高光譜圖像分類

黃何 康鎮(zhèn)

摘 要 近些年來，高光譜遙感技術迅速發(fā)展，同時也應用在了非常多的領域中。而高光譜圖像分類是其一個重要的方向。但是高光譜圖像成像機理復雜、波段繁多、數(shù)據(jù)量大等特點也向我們傳統(tǒng)的圖像分類方法提出了挑戰(zhàn)。文章綜合介紹分析了幾種監(jiān)督分類方法和非監(jiān)督分類方法。監(jiān)督分類方法主要介紹了平行多面體分類方法、最大似然分類方法、人工神經元分類方法；非監(jiān)督分類方法主要介紹了K-means分類方法、ISDATA分類方法、譜聚類分類方法。同時還綜述了支持向量機分類方法、最小二乘支持向量機分類方法、決策樹分類方法等新型分類方法。

關鍵詞 監(jiān)督分類；非監(jiān)督分類；最大似然分類；ISODATA分類；支持向量機分類

中圖分類號 G2 文獻標識碼 A 文章編號 1674-6708（2019）226-0105-04

高光譜遙感技術起源于20世紀80年代初，它是在多光譜遙感技術的基礎上發(fā)展起來的。經過數(shù)十年的發(fā)展，現(xiàn)在的高光譜遙感技術已經達到了一定的水平，在很多領域也得到了應用。比如它在農業(yè)中的應用，其主要表現(xiàn)在快速、精準地獲取各種環(huán)境信息，以及農作物生長情況。在大氣與環(huán)境應用上，在太陽光譜中，大氣中的分子，如氧氣、臭氧、二氧化碳、水蒸氣等成分的反應十分強烈。而因為大氣成份生變而引起的光譜差異通過傳統(tǒng)寬波遙感方法難以準確識別，而這種差異可通過窄波段的高光譜識別出來[ 1 ]。

在城市環(huán)境與下墊面與環(huán)境特征的研究和應用，因為人們生活中的各種活動，使得城市環(huán)境與下墊面更為復雜。而高光譜遙感技術的進步，能讓人們依據(jù)光譜特征，更深入地去研究城市地物，而各種高光譜遙感器的出現(xiàn)，使得對城市的光譜的研究更加系統(tǒng)而全面，也為城市環(huán)境遙感分析及制圖打下了基礎。

在地質礦物勘探中的應用，區(qū)域地質制圖和礦物勘查是高光譜技術主要的應用領域之一，也使得高光譜遙感技術的作用得到了有效的發(fā)揮，由于高光譜遙感比起寬波段遙感有諸多不同之處，因此在電磁譜上，每種巖石和礦物所顯示出診斷性光譜特征各不相同，根據(jù)這一原理能清楚地識別出其中的礦物元素[ 2 ]。

1 高光譜圖像分類方法

高光譜圖像分類的主要作用機理是，按照待測地物的空間幾何與光譜信息，來劃分圖像中的每個像素，劃作不同的類別。高光譜圖像可采用監(jiān)督和非監(jiān)督兩種分類方法。其中的區(qū)別在于：非監(jiān)督分類用于對分類區(qū)知之甚少的情況下，在統(tǒng)計和分類時，完全依據(jù)的是照像元的光譜特性。非監(jiān)督分類運算將原始圖像的全部波段運用到其中，分類結果與各類像元數(shù)有著相類似的比例。因為無需人工干預，非監(jiān)督分類可采用高度自動化來完成。非監(jiān)督分類具體步驟如下：初始化各個分類、判斷專題、分類合并、確定色彩、分類處理、定義色彩、轉換柵格矢量、統(tǒng)計分析。監(jiān)督分類更依賴于用戶的控制，適用于對研究區(qū)域了解較透徹的情況下。在這種分類過程中，先選一些能夠識別的，或者借助其它信息正確判斷出類型的像元，來構建模板，再通過這一模塊，使計算機系統(tǒng)對于具有相同特性的像元進行識別。評價分類結果后，對模板進多次優(yōu)化，從而使它更為準確，并以此為基礎做最后的分類。監(jiān)督分類步驟如下：訓練樣本并構建模塊、評價模塊、確定出初步分類圖、檢驗所得到的分類結果、二次處理、進行分類特征的計算、轉換柵格矢量[3]。接下來介紹一些典型的監(jiān)督分類方法和非監(jiān)督方法。

