高光譜圖像分類方法綜述

雷湘琦

摘要：過去數(shù)十年中，高光譜圖像的研究與應(yīng)用已經(jīng)完成了從無到有、從差到優(yōu)的跨越式發(fā)展。在對其研究的眾多方面中，高光譜圖像分類已經(jīng)成為了一個最熱的研究主題。研究表明空間光譜聯(lián)合的分類方法可以取得比僅依賴光譜信息的逐像素分類方法更好的分類效果。本文將對眾多的空間光譜聯(lián)合分類方法進行歸類和分析。首先介紹高光譜圖像中相鄰像素間的兩類空間依賴性關(guān)系，因而可將現(xiàn)有的空譜聯(lián)合分類方法分為依賴固定鄰域和自適應(yīng)鄰域兩類。

關(guān)鍵詞：高光譜遙感;圖像分類

引言

高光譜遙感（Hyperspectral Image，HSI）是20世紀(jì)以來遙感發(fā)展中十分突出的一個方面。其通過搭載在不同空間平臺上的成像光譜儀和非成像光譜儀等高光譜傳感器，在一定波譜范圍內(nèi)，以數(shù)十甚至數(shù)百個連續(xù)且細分的光譜波段對目標(biāo)區(qū)域同時成像。與多光譜遙感影像相比，高光譜影像不僅獲得地表圖像信息，同時也獲得光譜信息。但是，隨著參與運算波段數(shù)目的增加，會出現(xiàn)分類精度“先增后降”的現(xiàn)象，即Hughes現(xiàn)象。本文將對空間光譜聯(lián)合分類的方法進行著重介紹和總結(jié)，還將對從前經(jīng)典述各類算法進行總結(jié)歸納，探討一些其中具有代表性的方法的原理，對其進行總結(jié)，以期找出其中的聯(lián)系。

1???? HSI圖像空譜聯(lián)合分類方法

高光譜圖像分類的目標(biāo)是依據(jù)樣本特征為圖像中的每個像元賦予類別標(biāo)簽。不同地物具有不同的光譜曲線，因此有許多利用光譜信息的方法被提出來用于高光譜圖像分類，代表性方法有支持向量機（Support Vector Machine，SVM）、稀疏表示分類（Sparse Representation Classification，SRC）等。此類逐像素的分類方法有計算簡單、便于拓展等特點，然而此類方法并未考慮樣本的空間關(guān)聯(lián)性，這會導(dǎo)致兩個主要問題：1）在較小的樣本下難以對如此高維的數(shù)據(jù)學(xué)習(xí)出一個高精度的分類器，這即是著名的休斯現(xiàn)象;2）高維的光譜特征往往會導(dǎo)致分類模型中需要估計參量的增加，這會造成過擬合以至于模型的泛化性能難以提升。

1.1? 基于空間依賴關(guān)系的HSI分類

1.1.1????? 鄰域間的空間依賴關(guān)系

在自然影像中，常用的一個假設(shè)為地物分布是連續(xù)的，換句話說其地物分布應(yīng)當(dāng)服從某種特殊的結(jié)構(gòu)。這種空間依賴關(guān)系可將模型分為以下兩類：1）相鄰像素的特征相關(guān)性：相鄰像素在光譜特征上有較大概率是相似的。2）相鄰像素的類別相關(guān)性：這些相似像素的類別標(biāo)簽應(yīng)當(dāng)是相同的?，F(xiàn)有的空譜聯(lián)合分類方法通常會利用上述假設(shè)中的一種或兩種以融合空譜信息。

1.1.2????? 固定和自適應(yīng)鄰域的方法

基于固定鄰域的方法，在此類方法中，對每一像素而言，與它相鄰接的像素構(gòu)成的鄰域是固定的，一般取其方形鄰域。現(xiàn)有的許多方法都采用這種模式。

2經(jīng)典高光譜分類方法

高光譜圖像數(shù)據(jù)第一次真正做到了光譜與圖像的結(jié)合?；诠庾V特征空間的高光譜圖像分類方法主要是建立在對高光譜圖像光譜特征提取和變換的基礎(chǔ)上，大多數(shù)研究分為兩種思路：一種是基于地物物理光學(xué)性質(zhì)的光譜曲線來進行地物識別，代表性方法是光譜特征匹配方法;另一種是基于特征空間的分類方法，主要利用數(shù)據(jù)的統(tǒng)計特征來建立分類模型，主要方法有傳統(tǒng)的遙感分類方法以及神經(jīng)網(wǎng)絡(luò)，支持向量機等復(fù)雜的圖像分類方法。下面本文將重點闡述近幾年應(yīng)用較多的幾種方法。

