高光谱遥感影像分类方法综述

张佳　谢玉凤

摘 要：该文简述了高光谱遥感影像分类的策略，主要有监督分类与非监督分类，基于分类判据的实现策略划分，硬分类和软分类，基于像素的分类和基于对象的分类，单分类器和多分类器集成。并简单介绍了一些分类方法，包括监督分类法（最小距离分类法、最大似然分类法和平行多面体分类法）、基于光谱相似性度量的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。

关键词：高光谱；分类策略；分类方法

中图分类号 TP751 文献标识码 A 文章编号 1007-7731（2017）14-0155-02

随着遥感传感器的光谱分辨率不断提高，许多隐藏的狭窄光谱区间的地物特征逐渐被发现，精细的光谱波段分割，宽泛的光谱探测范围是高光谱遥感的重要特征。当前使用的航空航天成像光谱仪，其光谱探测能力有了很大的提高，覆盖了可见光、近红外、短波红外、中波红外和热红外的全部光谱区。高光谱遥感在国民经济、国防建设等方面发挥了重要的作用，广泛用于地表分类、目标探测、资源监测等。高光谱遥感影像分类的目的是给予每一像元唯一的类别标识。

1 高光谱遥感影像分类的主要策略

高光谱遥感影像分类的理论基础是“同谱同物”，同种地物具有相似的光谱特征及空间特征，在影像上呈现高度的相似，基于这种相似，可以实现对地区的识别。在高光谱影像分类以每个像元的光谱矢量数据为基础，一个像元可以看成是N个特征组成的N维空间中的一个点，同类地物的像元形成N维空间中的一个点群，不同地物会在N维空间中形成若干个点群，计算机分类就是根据这些点群的位置，分布规律等，确定点群的界限，从而完成分类任务。高光谱遥感分类主要策略如下：

1.1 监督分类与非监督分类 遥感影像分类最传统的两种实现策略是根据分类中是否引入了先验已知类别的训练样本，将其划分为监督分类与非监督分类，监督分类是利用已知的先验训练样本，依据判定函数或判别规则，确定未知样本的类别。非监督分类是在没有先验样本的情况下，根据样本本身的特征进行统计，直接进行类别划分的方法。

1.2 基于分类判据的实现策略划分 （1）直接利用原始高光谱数据分类，每个像元在各个波段的灰度值或反射率形成一个光谱向量，通过对光谱向量相似性的度量实现分类。（2）先对原始高光谱影像通过波段选择或者特征提取进行降维处理，然后根据一定的准则选择若干个降维后的分量，作为分类的判断标准进行分类识别。（3）从原始的高光谱数据中提取其他特征（光谱特征，纹理特征等）或引入其他数据，综合采用多维特征分类。

1.3 硬分类和软分类 硬分类是通过统计每个类别的训练样本，得到该类别基本统计量，然后将每个像素与各个类别的统计量进行比较，取相似性最高的一个类别作为所处理的像素的最终类别。软分类是针对一个像素往往是由实际地表上多个地物类别组成的情况，按照特定的分类算法计算某个单一像素与各个类别之间的关系，分类输出的是该像素属于每个类别的概率或者每一类别地物在该像素中的比例。目前最主要的软分类有两种：模糊分类和混合像元分解。

1.4 基于像素的分类和基于对象的分类 基于像素的分类是通过判断每个像素的类别来实现影像的分类。近年来，基于对象的分类是集合临近像元为对象识别感兴趣的光谱要素。

1.5 单分类器和多分类器集成 早期的遥感影像分类是利用单一的分类器进行分类。模式识别和实践都表明，没有一个模式分类器在本质上由于其他分类器，因此在实践操作中，往往需要引入多个分类器，把多个分类器的输出结果联合起来作为最终的分类结果。