1.1 監(jiān)督分類方法

1.1.1 平行多面體分類方法

平行多面體分類方法，是種圖像分類方法，指在多維特征空間中，每類形成一個平行多面體，待分個體進入其中便被歸屬，否則就拒絕的。分類時若使用這種方法，就要進行數(shù)據(jù)的訓練和學習，從而得出基本的統(tǒng)計量信息[ 4 ]。假如，類別和波段數(shù)量分別為m和n個；Sij、Sij、Mij分別代表標準差、像元X在j波段的像元值和i類第j波段的均值。

某一類別i（i=1，2，…，m），當像元X滿足：

（T為人為規(guī)定的閾值，T越大，一個類的范圍越大）

1.1.2 最大似然分類

最大似然分類又叫作貝葉斯分類，該分類是一種新的圖像分類方法，依據(jù)的是貝葉斯準則理論。是指在判定兩類和多類時，以最大似然貝葉斯判決準則法作為判斷標準，依據(jù)統(tǒng)計方法，進行非線性判別函數(shù)集的編寫，假定每個分類都存在正太的分布函數(shù)，對訓練區(qū)進行正確的選擇，對每個待分類區(qū)進行計算，求得相應的歸屬概率，再進行分類[ 5 ]。這種方法的優(yōu)勢是方便快捷，比較簡單；以貝葉斯原理為基礎，再與其它先驗知識結合分類，使得密度分布函數(shù)可以非常有效的解釋分類結果。在波段較少的多波段數(shù)據(jù)中，這種方法可完美使用。同時，這個方法的分類時間隨波段信息的增長成二次方增長；對訓練樣本要求高，訓練的樣本必須超過波段數(shù)。

1.1.3 人工神經元網絡分類

人工神經網絡（Artificial Neutral Networks，ANN）是模仿人的腦部思維和神經網絡構建而成的，自適應性比較強，容錯性也很高。在當前，人工神經網絡在大量應用于各行各業(yè)，功能較強大，可完成控制智能化、信息的高效處理、組合優(yōu)化等。神經網絡發(fā)展至今，已分為多個種類，包括BP、RBF、自組織競爭、概率神經以及對象傳播等神經網絡。

1）BP神經網絡：這種屬于多層神經網絡，達到三層以上，各層神經元間沒有緊密的聯(lián)系，泛化性能較優(yōu)，在數(shù)據(jù)壓縮、模式識別、函數(shù)逼近中大量使用。

2）RBF神經網絡：RBF神經網絡是種性能極佳的前向網絡，它的優(yōu)越表現(xiàn)在可實現(xiàn)最佳逼近，并可以克服局部最小化。RBF神經網絡在函數(shù)的傳遞上，也有多種方法，常見的為以下3種：

（1）Gaussian函數(shù)：

（2）Reflected sigmoidal函數(shù)：

（3）逆Multiquadric函數(shù)：

3）自組織競爭神經網絡：這種神經網絡有著較好的自適應學習能力，可適用于模式分類和識別。

4）概率神經網絡：這種神經網絡能夠解決分類問題，在網絡結構的設計上，引用了貝葉斯判別函數(shù)，大大減少了錯誤。

5）對象傳播神經網絡：具備雙向記憶功能是這種神經網絡的主要優(yōu)點，通過引入競爭層，使得輸入、輸出模式實現(xiàn)了相互映射。在模式分類、統(tǒng)計分析、數(shù)據(jù)壓縮、函數(shù)近似等領域應用較廣[6]。

1.2 非監(jiān)督分類方法

1.2.1 K-means分類

K-means分類方法是最典型的目標函數(shù)聚類方法，以原型為依據(jù)。包含了以下流程：

1）從n個數(shù)據(jù)對象任意選擇k個對象作為初始聚類中心（m1，m2，m3，…，mk）；

2）依據(jù)各個聚類中心對象，即對象的均值來計算出與它距離最近的聚類中心，并將對象向聚類中心做以分配。

3）對各個聚類的均值做二次計算：

K-means方法是比較快捷和簡單的，不過初始聚類中心和最佳聚類數(shù)也會影響到聚類結果。

1.2.2 ISODATA方法

ISODATA（Iterative Selforganizing Data Analysis），又叫作迭代自組織數(shù)據(jù)分析。它是在先驗不足的情況下，通過給出一個初始聚類，然后再判斷其是否達標，再利用迭代法反復調整，最后得出一個準確的聚類。其采用以下步驟：

