高光谱图像分类方法综述

雷湘琦

摘要：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。

关键词：高光谱遥感;图像分类

引言

高光谱遥感（Hyperspectral Image，HSI）是20世纪以来遥感发展中十分突出的一个方面。其通过搭载在不同空间平台上的成像光谱仪和非成像光谱仪等高光谱传感器，在一定波谱范围内，以数十甚至数百个连续且细分的光谱波段对目标区域同时成像。与多光谱遥感影像相比，高光谱影像不仅获得地表图像信息，同时也获得光谱信息。但是，随着参与运算波段数目的增加，会出现分类精度“先增后降”的现象，即Hughes现象。本文将对空间光谱联合分类的方法进行着重介绍和总结，还将对从前经典述各类算法进行总结归纳，探讨一些其中具有代表性的方法的原理，对其进行总结，以期找出其中的联系。

1     HSI图像空谱联合分类方法

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。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（Support Vector Machine，SVM）、稀疏表示分类（Sparse Representation Classification，SRC）等。此类逐像素的分类方法有计算简单、便于拓展等特点，然而此类方法并未考虑样本的空间关联性，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;2）高维的光谱特征往往会导致分类模型中需要估计参量的增加，这会造成过拟合以至于模型的泛化性能难以提升。

1.1  基于空间依赖关系的HSI分类

1.1.1      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。

1.1.2      固定和自适应邻域的方法

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。现有的许多方法都采用这种模式。

2经典高光谱分类方法

高光谱图像数据第一次真正做到了光谱与图像的结合。基于光谱特征空间的高光谱图像分类方法主要是建立在对高光谱图像光谱特征提取和变换的基础上，大多数研究分为两种思路：一种是基于地物物理光学性质的光谱曲线来进行地物识别，代表性方法是光谱特征匹配方法;另一种是基于特征空间的分类方法，主要利用数据的统计特征来建立分类模型，主要方法有传统的遥感分类方法以及神经网络，支持向量机等复杂的图像分类方法。下面本文将重点阐述近几年应用较多的几种方法。

2.1  支持向量机

支持向量机（Support Vector Machine，SVM）是一类按监督学习方式对数据进行二元分类的广义线性分类器，它能夠直接对高维数据处理，不必经过降维处理，采用全部波段进行分类，保证了光谱信息的充分性。SVM作为一种高维的监督分类方法，它是有着不受休斯效应影响的优势，有着不错的效果。但同时，这种方法也有一定缺陷。首先，最大的问题是核函数的选择缺乏指导性，当针对具体的函数时，选择最佳的核函数是一个比较难的问题，还有就是这个方法的计算量较大。

2.2  基于深度学习的HSI分类方法

众所周知，神经网络和深度学习的算法通过模拟人脑的结构在图像分类、自然语言处理等领域取得了非凡的成果。与传统的浅层分类模型相比，深度学习模型可以看作是一个包含多层结构的分类模型。基于深度学习的HSI分类方法可以被大致分为三个主要阶段：1）数据输入阶段;2）深度神经网络构建阶段;3）分类阶段。卷积神经网络（Convolutional Neural Net-work，CNN）是现今机器学习领域的一个热点方向，并且其在高光谱图像处理领域取得了非凡的成就。在传统的分类方法中，特征提取往往需要依赖由某种先验知识而设定的参数，而基于CNN的深度学习方法的模型参数可以通过自动化的训练过程来得到，这就意味着其具备自动提取数据特征的能力。

2.3  结合神经网络的高光谱图像分类方法

人工神经网络（Artificial Neural Network，ANN），是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络，具有对信息的分布式存储、并行处理、自组织、自学习等特点。神经网络具有自组织和自学习能力，可以有效解决非线性的问题。

神经网络具有自动提取特征、权值共享等优点，并且泛化能力强，可以处理一些不完整的样本或者背景复杂的图像。但是，高光谱图像分类时，经常遇到“同物异谱”现象，这使得神经网络的分类算法难于收敛，严重降低分类精度。

2.4  结合随机森林的高光谱图像分类方法

本文将随机森林算法应用于高光谱数据降维和分类过程中，利用随机森林算法对高光谱遥感数据实现数据降维与分类，先采用基于随机森林RF-RFE（Random Forest-Recursive Feature limitation，RFE），方法对高光谱数据进行波段选择，得到几种最优波段组合完成数据降维，将分类精度最高的波段组合分别使用随机森林分类器与SVM分类器进行分类。

2.5  面向对象的高光谱遥感图像分类

面向对象分类的特点即分类的最基本对象从像元转换到图像对象。分类的核心是高光谱图像的分割，在这个阶段应该结合光谱信息和空间信息。利用Definiens平台提供的面向对象多分辨率分割算法是基于区域生长算法实现初步分割与基于多准则的递归融合的一种算法，弥补了基于单个像元分割方法存在的不足，有效提高了影像分割精度。

3结束语

在今后高光谱图像分类研究的发展方面，基于深度学习的空谱联合分类方法因其具有自动化提取数据特征、较高的分类精度和快速的分类效率等特点而受到众多学者的青睐，但其网络结构的设定、调整大量参数所需的训练时间及它所面临的过拟合现象仍是现今要解决的主要问题。尽管如此，深度学习的方法依然越来越成为当前研究的主流。

参考文献：

[1]   张建伟，陈允杰.高光谱图像分类方法综述[J/OL].南京信息工程大学学报（自然科学版），2020（01）：1-12[2019-12-29].

[2]   张凯琳，阎庆，夏懿，章军，丁云.基于焦点损失的半监督高光谱图像分类[J/OL].计算机应用：1-11[2019-12-29].