高光谱影像中的Hughes现象

Hughes现象是指在高光谱分析中过程中，随着参与运算波段数目的增加，分类精度“先增后降”的现象。与多光谱相比，高光谱图像的一个显著特点就是它的波段数目远远大于多光谱图像，因而可以提供更为丰富的细节信息，可以解决许多在多光谱中不能解决的目标探查和分类问题，但是由于Hughes现象的存在，使得高光谱图像的实际应用受到限制。

在多光谱中，图像的维数较少，训练样本的数目相对于特征空间的维数有较大的比率，因而可以得到较为准确的参数估计值。但是对于高光谱影像，由于维数的大幅度增加，在深度学习中，你可以理解成模型提取的特征维数的增加，导致用于参数训练的所需样本数也急剧增加，如果样本数过少，那么估计出来的参数精度就无法保证，参数不够最优，在某些比较重要的地面覆盖信息，由于所占面积较小，不能提供足够数量的训练样本，分类精度也往往不高，虽然光谱波段数目的增加隐含了更多的分类信息，但是由于参数估计值不够理想，使得分类结果与理想状态相去甚远，产生了Hughes现象。这是高光谱影像处理中一个普遍的问题，2D处理的方法，在光谱维度首先还是要降维，再送到模型中处理，3D-CNN的方法将空谱信息一次性送到网络中，这个时候就要特别面对这个问题了，深度学习网络是越深特征维度越高的，越深参数量越大，能够描述物体的特征为数越高，不断进行组合，自然分类准确度就上去了，但是面对高维的光谱，特征维数越往后提取越多，在面对有限训练样本的时候，参数估计的精度就下来了，所以用来处理高光谱的3D-CNN模型到目前为止，我见过都还是相对浅层的，7-8层可能就算比较多了，这个时候效果也比较好了，当然我们也可以探索深度的网络在高光谱影像上的应用。

研究表明，分类结果取决于四个因素：类别可分性、训练样本数目、特征空间维数以及分类器类型。

这四个因素的合理的使用也可以有效的避免Hughes现象。