高光谱遥感图像分类方法综述

张蓓

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：A

1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這一类方法的利用，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] Rahman S A E. Hyperspectral Imaging Classification Using ISODATA Algorithm： Big Data Challenge[C]// Fifth International Conference on E-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.