高光谱遥感影像分类方法探析

马波波 胡勇

摘 要：高光谱遥感影像的分类问题是目标检测和识别的基础，深入研究高光谱遥感影像的数据特性对于去除噪声等干扰因素、实现准确解译并进行后续分析具有重要的意义。本文分析了高光谱遥感影像分类研究现状，重点论述了高光谱遥感影像的分类方法、分类流程、分类结果的评价方法，希望能和广大同行共同探讨。

关键词：高光谱;遥感影像;分类

1引言

近年来，遥感技术作为一种准确、客观、及时获取地球表面宏观信息的技术手段，在城市规划建设、土地利用监测、农林业以及自然灾害预报等方面越来越得到广泛的重视和应用。遥感技术相继经历过全色遥感、彩色遥感和多光谱遥感之后，高光谱遥感影像的到来推动了遥感技术的全新发展。高光谱遥感影像数据具有丰富的光谱信息，使其在地表覆盖物提取分类中相对于多光谱数据具有先天的优势。然而，也正是因为其具有丰富信息的优势，同样也带来了一些困扰，比如光谱数据量大、空间分辨率低、像元混合等，因此如何利用先进的数据处理技术手段来进行高光谱影像的提取分类成为一大挑战。

2高光谱遥感影像分类研究现状

高光谱影像可以提供含有丰富的光谱波段，虽然能够为地表物体的准确分类供应充足的特征信息，但留存较大光谱波段冗余，同时高光谱影像也包含了空间邻域信息外加了数据处理的难度，也增大了数据的处理和解译的难度。众多在维数低的图像中能够得到良好分类效果的现有分类方法，在高维数据分类中结果并不能满足实际的需求。传统的分类方法通常只利用数据的单一特性，或简单的把两个单一的数据拼加在一起，忽略了大量的隐含信息，这就阻碍了高光谱影像在地物分类等领域的应用。因此，如何从高维数据发掘有用、更有价值的隐含特征，并能够为后续分类器对地物的分类提供，是高光谱遥感发展中亟待解决的问题。

在目前的遥感分类应用中，用得较多的的是传统的模式识别分类方法，诸如最小距离法、平行六面体法、最大似然法、等混合距离法、循环集群法等监督非监督分类法，其分类结果由于遥感影像本身的空间分辨率以及“同物异谱”、“异物同谱”现象的存在，而往往出现较多的错分、漏分情况，导致分类、精度不高。随着遥感应用技术的飞速发展，利用神经网络进行遥感影像分类、利用分维向量改进神经网络在遥感模式识别中的分类精度问题、大量适用于遥感影像分类的决策树结构，尤其是近年来针对高光谱影像的广泛应用，各种新理论新方法的相继涌现，对传统计算机分类方法提出了新的要求。

3高光谱影像的分类方法

3.1分类方法介绍

近年来科学技术的迅猛发展，高光谱成像光谱仪捕获数据的方式日渐更新，因此分析和处理高光谱遥感图像的方法也随之改变。高光谱影像分类是遥感工作中重要一个方面，许多种类的数据分析和处理方法不断的被提出和应用。主要分为两种分类方法：一种是基于地物光谱特征，另一种是基于数据统计特性。

基于地表物体波谱特征的分类方法是通过对比待分类波谱曲线与标准曲线的差异来实现物种的区分，光谱曲线是地物的光学物理特性直接表示，同时利用不同的光谱匹配方法来判别不同的物体类别。这种方法具有两种特点，分别是既可以使用全部波普特征的波普曲线，也可以使用感兴趣区的光谱特征进行匹配和分析，从而达到分类目的。基于统计特性的分类可以分成监督分类和非监督分类，这二类方法主要的区别在于待分辨地物是否需要已有类别的样本。已知训练样本在非监督分类中不是必须的，即不需要知道各种物体的统计特性，便可以实现预处理后的数据分析和分类。非监督分类的优点在于其能够快速完成处理任务，在监督分类时可以参考无监督分类的输出，为后者做铺垫。K均值聚类的主要原理是最小化为准则，是一种的动态聚类算法，算法通过计算每个训练样本所对应的聚类中心的隶属度，判定全部像元该划分的类別，是非监督分类中较为典型的方法。

