电子版）·2017年第10期/4月（上）—142高光谱遥感图像分类方法综述张蓓（长安大学理学院陕西·西安710064）摘要高光谱遥感技术已经成为遥感技术的前沿领域，受到国内外的广泛关注。而地物目标分类是高光谱数据处理的一个基本内容。文中列举了一些高光谱遥感图像的分类方法，并对每种方法作简要介绍。关键词高光谱遥感图像处理分类中图分类号：TP751文献标识码：A1高光谱遥感的简介高光谱遥感技术是上世纪80年代发展起来的一种新兴的遥感技术，高光谱遥感利用很多窄的电磁波段（通常波段的宽度小于10nm）从感兴趣的物体中获取图像数据，一般它是在电磁波谱的可见光，近红外，中红外和热红外波段范围内，设置了几十甚至几百个连续波段，其光谱分辨率可高达纳米（nm）数量级。由于许多地表物质的吸收特性仅表现在20~40nm的光谱分辨率范围内，高光谱遥感图像可以识别在宽波段遥感中不可探测的物质。现在，遥感应用领域也更加拓宽，涉及全球环境，土地利用，资源调查，自然灾害，以及星际探测等方面。遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。2高光谱遥感图像的分类方法依据是否使用类别的先验知识，可分为监督分类和非监督分类。2.1非监督分类非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类；其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性；其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查数据相比较后确定的。非监督分类主要的方法有K-均值聚类，ISODATA分类等。K均值分类方法属于动态聚类法,其假定被用来表示样本空间的聚类中心的个数是预先知道的,这种假定本身在某种程度上限制了这一类方法的利用,它使聚类域中所有样本到聚类中心的距离平方和最小，这是在误差平方和准则的基础上得到的。K均值分类方法简便易行。这种方法的结果受到所选聚类中心的数目和其初始位置以及模式分布的几何性质和读入次序等因素的影响，并且在迭代的过程中又没有调整类别数的措施，因此不同的初始分类可能会得到不同的分类结果。ISODATA分类又叫做迭代自组织数据分析技术，基本思想是通过设定初始参数而引入人机对话环节，并使用归并与分裂的机制，当某两类聚类中心距离小于某一阈值时，将它们合并为一类，当某类标准差大于某一阈值或其样本数目超过某一阈值时，将其分为两类。在某类样本数目少于某阈值时，需将其取消。非监督分类的主要优点是无需对分类区域有广泛地了解，仅需一定的知识来解释分类出的集群组；人为误差的机会减少，需输入的初始参数较少。但是无监督分类需要对其结果需进行大量分析及后处理，才能得到可靠分类结果。2.2监督分类监督分类就是先用某些己知训练样本让分类识别系统进行学习，待其掌握了各个类别的特征后，按照分类的决策规则进行分类下去的过程。监督分类又称训练场地法，是以建立统计识别函数为理论基础，依据典型样本训练方法进行分类的技术。监督分类的主要分类方法有最大似然法、贝叶斯方法、K近邻法等。最大似然比判决分类方法是建立在贝叶斯准则基础上的，其分类错误概率最小，是风险最小的判决分析，是典型的和应用最广的监督分类方法，偏重于集群分布的统计特性，并假定训练样本数据在光谱空间服从高斯正态分布。该分类法错误最小精度高，是较好的一种分类方法。不足的是传统的人工采样方法工作量大，效率低，加上人为误差的干扰，使得分类结果的精度较差。最小距离分类法又称光谱距离，是用特征空间中的距离表示像元数据和分类类别的相似程度，在距离最小（相似度最大）的类别上对像元数据进行分类的方法。K近邻分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似的样本中的大多数属于某一个类别，则该样本也属于这个类别。K近邻算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。有监督分类的主要优点是可充分利用分类地区的先验知识，预先确定分类的类别；可控制训练样本的选择，并可通过反复检验训练样本，以提高分类精度。但是人为主观因素较强；只能识别训练样本中所定义的类别，对于因训练者不知或因数量太少未被定义的类别，监督分类不能识别，从而影响分结果。3结束语监督分类和非监督分类的根本区别点在于是否利用训练区来获取鲜艳的类别知识，监督分类根据训练区提供的样本选择特征参数，建立判别函数，对待分类点进行分类。相比而言，非监督分类不需要更多的先验知识，它根据地物光谱特性进行分类。参考文献[1]杜培军,夏俊士,薛朝辉,等.高光谱遥感影像分类研究进展[J].遥感学报,2016,20(2):236-256.[2]RahmanSAE.HyperspectralImagingClassificationUsingISODATAAlgo-rithm:BigDataChallenge[C]//FifthInternationalConferenceonE-Learning.IEEE,2015:247-250.[3]陈进.高光谱图像分类方法研究[D].国防科学技术大学,2010.科|学|技|术