1）選擇初始值，設置聚類分析控制參數(shù)?？梢赃\用各種參數(shù)指標，按照指標，將所有模式標本向各個聚類中心進行分配。

2）對各類中全部的樣本的距離指標函數(shù)進行計算。

3）依據(jù)要求，對前一次所得到的聚類集進行分裂，并做并合處理，從而計算出新的聚類中心和分類集。

4）再次做迭代運算，對各項指標進行計算，以判斷結果是否達標，直至求出最理想的聚類結果。

IOSDATA算法規(guī)則十分明確，便于計算機實現(xiàn)，但是要把握好迭代的次數(shù)，防止出現(xiàn)分類不到位的現(xiàn)象。

1.2.3 譜聚類方法

譜聚類算法是依據(jù)譜圖理論所設計的高性能聚類方法。它是基于以下原理：假設{x1，x2，…，xn}代表n個聚類樣本，圖G=（V，E）可用于表示數(shù)據(jù)之間的關系，其中V代表頂點集。E代表連接任何兩點邊的集合。在圖中，每個樣本xi都可作為頂點，兩頂點間的關聯(lián)性Wij可通過xi與xj相連邊的權值來表示。權值矩陣度量圖G中，每個頂點間的相似性共同構成相似矩陣，記作W。為了實現(xiàn)圖的劃分，需要在空中優(yōu)化某一準則，使同一類的點差別較小，不同類的點差別較大。通常準則函數(shù)的優(yōu)化問題可以通過求解相似矩陣的特征值和特征向量來解決，通過分解相似矩陣的特征值，得到原有的數(shù)據(jù)集的譜映射，再利用聚類劃分算法去計算映射得到的新樣本空間，最終得到分類結果。該聚類算法僅與樣本點的個數(shù)有關，而數(shù)據(jù)的維數(shù)對其沒有影響。并且，其對聚類數(shù)據(jù)樣本空間的形狀沒有特殊要求，容易得到最優(yōu)解。

1.3 新型的分類方法

1.3.1 支持向量機分類法

支持向量機（Support Vector Machine，SVM）是新的分類方法，由Vapnic等人所設計，以統(tǒng)計學理論為基礎。近年來，在圖像識別中，支持向量機已得到應用，這和中方法的工作機理是，先設計出最佳的線性超平面，最大化它的正與反例間的隔離邊緣，從而實現(xiàn)超平面的尋找算法的最優(yōu)解。SVM作為一種高維的監(jiān)督分類方法，它是有著不受休斯效應影響的優(yōu)勢，有著不錯的效果。但同時，這種方法也有一定缺陷。首先，最大的問題是核函數(shù)的選擇缺乏指導性，當針對具體的函數(shù)時，選擇最佳的核函數(shù)是一個比較難的問題，還有就是這個方法的計算量較大。

1.3.2 最小二乘支持向量機分類法

近些年發(fā)展了許多SVM的變形，其中最小二乘SVM將優(yōu)化問題的約束條件變?yōu)榈仁郊s束，從而不用花費大量的時間解決二次規(guī)劃問題，使得分類效率大大提高。其算法表達式為：

解b，α即可。

最小二乘法SVM在運算的速度上有很大的優(yōu)勢，但其也是有其的缺點。首先來說，最小二乘法會影響到數(shù)據(jù)的稀疏性，每個數(shù)據(jù)點都會影響分類模型的構建。然后其估計值的穩(wěn)定性是低于標準的SVM。同時，在傳統(tǒng)SVM基礎上，還設計出了拉普拉斯支持向量機（Laplacian Support Vector Machine， LapSVM），它是通過對流形正則化項的添加，無標簽和有標簽樣本的幾何信息來構造分類器。LapSVM具備能預測未來測試樣本的標簽、全局優(yōu)化、適應性強的特點，更深入的方面就不再贅述。

1.3.3 決策樹分類法

決策樹分類法是一種很典型的分類方法，這種分類方法對數(shù)據(jù)的準備沒有太多太高的要求，只是有時需要做比較多的預處理，分類的速度很快。其分類過程分為兩步：