2.1? 支持向量機

支持向量機（Support Vector Machine，SVM）是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進行二元分類的廣義線性分類器，它能夠直接對高維數(shù)據(jù)處理，不必經(jīng)過降維處理，采用全部波段進行分類，保證了光譜信息的充分性。SVM作為一種高維的監(jiān)督分類方法，它是有著不受休斯效應(yīng)影響的優(yōu)勢，有著不錯的效果。但同時，這種方法也有一定缺陷。首先，最大的問題是核函數(shù)的選擇缺乏指導(dǎo)性，當(dāng)針對具體的函數(shù)時，選擇最佳的核函數(shù)是一個比較難的問題，還有就是這個方法的計算量較大。

2.2? 基于深度學(xué)習(xí)的HSI分類方法

眾所周知，神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的算法通過模擬人腦的結(jié)構(gòu)在圖像分類、自然語言處理等領(lǐng)域取得了非凡的成果。與傳統(tǒng)的淺層分類模型相比，深度學(xué)習(xí)模型可以看作是一個包含多層結(jié)構(gòu)的分類模型?；谏疃葘W(xué)習(xí)的HSI分類方法可以被大致分為三個主要階段：1）數(shù)據(jù)輸入階段;2）深度神經(jīng)網(wǎng)絡(luò)構(gòu)建階段;3）分類階段。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net-work，CNN）是現(xiàn)今機器學(xué)習(xí)領(lǐng)域的一個熱點方向，并且其在高光譜圖像處理領(lǐng)域取得了非凡的成就。在傳統(tǒng)的分類方法中，特征提取往往需要依賴由某種先驗知識而設(shè)定的參數(shù)，而基于CNN的深度學(xué)習(xí)方法的模型參數(shù)可以通過自動化的訓(xùn)練過程來得到，這就意味著其具備自動提取數(shù)據(jù)特征的能力。

2.3? 結(jié)合神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN），是20世紀(jì)80年代以來人工智能領(lǐng)域興起的研究熱點。它從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象，建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)，具有對信息的分布式存儲、并行處理、自組織、自學(xué)習(xí)等特點。神經(jīng)網(wǎng)絡(luò)具有自組織和自學(xué)習(xí)能力，可以有效解決非線性的問題。

神經(jīng)網(wǎng)絡(luò)具有自動提取特征、權(quán)值共享等優(yōu)點，并且泛化能力強，可以處理一些不完整的樣本或者背景復(fù)雜的圖像。但是，高光譜圖像分類時，經(jīng)常遇到“同物異譜”現(xiàn)象，這使得神經(jīng)網(wǎng)絡(luò)的分類算法難于收斂，嚴(yán)重降低分類精度。

2.4? 結(jié)合隨機森林的高光譜圖像分類方法

本文將隨機森林算法應(yīng)用于高光譜數(shù)據(jù)降維和分類過程中，利用隨機森林算法對高光譜遙感數(shù)據(jù)實現(xiàn)數(shù)據(jù)降維與分類，先采用基于隨機森林RF-RFE（Random Forest-Recursive Feature limitation，RFE），方法對高光譜數(shù)據(jù)進行波段選擇，得到幾種最優(yōu)波段組合完成數(shù)據(jù)降維，將分類精度最高的波段組合分別使用隨機森林分類器與SVM分類器進行分類。

2.5? 面向?qū)ο蟮母吖庾V遙感圖像分類

面向?qū)ο蠓诸惖奶攸c即分類的最基本對象從像元轉(zhuǎn)換到圖像對象。分類的核心是高光譜圖像的分割，在這個階段應(yīng)該結(jié)合光譜信息和空間信息。利用Definiens平臺提供的面向?qū)ο蠖喾直媛史指钏惴ㄊ腔趨^(qū)域生長算法實現(xiàn)初步分割與基于多準(zhǔn)則的遞歸融合的一種算法，彌補了基于單個像元分割方法存在的不足，有效提高了影像分割精度。

3結(jié)束語

在今后高光譜圖像分類研究的發(fā)展方面，基于深度學(xué)習(xí)的空譜聯(lián)合分類方法因其具有自動化提取數(shù)據(jù)特征、較高的分類精度和快速的分類效率等特點而受到眾多學(xué)者的青睞，但其網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)定、調(diào)整大量參數(shù)所需的訓(xùn)練時間及它所面臨的過擬合現(xiàn)象仍是現(xiàn)今要解決的主要問題。盡管如此，深度學(xué)習(xí)的方法依然越來越成為當(dāng)前研究的主流。

參考文獻：

[1]?? 張建偉，陳允杰.高光譜圖像分類方法綜述[J/OL].南京信息工程大學(xué)學(xué)報（自然科學(xué)版），2020（01）：1-12[2019-12-29].

[2]?? 張凱琳，閻慶，夏懿，章軍，丁云.基于焦點損失的半監(jiān)督高光譜圖像分類[J/OL].計算機應(yīng)用：1-11[2019-12-29].