ＤＯＩ：１０．１３８７８／ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０２０．０１．０１１张建伟１　陈允杰１高光谱图像分类方法综述

作者简介：张建伟（１９６５—），男，教授，博士生导师．苏州大学数学系本科毕业，获武汉大学硕士学位，南京理工大学博士学位．１９８６年以来在南京信息工程大学工作３４年，历任数学系教师、教研室主任、系副主任、系主任、滨江学院院长、科技处社科处处长、研究生院常务副院长，现任数学与统计学院院长．长期从事教学工作，完整讲授过２０多门本科生、研究生课程，指导硕士博士生３０多人，曾获校优秀教学质量奖、江苏省教学成果特等奖．主要从事计算数学、计算机应用方向的研究工作，主持国家自然科学基金项目３项、横向科研项目２０余项，发表核心以上学术论文８０多篇．Ｅ⁃ｍａｉｌ：ｚｈａｎｇｊｗ＠ｎｕｉｓｔ．ｅｄｕ．ｃｎ

收稿日期２０１９⁃０７⁃０１基金项目国家自然科学基金（６１６７２２９３，６１６７２２９１）１南京信息工程大学数学与统计学院，南京，２１００４４摘要在过去数十年中，高光谱图像的研究与应用已经完成了从无到有、从差到优的跨越式发展．在对其研究的众多方面中，高光谱图像分类已经成为了一个最热的研究主题．研究表明空间光谱联合的分类方法可以取得比仅依赖光谱信息的逐像素分类方法更好的分类效果．本文将对众多的空间光谱联合分类方法进行归类和分析．首先介绍高光谱图像中相邻像素间的两类空间依赖性关系，因而可将现有的空谱联合分类方法分为依赖固定邻域和自适应邻域两类；此外，还可以依据是否同时利用两类依赖关系将现有方法进一步分为单依赖和双依赖两类．另外，还可以依据空谱信息融合的不同阶段将现有的分类方法划分为预处理方法、一体化方法及后处理方法三类．最后展示几种具有代表性的空间光谱联合分类方法在真实高光谱数据集上的分类结果．关键词高光谱图像；自适应邻域；预处理分类；后处理分类；空谱联合分类中图分类号Ｐ２２７文献标志码Ａ０　引言 高光谱图像（ＨｙｐｅｒｓｐｅｃｔｒａｌＩｍａｇｅ，ＨＳＩ）是由搭载高光谱成像仪的航空航天飞行器捕捉到的三维立体图像，图像中的每个像素均含有上百个不同波段的反射信息，这使其适合于许多实际应用如军事目标检测、矿物勘探和农业生产等［１⁃４］．高光谱图像分类已越来越成为其中的一个研究热点．高光谱图像分类的目标是依据样本特征为图像中的每个像元赋予类别标签［５⁃６］．不同地物具有不同的光谱曲线，因此有许多利用光谱信息的方法被提出来用于高光谱图像分类，代表性方法有支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）［７］、稀疏表示分类（ＳｐａｒｓｅＲｅｐｒｅｓｅｎ⁃ｔａｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎ，ＳＲＣ）［８］等．此类逐像素的分类方法有计算简单、便于拓展等特点，然而此类方法仅利用到了光谱维度的信息，并未考虑样本的空间关联性，即地物分布的空间连续性，这会导致两个主要问题：１）在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象［９⁃１０］；２）高维的光谱特征往往会导致分类模型中需估计参量的增加，这会造成过拟合以至于模型的泛化性能难以提升．另外，同一类地物受光照强弱、阴影等因素的影响，其Copyright©博看网 . All Rights Reserved. 光谱特征也不尽相同，因而不包含空间信息的逐像素分类方法难以取得令人满意的分类结果．如文献［１１］所指出，ＨＳＩ不应当仅仅被看作一系列像素的集合，而应当被看作有纹理结构的图像．它指的是样本间的空间关联性，可以看作是对光谱信息的一个补充，这也为增强和改进逐像素分类器的分类性能提供了方向．在过去的十年中，学者们提出了许多融合空间光谱信息的空谱联合分类方法［１２⁃１７］，实验结果显示在融合空间信息后，分类精度及分类结果的鲁棒性均有很大提高，因此空谱联合分类方法已越来越成为高光谱图像分类的主流方法．