高光谱遥感分类与信息提取综述

免责声明：本文仅代表个人观点，如有错误，请读者自己鉴别；如果本文不小心含有别人的原创内容，请联系我删除；本人心血制作，若转载请注明出处

本文是根据 黄玮 所著的 “高光谱遥感分类与信息提取综述”一文而写，具体细节基本皆引自此文。

1、高光谱遥感综述

高光谱的核心思想是光谱分辨率高达纳米数量级，具有波段数众多，连续性强等特点，其传感器在可见光到红外光的波长范围内（0.4um - 2.5um）范围内很窄的波段宽度（3 - 30nm）获得几百个波段的光谱信息，相当于产生了一条完整而连续的光谱曲线，光谱分别率将达到5nm - 10nm。高光谱遥感数据的表现可以从以下三个方面来理：图像空间、光谱空间和特征空间。随着高光谱遥感分辨率的增加，特征空间的维数很高，因而表现不同地物
类别的能力也随之不断提高，这也是高光谱遥感之所以能够更精确识别地物的主要原因。

2、高光谱遥感的应用

高光谱影像包含了丰富的地表空间、光谱和辐射的三重信息，它同时表现了地物的空间分布并获得了以像元为目标的地物光谱信息。区域以高光谱分辨率同时获取连续的地物光谱影像。其超多波段信息使得根据混合光谱模型进行混合像元分解获取。子像元”或“最终光谱单元。信息的能力得到提高。区域以高光谱分辨率同时获取连续的地物。

3、高光谱遥感图像分类与信息提取

1）、遥感图像处理 -- 以遥感数字图像为研究对象，统计模式识别的关键是提取待识别模式的一组统计特征        值，然后按照一定准则做出决策，从而对数字图像予以识别。其主要依据是地物的光谱特征，即地物电        磁波辐射的多波段测量值，这些潮量值可以用作遥感图像的原始特征值。

2）、高光谱遥感图像分类与提取

     第一是基于光谱空间分析方法，其基本原理是化学分析领域的光谱分析技术；第二是给予特征空间分析技      术，基本思想是组成光谱曲线的各光谱波段组成的高维空间中的一个矢量，进而用空间统计分析的方法分      析不同地物在特征空间中的分析规律。

①、基于光谱空间的分析方法

高光谱遥感技术的最大特点就是：在地物的每一个像元处，可以得到一条连续的光谱曲线。所有的光谱曲线的集合则构成了光谱空间，不同的地物对应于光谱空间中的一条光谱曲线。因此，基于光谱空间的数据分析方法是高光谱数据分析的主要技术之一，其主要思想类似于化学上常用的光谱分析技术，主要是通过对光谱曲线进行特征分析，发现不同地物的光谱曲线变化特征，从而达到识别地物的目的。由于这种分析方法与地物的物理化学属性直接相关，因此可以方便地对分析结果进行物理解释：由于分析过程主要是针对一个像元的光谱曲线，因此，算法往往比较直观和简单。这些特点使得基于光谱空间的分析技术成为引人注目的一种技术，因
而，近年来在这方面产生了许多实用的研究结果。

常用的分析方法包括：1）光谱角填图法，又称光谱角度匹配法，就是根据像元矢量与已知矢量的广义夹角来区分相似度；2）光谱解混技术：假设某一像元的光谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成，解混的目的就是通过某种分析和计算，估计出光谱混合方式和混合像元包含的光谱成分及相应比例；3）光谱匹配滤波技术（Matched Filter）：匹配滤波技术刖选定某些感兴趣的端元光谱的情况下，把未知的光谱归为背景光谱(Unknown background)，最大化地突出已知端元光谱而同时尽可能抑制背景光谱，这种方法提供了一种快速探测指定地物种类的技术，而不必知道一幅图像中包含的全部端元光谱；4）光谱特征匹配（SFT-Spectral Feature Fitting）根据电磁波理论，不同的物质有不同的光谱曲线。人们可以通过分析不同地物的光谱吸收表现，达到识别不同地物的目的。首先把反射光谱数据的吸收特征突出出来，然后用仅保留了吸收特征的光谱与参考端元光谱逐个波段进行最小二乘匹配，并计算出相应的均方根误差(RMS-RootMean Square)，消除背景影响的方法主要是包络线法。

②、基于特征空间的分类方法，另一种遥感图像地物辩识的思想则是从统计分布规律出发，在同一幅图像上，
不同地物的光谱数据呈现不同的分布状态，比如不同均值和方差，通过分析这种统计分布规律而实现地物识别的技术就是基于特征空间的分类方法。常用的分析方法包括1）最大似然分类器（MLC），基本思想是假设各类样本数据都是高斯分布（正态分布），判别准则是所属类别的分布密度最大；2）基于Bayes准则的分类器，要求先验概率和条件概率密度函数已知。先验概率通常是根据各种先验知识或者假设他们相等，条件概率首先确定分布形式，然后利用样本估计其参数；3）、最小距离判别法，一是如何定义空间距离，二是计算点到各类别的空间距离；4、基于模糊集理论的判别分类方法，相邻波段影像间存在较大相似性，它们的分类作用可以相互替代，因此只需利用其中一类参加分类即可，其他与此相似的波段可以视为冗余波段，首先对原始波段集合中的光谱波段进行模糊等价划分，然后在每个模糊等价波段组中只选择一个光谱波段；5）、基于人工神经网络分类；6）、支持向量机。

4、高光谱遥感数据分类存在的问题

基于统计理论的参数估计若在原始高维空间进行，则需相当庞大的训练样本数才能得到比较满意的估计精度，非参数估计方法所需的样本数量更是不可想象。此外，原始高维数据窄间的正态分布特性更是难以保证，而正态分布是许多参数估计方法的基础。

存在问题：1）、训练样本数量问题；2）特征空间的组成，一般要对原始波段空间进行降维预处理，得到一个保持了原始空间全局和局部特征结构的低维空问，然后在低维子空问中进行分类判别；3）分类器选择；4）类别可分性，数据集的内在的可分离程度对分类精度的高低有着至关重要的影响。

5、结语

如何最大程度地利用这些海量数据的难题，算法的问题。