高光谱图像分类

高光谱遥感影像分类的特点：

• 特征空间维数高，数据相关性强，冗余度高，运算时间长；
• 要求的训练样本多；
• 可用于分类的特征多，既包括直接光谱向量，还可以计算植被指数、光谱吸收指数、导数光谱、纹理特征、形状指数等派生特征
• 图像的二阶统计特征在识别中的重要性增加

分类采用的策略：

• 以训练样本为依据的监督分类与非监督分类
• 以分类特征输入为依据的分类策略
• 以像元构成假设为前提的硬分类和软分类
• 以基本操作单元为基础的像素级分类和对象级分类
• 以分类器数量为区分准则的单分类器和多分类器集成
  

高光谱影像分类的挑战

• 维数灾难的挑战。在特定的分类器和训练样本条件下，高光谱影像的分类精度会随着特征维数的增大而呈现先增后减的趋势，分类器的泛化能力会随着维数的增大而变弱；
• 非线性数据结构的挑战。信号的高维特性、不确定性、信号冗余以及地表物体的异质性等导致了高光谱数据结构的高度非线性，一些基于统计模式识别理论的分类模型难以直接对原始高维数据进行分类识别；
• 不适定问题的挑战 (Shahshahani 和Landgrebe, 1994)。在统计学习中，由于已标记样本有限和样本质量不均一，统计模型往往不足以表达高光谱影像的数据分布，模型参数无法估计或估计不准确；
• 空间同质性和异质性问题的挑战。实地表物体的分布呈现区域性，相邻位置通常代表相同的物体。然而，逐像素的分类结果往往与此相违背，空间先验知识没有在分类问题中发挥作用。因此，需要引入空间上下文、纹理、语义、对象、形状等特征和知识，以提高分类精度。

解决方案

• 核变换技术：可以很好地解决“复杂非线性数据结构”的问题
• 特征挖掘技术：能够寻找出有效特征集，在一定程度上缓解“维数灾难”现象
• 半监督学习和主动学习用于高光谱影像分类：解决高光谱影像处理的 “ 不适定 ” 问题
• 光谱–空间分类：可以综合利用光谱和空间特征，很好地解决高光谱分类中“空间同质性与异质性”问题
• 稀疏表达：将高维信号表示成少数字典原子及其系数的线性组合，在去噪的同时发掘数据本源并对其进行有效表征，传递字典原子的类别信息，依据最小重构误差可实现较准确的信号分类
• 多分类器集成：可以解决单一分类器泛化性能差、选择分类器主观性强等问题

参考资料

论文：高光谱遥感影像分类研究进展_杜培军