高光谱图像

第２７卷　第３期

２０１９年３月 光学精密工程

　Ｏｐｔｉｃｓ　ａｎｄ　Ｐｒｅｃｉｓｉｏｎ　Ｅｎｇｉｎｅｅｒｉｎｇ Ｖｏｌ．２７　Ｎｏ．３　Ｍａｒ．２０１９

收稿日期：２０１８－１０－３０；修订日期：２０１８－１１－２６．

基金项目：国家自然科学基金资助项目（Ｎｏ．６１６７２３３５，Ｎｏ．６１６０１２７６）；广东省自然科学基金资助项目（Ｎｏ．

２０１６Ａ０３０３１００７７）文章编号　１００４－９２４Ｘ（２０１９）０３－０６８０－１４

高光谱图像分类的研究进展

闫敬文１，陈宏达１，刘　蕾２＊

（１．汕头大学工学院电子系，广东汕头５１５０６３；

２．汕头大学医学院，广东汕头５１５０６３）

摘要：高光谱图像分类是利用高光谱数据图谱合一且光谱信息丰富的特点，对图像中的每个像素进行分门别类，以达到

对地物目标进行高精度分类和自动化识别的目的，是对地观测的重要组成部分。在分析高光谱图像特点的基础上，本文

从普通机器学习和深度学习这两方面对高光谱图像像素级分类的研究进展及效果进行总结、评述和比较，通过具体实验

的结果对比，直观地展现各种算法的优劣。针对高光谱分类问题，本文从两个方面对今后的研究方向及发展前景进行了

分析和展望。一方面，在算法研究上，高光谱图像分类算法可在保证分类精度的前提下降低算法的复杂度，利用多源遥

感数据、多特征综合、多尺度复合，提升小样本、少参数分类模型的分类精度，适应智能化、快速化高光谱遥感对地观测的

发展要求；另一方面要紧密结合市场应用需求，重视高光谱图像在实际中的应用，研究具有市场竞争力的高效分类算法，

提升高光谱图像分类在遥感技术应用领域的竞争力。

关　键　词：高光谱图像；像素级分类；机器学习；深度学习

中图分类号：ＴＰ７５１；ＴＰ１８１ 文献标识码：Ａ ｄｏｉ：１０．３７８８／ＯＰＥ．２０１９２７０３．０６８０

Ｏｖｅｒｖｉｅｗ　ｏｆ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ

ＹＡＮ　Ｊｉｎｇ－ｗｅｎ１，ＣＨＥＮ　Ｈｏｎｇ－ｄａ　１，ＬＩＵ　Ｌｅｉ　２＊

高光谱成像技术在生命科学中的应用

随着生命科学的不断发展和进步，科研人员对复杂生物系统的研究需求越来越大。仅仅靠传统显微镜、电子显微镜等微成像技术已经无法满足生物科学家们的需求。因为这些技术只能提供局部结构和成分的信息，而不能同时获得样本的光谱信息。高光谱成像技术的出现满足了这一需求，不仅能够提供样本的图像，还能够获得样本的分子、化学键等信息，成为了生命科学研究不可或缺的技术手段。

高光谱成像技术是一种光谱成像技术，是将高分辨率光谱仪和图像传感器等硬件设备结合在一起，用于获取样本在某一波长范围内的原位光谱信息以及图像。它可以在较短的时间内获取大量的多维光谱和图像数据，并将其用于解析和检测样品中的化学分子、生物分子和病理体。

在生命科学中，高光谱成像技术主要应用于以下几个方面。

一、癌症研究

高光谱成像技术在癌症研究中得到了广泛应用。通过光谱成像技术可以获得肿瘤样品中大量的光谱信息和图像信息，从而分析出含在样品中的多种化合物的类型、分布和比例。高光谱成像技术可以分辨出不同的癌细胞和正常细胞之间的化学、分子成分的区别，辨别出良性和恶性肿瘤的差异，并进一步研究肿瘤的转移、侵袭、代谢活性以及与其相关的细胞信号传递通路。

二、脑科学研究

脑组织是生物体中最复杂的之一，结构和功能的复杂性让人不得不对其进行深入的研究。高光谱成像技术被用来测定不同脑组织的化学成分和分布，以及其他与脑功能相关的化合物。因此，高光谱成像技术可以帮助科学家研究脑病发生的机制以及相关的生理、生化过程，并对相关疾病的防治措施进行科学合理的制定。

三、昆虫学研究

高光谱成像技术也被广泛应用于昆虫学研究中。昆虫身上具有不同的化学成分，高光谱成像技术可以通过光谱图像来区分成分，从而进行生态、行为等方面的研究，例如昆虫的捕食行为和种群动态研究。

总之，随着科学的进步和技术的发展，高光谱成像技术已经成为了生命科学研究不可或缺的工具，也为相关领域的研究提供了更加全面深入的数据支撑。相信在不久的未来，高光谱成像技术将得到进一步的发展和推广。

高光谱图像的光谱解混模型与算法研究

高光谱成像是将成像技术与光谱技术相结合的技术,是遥感应用中一个快速发展的领域。高光谱图像在军事目标辨别、远程控制、生物医学、食品安全以及环境监测等领域都有重要应用。

但由于高光谱成像光谱仪空间分辨率较低,使得每个高光谱像元可能由多种不同物质的光谱混合构成,因此混合像元广泛存在于高光谱图像中。混合像元导致科研实践中一些应用分类不准确,因此对混合像元进行分解是高光谱遥感应用亟待解决的核心问题。