1）構建決策樹模型。分兩步進行，一是建樹；二是剪枝。建樹是利用遞歸過程來完成的，最后要形成一棵樹；剪枝的目的在于降低訓練集雜聲造成影響。

2）使用已生成的決策樹來對輸入的數(shù)據(jù)進行分類。對待測樣本的屬性值從根節(jié)點依次測試和記錄，直到某個節(jié)點，從而找到待測樣本的屬性值。

2 高光譜圖像分類的挑戰(zhàn)

盡管高光譜圖像分類經過多年的發(fā)展，已經取得不小成就，但還是有其問題所在。首先還不易去識別高光譜：數(shù)據(jù)擁有較大的信息量，圖像擁有成十上百個波段，信息量比起單波段遙感圖像，多出了幾百倍，數(shù)據(jù)冗余現(xiàn)象嚴重，不能科學地處理，就會影響到分類精度。

另外，因為成像原理復雜，數(shù)據(jù)量較大，使得很難對圖像進行預處理，包括反射率的轉換、幾何校正、大氣矯正、光譜定標等；當波段比較多時、每個波段間相似性都頗高，所以分類對于訓練樣本的需求量也更大，一般會由于訓練樣本較少使得無法得到可靠的訓練參數(shù)；參數(shù)估計是影響統(tǒng)計學分類模型的主要因素，使得光譜特征的選擇標準較高。從而使得常規(guī)遙感的處理和方法不適應高光譜圖像分類的需要。

同時，在目前所有的分類過程中，多數(shù)采用傳統(tǒng)的識別分類方法，如上文所介紹的幾種方法。不過，因為遙感圖像本身空間的分辨率不足，并存在異物同譜、同物異譜現(xiàn)象，會出現(xiàn)錯分、漏分的現(xiàn)象，從而導致其結果的分類精度不高[7]。

由于遙感數(shù)據(jù)本身的復雜性，雖然現(xiàn)在有著許許多多的分類方法，但是還沒有哪一種算法是最佳的。在SVM方法中，沒有準確的核函數(shù)選取方法，當針對具體的問題時，很難選擇最佳的核函數(shù)；當前在稀疏表示法中，也有很多研究涉及到了信號的恢復與重建，不過因為稀疏逆問題，造成了超分辨率重建單幅影像，融合空譜數(shù)據(jù)時較為困難。能夠運用到的經驗也比較少，使研究更加困難。怎樣構建出準確的過完備字典，使稀疏重建精度更高，信號可以跨空/譜分辨率，有效傳遞，也是當前的研究重點[3]。目前遇到的主要難點就是研究新型的分類器和泛化能力強的算法；尋求多特征綜合、多數(shù)據(jù)融合、多尺度復合。

3 結論

本文針對高光譜圖像分類，介紹了幾種監(jiān)督分類、非監(jiān)督分類以及兩種新型的分類方法。并且簡單分析了這幾種算法各自的優(yōu)缺點。我們可以了解到，目前我們所使用的算法中，還沒有哪一種算法是十全十美的，現(xiàn)有的理論以及方法對于高光譜圖像分類仍存在一定的局限性，這在今后將會是一個重要的研究方向。

參考文獻

[1]楊哲海，韓建峰，宮大鵬，等.高光譜遙感技術的發(fā)展與應用[J].海洋測繪，2003（6）：55-58.

[2]束炯，王強，孫娟.高光譜遙感的應用研究[J].華東師范大學學報（自然科學版），2006（4）：1-10.

[3]王凱，趙懂.多源遙感技術在土地利用的應用綜述[J].電腦知識與技術，2014（34）：8328-8329.

[4]呂峰.利用航空影像和LiDAR點云進行建筑物重建的方法研究[D].成都：西南交通大學，2013.

[5]楊仁欣，楊燕，原晶晶.基于高光譜圖像的分類方法研究[J].廣西師范學院學報（自然科學版），2015（3）：38-44.

[6]朱志球.基于數(shù)據(jù)融合的高光譜遙感圖像分類研究[D].哈爾濱：哈爾濱工程大學，2008.

[7]張良培，李家藝.高光譜圖像稀疏信息處理綜述與展望[J].遙感學報，2016（5）：1091-1101.