本文将对空间光谱联合分类的方法进行着重介绍和总结，并为ＨＳＩ分类研究的方向提出一些指引．主要安排如下：１）首先探讨ＨＳＩ中相邻像素的空间依赖关系．空间依赖关系可以被简单分为像素特征间的空间依赖关系和像素类别间的空间依赖关系，并以此为基础进行模型的分类划分．２）通过不同的邻域划分方法和不同的加权邻域方法将现有方法分为基于固定邻域的方法和基于自适应邻域的方法两类．３）基于空谱融合阶段的不同将现有方法分为基于预处理的分类方法、一体化分类方法和基于后处理的分类方法三类．这三类方法可以很广泛地涵盖到现有的大多数方法，在这一部分本文还将对前述各类算法进行总结归纳，以期找出其中的联系．４）最后对现有的几大类分类方法分别进行归纳，探讨一些其中具有代表性的方法的原理，对其进行总结，最后通过实验来对其进行比较．１　基于空间依赖关系的ＨＳＩ分类１􀆰１　邻域间的空间依赖关系在自然影像中，常用的一个假设为地物分布是连续的，换句话说其地物分布应当服从某种特殊的结构．这种空间依赖关系可将模型分为以下两类：１）相邻像素的特征相关性：相邻像素在光谱特征上有较大概率是相似的．２）相邻像素的类别相关性：这些相似像素的类别标签应当是相同的．现有的空谱联合分类方法通常会利用上述假设中的一种或两种以融合空谱信息．为提取相邻像素信息，通常需要定义邻域，邻域即指的是为目标像素贡献空间特征所用的像素组成的区域．而依据这个区域的选择策略的不同，本文将ＨＳＩ分类方法分为基于固定邻域的方法和基于自适应邻域的方法两类．１􀆰２　固定和自适应邻域的方法１）基于固定邻域的方法．在此类方法中，对每一像素而言，与它相邻接的像素构成的邻域是固定的，一般取其方形邻域．现有的许多方法［１８⁃２８］都采用这种模式．一些预提取特征方法采用的邻域如小波和Ｇａｂｏｒ特征，经典的基于方形窗口的组合核方法［２９⁃３２］．文献［３３⁃３４］采用了基于方形窗口的联合稀疏表示方法，文献［３５］提出了一种基于多元逻辑回归的一般化的组合核方法，文献［３６］提出了基于方形窗口的迭代式的图核方法．另一类具有代表性的固定邻域方法是基于一系列形态学滤波的形态学分析方法［３７⁃３８］，它将通过一系列方形的滤波模板得到的形态学特征看作空间特征，进而进行ＨＳＩ分类．除此之外，也有许多方法利用相邻像素的类别相关性来提取空间信息，代表性方法有基于马尔可夫随机场的方法，如文献［３９⁃４５］等．２）基于自适应邻域的方法．在这类方法中，所用到的空间邻域或空间邻域内不同像素的权重是依据图像纹理自适应选取的，这类策略下的大多数方法都会定义一个限定因子来调整邻域内样本的重要性或重新划分自适应邻域．前者的代表性方法有文献［４６⁃４９］．文献［５０⁃５２］采取边缘检测算子调整邻域内样本的权重来进行保边性的分类．与文献［５０］类似，卷积神经网络［５３⁃５４］也可以被用来为邻域中的每个像素自动化地学习出一个较好权重．文献［５５⁃５７］通过将空间局部像素上的差分转化为拉普拉斯矩阵进而对其优化来达到邻域自适应的效果．后者的代表性方法有基于超像素或目标分割的方法［５８⁃６６］，它认为分割得到区域是整个图像的一个同质区域，因而将其看作一个整体进行ＨＳＩ分类．文献［６７⁃６８］利用一系列的区域融合与分割算子来自适应地调整像素间的空间相关性．文献［６９⁃７０］通过衡量目标像素与其方形邻域内像素的相似性，设置相应的阈值来筛选出同质区域，进而通过联合表示分类等方法进行ＨＳＩ分类．此外，还有一些方法利用相邻样本间类别相关性来获取自适应邻域，如文献［７１⁃７４］首先采用区域分割来得到目标邻域，再利用投票策略来确定区域标签．文献［７５⁃７６］利用地物分布的马尔可夫性以及０９张建伟，等．高光谱图像分类方法综述．ＺＨＡＮＧＪｉａｎｗｅｉ，ｅｔａｌ．Ｏｖｅｒｖｉｅｗｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ．