监督分类时需要真实地物类别的训练样本，首先利用适当数目的真实地物类别的样本让分类系统对特征进行学习，经过训练的分类系统记录了不同的地物光谱特征信息，按照不一样的分类算法对数据就行分类处理。随着时间的推移，涌现出了许多种算法，例如人工神经网络、最大似然分类、K近邻法、决策树、SVM等。由于分类方法或训练样本数目的制约，在具体的分类应用中如何提高分类器在高光谱影像上的应用性能具有很大的挑战性。

3.2高光谱图像的分类流程

（1）高光谱图像预处理对原始的高光谱图像数据进行基本的图像预处理，如几何畸变校正、大气辐射校正、波段选择以及消除噪声等。

（2）依据影像数据特性以及分类目的定义感兴趣并标记地物类别和训练样本，选取合适的波段组合成彩色图像，整体分析产生详细的地物类别，然后从获取的训练样本数据集中提取出要需要分类的地物目标类型，分别找出分类类型对应的特征量。

（3）特征提取：特征提取的作用是使同一类别样本的呈密集性分布，同时在特

征空间中分隔不同类别的地物样本，关键是从初始数据中选取出最能代表其特点的光谱。

（4）特征选择：特征选取的要求是在不干扰初始数据有利用价值信息的前提下，选取一定数目有用特征，同时舍弃剩余特征，具体过程就是依据原始波段图像的测量值，按照分类需要经过特定变换，找出最能够代表地物类别特征的变量。

（5）像元分类选取适当的判别准则和分类模型，确定待定分类区域的样本并划分其类别归属，即对像元进行类别判别。主要分为监督分类和无监督分类两种，这其中受到使用不同方法的影响，取得的效果会存在一定的差异。

（6）分类和精度分析：分类后地物分类结果已经确定，然后把分类后的样本转换为二维图像，与选取的已知训练样本或已知的真实地物标记比较，其次评价分类的精度和效果。

3.3高光谱图像分类结果的评价方法

分类结束时，可以获得高光谱影像每个像元的所属类别的二维图像。地物参考图是人工对地面真实类别进行标记后得到的，在对高光谱遥感图像进行分类后，需要根据地物参考图对分类结果进行评价。通常的结果评价典型的方法包括混淆矩阵、总体分类精度和Kappa 系数三种。在完成高光谱遥感图像分类后，把输出的分类结果图像与其对应的地面的真实地物标记进行比较，则混淆矩阵可通过图像中全部分辨率的像元对比计算得到。

总体精度（OA）是指影像中被划分为该属类别的像素点的数目在图像全部像素中占有的比例，总体精度可由混淆矩阵计算得到，平均分类精度（AA）表示的是每个种类地物像元分类精度的平均值，利用每个类别分类精度数值相加的和除以地物类别的个数，Kappa系数是一致性检验的一种指标。在图像的分类应用领域上，它表示了被分类数据和标准的地物图像之间的符合度，当kappa系数的值超过0.75时表明符合度好，而当数值低于0.4时则分类结果和参考图像间的符合度不是很好。总之，kappa系数概括分析了矩阵当中的每个类型因素，能较全面的表示出图像的精度评价，Kappa系数的数值越高，则分类的效果越好和精度越高。

4结束语

随着遥感技术的不断发展，遥感图像的分辨率有了很大提高，但图像分类技术还跟不上遥感技术自身的发展。尽管有不少人从不同角度出发提出了很多分类方法，但是还没有哪一种是普适高效的。因此，高光谱遥感图像分类技术及图像处理技术还有待于进一步发展，便于达到工作量小、精确度高、准确性好、易于实现的目的。

参考文献：

[1]张兵.高光谱图像处理与信息提取前沿[J].遥感学报.2016，20（5）.1062-1090.BC58F9C0-981F-480B-87F7-938808EB9D8D