高光谱图像分类方法的研究

2017-06-15李佳逊

科教导刊·电子版 2017年10期

李佳逊

摘要随着遥感科学的迅速发展，高光谱图像受到人们越来越多的关注。尤其是分类问题已经成为高光谱遥感最为重要的应用方向，具有重要的研究价值。多种图像处理技术已经广泛应用于高光谱遥感图像的分类中，并取得了一定的效果。本文通过介绍几种主要的分类方法，加深对高光谱图像分类方法的了解。

关键词高光谱遥感遥感技术图像分类

中图分类号：TP751. 1 文献标识码：A

遥感是一项重要的现代观测技术，其最大的特点就是不直接接触物体而对物体的各种性质进行感知。遥感技术通过地面目标对不同波长电磁波的响应来获取关于目标的信息，然后对接收到的信息进行分析，进而对所感知物体的各种性质进行判断和识别。它凭借着覆盖范围广、得到的地物信息丰富并且实时性高等一系列传统手段不具有的优点，已经在资源勘探、环境监测、精细农业、灾害评估、目标识别等众多的技术领域得到了广泛的应用。遥感图像分类主要有两类分类方法：一种是非监督分类方法，另一种是监督分类方法。非监督分类方法是一个聚类过程，而监督分类则是一个学习和训练的过程，需要一定的先验知识。

1 K-均值

K-均值分类方法也称为k-means算法，是一种较典型的逐点修改迭代的动态运算的聚类算法，也是一種普遍采用算法。K-means聚类的准则是使每一聚类中多模式点到该类别的中心距离的平方和最小。首先确定初始聚类点，然后把其余的待分点分到各类中，完成初始分类。初始分类完成后，重新计算各聚类中心，完成第一次迭代，依次循环迭代，直至前后两次的聚类中心相同，循环结束。

k-means算法是一种无监督的分类方法，该方法的不足是初始聚类中心和最佳聚类数对聚类结果影响很大。

2 支持向量积

支持向量积（SVM）主要思想是建立一个超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化。同理，在多维空间假定训练数据可以被一个超平面分开，如果这个向量集合能被超平面没有错误地分开，并且离超平面最近的向量与超平面之间的距离最大，则称这个向量集合被这个最优超平面最大分开。

SVM作为一种高维有监督的分类方法，它凭借着不受Hughes现象影响的优势，取得了很好的分类效果。

3 K-最邻近结点算法

K-最邻近结点算法，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（即特征空间中最邻近）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。KNN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。

当样本不平衡时，如一个类的样本容量很大，而其他类样本容量很小时，有可能导致当输入一个新样本时，该样本的K个邻居中大容量类的样本占多数。因此可以采用权值的方法（和该样本距离小的邻居权值大）来改进。该方法的另一个不足之处是计算量较大，因为对每一个待分类的样本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。

下面对K-近邻算法描述：

输入：训练数据集，其中是第个样本的条件属性，是类别，新样本，距离函数。

输出：的类别。

For i = 1 to N do

计算和之间的距离；

End for

对距离排序，得到；

选择前个样本：；

统计中每个类别出现的次数，确定的类别。

4平行多面体分类方法

平行多面体分类法是根据设定在各轴上的值域，在多维数据特征空间中划分出若干个互不重叠的平行多面体块段（特征子空间）。应用这种方法进行分类需要由训练组数据学习产生基本的统计量信息，包括每个类别的均值向量和标准向量。若有个波段，个类别，用代表第类第波段的均值，为对应的标准差，为像元在波段的像元值。

对于某一个类别，当像元满足：