高光谱分类是一种基于高光谱遥感数据的分类方法，主要应用于土地利用、植被覆盖、水体等环境要素的识别与分类。高光谱数据是指在较宽的光谱范围内，以较高的光谱分辨率采集的遥感数据，通常包括了可见光、近红外、红外等多个波段的信息。利用高光谱数据进行分类，可以更准确地划分地物类别，提高分类精度。

高光谱分类的主要步骤包括：

1. 预处理：对高光谱数据进行大气校正、辐射定标等处理，以消除影响分类的噪声和杂波。

2. 特征提取：选择具有代表性的波段，提取不同地物类别在不同波段上的特征，如植被的反射率、水体的吸收特性等。

3. 数据降维：对提取的特征进行降维处理，以减少冗余信息和计算量。

4. 分类模型建立：选择适当的分类器，如支持向量机、最小距离分类器等，建立分类模型。

5. 分类结果验证：对分类结果进行验证和评价，计算分类精度和误差矩阵等指标。

高光谱分类技术已广泛应用于农业、林业、水资源管理、环境监测等领域，为资源调查、环境保护、决策支持等提供了重要的数据支持。

高光谱遥感是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据，高光谱遥感技术作为20世纪80年代兴起的对地观测技术，始于成像光谱仪的研究计划。

目前，我国研制的224波段的推扫高光谱成像仪（PHI）与128波段的实用型模块化机载成像光谱仪（OMIS）已经进行了多次成功的航空遥感实验。另外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪于2002年随“神州”三号飞船发射升空，这是继美国1999年发射的EOS平台之后第二次将中分辨率成像光谱仪发送上太空，从而使中国成为世界上第二个拥有航天成像光谱仪的国家。

高光谱遥感图像和常见的二维图像不同之处在于，它在二维图像信息的基础上添加光谱维，进而形成三维的坐标空间。如果把成像光谱图像的每个波段数据都看成是一个层面，将成像光谱数据整体表达到该坐标空间，就会形成一个拥有多个层面、按波段顺序叠合构成的三维数据立方体。

高光谱遥感具有不同于传统遥感的新特点：

（1）波段多——可以为每个像元提供几十、数百甚至上千个波段

（2）光谱范围窄——波段范围一般小于10nm

（3）波段连续——有些传感器可以再350~2500nm的太阳光谱范围内提供几乎连续的地物光谱

（4）数据量大——随着波段数的增加，数据量呈指数增加

（5）相邻谱带间相关——由于相邻谱带间高度相关，冗余信息也相对增加，这一特点也为其降维处理（包括波段选择、特征提取等）和谱间压缩提供可能

（6）随着维数的增加，超立方体的体积集中于角端，超球体和椭球体的体积集中在外壳，该特点进一步为高光谱图像的降维和压缩处理提供了理论依据。

根据高光谱图像的特点及其相关技术处理的需要，高光谱数据与其所携带的信息一般采用如下的三种空间表达方式：图像空间、光谱空间和特征空间。

1、图像空间（有空间几何位置关系）

2、光谱空间，光谱信息

3、特征空间（在光谱空间进行取样，将得到的n个数据用一个n维向量来表示，它是表示光谱响应的另一种方式。N维向量包含了对应像素的全部光谱信息。在三种表示方法中，特征空间表示法适合于模式识别中的应用。）