本文中首先介绍了两种光谱混合模型:线性和非线性光谱混合模型。线性模型假设观察到的像元信号是所有的纯光谱信号的线性组合。

与之相反,非线性模型则考虑到多种物质反射光之间的物理相互影响。其次,本文对高光谱图像解混的几种经典模型进行介绍。

在这些模型中详细介绍了本文的对比模型全变分模型(SUnSAL-TV),该模型利用高光谱图像空间关系构建了对端元丰度的正则项,这使高光谱图像解混问题在数值结果和视觉效果上都有较大提升。但全变分模型的缺点是解混后丰度图中原平滑区域中伴有阶梯效应现象,视觉效果欠佳。

本文采用重叠组稀疏全变分作为端元丰度正则项,并采用交替方向乘子法对模型进行求解,将原问题转化为一系列较易求解的子问题,进而得到原问题的全局解。在应用交替方向乘子法进行求解过程中,关于梯度域重叠组稀疏的子问题采用采用优化最小化方法进行求解。

通过合成数据和真实数据的实验证明,采用本文提出的新方法处理后图像视觉效果和数值效果相比SUnSAL-TV方法有明显提升,并且可以有效减弱SUnSAL-TV模型的阶梯效应,使处理后丰度图更加平滑,视觉效果更佳。

《科技传播》2019·1（上）

105信息科技探索

高光谱遥感技术起源于20世纪80年代初，它是在多光谱遥感技术的基础上发展起来的。经过数十年的发展，现在的高光谱遥感技术已经达到了一定的水平，在很多领域也得到了应用。比如它在农业中的应用，其主要表现在快速、精准地获取各种环境信息，以及农作物生长情况。在大气与环境应用上，在太阳光谱中，大气中的分子，如氧气、臭氧、二氧化碳、水蒸气等成分的反应十分强烈。而因为大气成份生变而引起的光谱差异通过传统宽波遥感方法难以准确识别，而这种差异可通过窄波段的高光谱识别出来[1]。在城市环境与下垫面与环境特征的研究和应用，因为人们生活中的各种活动，使得城市环境与下垫面更为复杂。而高光谱遥感技术的进步，能让人们依据光谱特征，更深入地去研究城市地物，而各种高光谱遥感器的出现，使得对城市的光谱的研究更加系统而全面，也为城市环境遥感分析及制图打下了基础。在地质矿物勘探中的应用，区域地质制图和矿物勘查是高光谱技术主要的应用领域之一，也使得高光谱遥感技术的作用得到了有效的发挥，由于高光谱遥感比起宽波段遥感有诸多不同之处，因此在电磁谱上，每种岩石和矿物所显示出诊断性光谱特征各不相同，根据这一原理能清楚地识别出其中的矿物元素[2]。1 高光谱图像分类方法高光谱图像分类的主要作用机理是，按照待测地物的空间几何与光谱信息，来划分图像中的每个像素，划作不同的类别。高光谱图像可采用监督和非监督两种分类方法。其中的区别在于：非监督分类用于对分类区知之甚少的情况下，在统计和分类时，完全依据的是照像元的光谱特性。非监督分类运算将原始图像的全部波段运用到其中，分类结果与各类像元数有着相类似的比例。因为无需人工干预，非监督分类可采用高度自动化来完成。非监督分类具体步骤如下：初始化各个分类、判断专题、分类合并、确定色彩、分类处理、定义色彩、转换栅格矢量、统计分析。监督分类更依赖于用户的控制，适用于对研究区域了解较透彻的情况下。在这种分类过程中，先选一些能够识别的，或者借助其它信息正确判断出类型的像元，来构建模板，再通过这一模块，使计算机系统对于具有相同特性的像元进行识别。评价分类结果后，对模板进多次优化，从而使它更为准确，并以此为基础做最后的分类。监督分类步骤如下：训练样本并构建模块、评价模块、确定出初步分类图、检验所得到的分类结果、二次处理、进行分类特征的计算、转换栅格矢量[3]。接下来介绍一些典型的监督分类方法和非监督方法。1.1 监督分类方法1.1.1 平行多面体分类方法平行多面体分类方法，是种图像分类方法，指在多维特征空间中，每类形成一个平行多面体，待分个体进入其中便被归属，否则就拒绝的。分类时若使用这种方法，就要进行数据的训练和学习，从而得出基本的统计量信息[4]。假如，类别和波段数量分别为m和n个；Sij、Sij、Mij分别代表标准差、像元X在j波段的像元值和i类第j波段的均值。某一类别i（i=1，2，…，m），当像元X满足： （1）（T为人为规定的阈值，T越大，一个类的范围越大）基金项目：武汉轻工大学科研项目（项目编号：2018Y17）。通讯作者：康镇，实验师，武汉轻工大学数学与计算机学院，研究方向为模式识别、图像处理。作者简介：黄何，武汉轻工大学数学与计算机学院。高光谱图像分类黄 何，康 镇摘 要 近些年来，高光谱遥感技术迅速发展，同时也应用在了非常多的领域中。而高光谱图像分类是其一个重要的方向。但是高光谱图像成像机理复杂、波段繁多、数据量大等特点也向我们传统的图像分类方法提出了挑战。文章综合介绍分析了几种监督分类方法和非监督分类方法。监督分类方法主要介绍了平行多面体分类方法、最大似然分类方法、人工神经元分类方法；非监督分类方法主要介绍了K-means分类方法、ISDATA分类方法、谱聚类分类方法。同时还综述了支持向量机分类方法、最小二乘支持向量机分类方法、决策树分类方法等新型分类方法。关键词 监督分类；非监督分类；最大似然分类；ISODATA分类；支持向量机分类中图分类号 G2 文献标识码 A 文章编号 1674-6708（2019）226-0105-04DOI:10.16607/ki.1674-6708.2019.01.056《科技传播》