2 高光谱图像分类方法

2.1 常规监督分类 监督分类是利用已知的先验训练样本，依据判定函数或判别规则，确定未知样本的類别。常规的监督分类有最小距离分类方法、最大似然分类法、平行多面体分类。（1）最小距离分类法首先由训练样本中得出每一类别的均值向量和协方差矩阵，然后以各个类别的均值向量作为该类别在多维空间中的中心位置，计算机比较各个像元到各类别中心位置的距离，到哪个类别中心位置的距离最小，该像元就属于哪个类别。最小距离分类法通常使用3种距离判别函数，分别（上接155页）是欧氏距离，马氏距离和绝对值距离。（2）最大似然分类法认为每一类的概率密度呈正态分布，由每一类的均值向量和协方差矩阵可以得到在多维空间的多维正态分布密度函数。将未知像元代入各类别的概率密度函数，计算像元属于各类别的归属概率，将未知像元归属到概率最大的类别中。（3）平行多面体分类是在多维特征空间中划分若干个互相不重叠的平行多面体（特征子空间）。

2.2 基于光谱相似性度量的分类方法 基于光谱相似性度量的分类方法是指对每一类别确定其参考光谱，然后对每一待定类别进行光谱测试，计算其与参考光谱的相似性，待定类别属相似性最高的一类。最常用的度量坐标包括光谱角、光谱信息散度、光谱互相关等。

2.3 人工神经网络分类法 人工神经网络是由大量处理单元（神经元）相互联结形成的网络结构，是模仿人的大脑进行数据接收、处理、储存和传输的一类算法。人工神经网络信息处理是由神经元之间的相互作用实现的，知识和信息的存储表现为网络结构分布式的物理联系，网络的学习和决策过程决定于各神经元连接权值的动态变化过程。它属于非线性学科，具有强抗干扰、高容错性、并行分布式处理、自组学习和分类精度高等特点[3，4]。人工神经网络由三个基本要素构成：处理单元、网络拓扑结构及训练规则。

2.4 支持向量机分类 SVM是一种新的分类方法，它是利用统计学的原理，通过泛化性理论控制超平面的间隔度量抑制过拟合，用最优化理论提供的数学技术建立一个最优超平面[5]。在遥感影像分类过程中，通过对样本的机器学习，可以建立地物类型和影像信息因子之间的支持向量机。

2.5 面向对象分类 面向对象的遥感图像分类方法在分类时不仅依靠地物的光谱特征，更多的是利用其几何信息和结构信息，图像的最小单元不是单个的像素，而是对象，后续的图像分析和处理也都是基于对象进行的。高光谱分类的基本步骤：获取先验数据与背景知识；对波段赋权重，进行多尺度分割得出不同的影像对象层，建立多边形对象；将多边形对象与先验数据综合，建立分类知识库，选择有效分类特征隶属函数进行影像分类。

2.6 非监督分类 非监督分类是没有先验样本，按照灰度值向量或者波普样式在特征空间聚集的情况下划分点群或类别，按照相似性把图像中的像素分成若干类别。监督分类的目的是使属于同一类别的像素之间的距离尽可能的小。非监督分类时不必获取影像的先验样本，仅依靠图像上不同类别地物光谱信息进行统计其特征来达到分类的目的，最后对给类别的属性进行确认。常用的非监督分类方法有：K-均值聚类法及ISODATA分类法。

3 小结

本文主要介绍了高光谱图像的分类策略及一些常用的高光谱影像分类方法。包括几种常规的监督分类法（最小距离分类法、最大似然分类法和平行多面体分类法）、基于光谱相似性度量的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。虽然以上分类法都有各自的优越性，但是在一定程度上也都有各自的局限性，因此基于不同的应用需求，结合多种数据综合考虑，选择合适的分类法或者多种分类方法相互结合，以期达到最优的分类效果。

参考文献

[1]童庆喜，张兵，郑兰芬.高光谱遥感—原理、技术与应用[M].北京：高等教育出版社，2006.

[2]杜培军，谭琨.高光谱遥感影像分类与支持向量机应用研究[M].北京：科学出版社，2012.

[3]韩力群.人工神经网络教程[M].北京：北京邮电大学出版社，2006.

[4]洛剑承，周成虎，杨艳.人工神经网络遥感影像分类模型及其与知识集成方法研究[J].遥感学报，2001，5（2）：122-129.

[5]李国正，王猛，曾华军，译.支持向量机导论[M].北京：电子工业出版社，2006.

[6]肖奥，赵文吉，胡德勇，等.利用对象和支持向量机的遥感信息提取方法探讨[J].测绘科学，2010，35（5）：154-157.

（责编：张宏民）