高光谱图像有哪些类型？高光谱图像的分类方法

分析和研究高光谱图像可以更好得知道物质的性质和构成，在整个高光谱研究中占有重要地位。那么，高光谱图像有哪些类型？本文根据已有研究资料，简单总结了高光谱图像的分类方法。

高光谱图像特征和表达方式

高光谱图像数据将地物光谱信息和图像信息融为一体，其数据具有两类表述空间：几何空间和光谱特征空间(张兵和高连如，2011)。

1. 几何空间

直观表达每个像元在图像中的空间位置以及它与周边像元之间的相互关系，为高光谱图像处理与分析提供空间信息。

2. 光谱特征空间

高光谱图像中的每个像元对应着多个成像波段的反射值，近似连续的光谱曲线表达为一个高维向量，向量在不同波段值的变化反映了其所代表的目标的辐射光谱信息，描述地物的光谱响应与波长之间的变化关系。其优势是特征维度的变化以及扩展性。对于同样的高光谱数据，能够从最大可分性的角度在更高维的特征空间中观察数据分布，或者映射到一系列低维的子空间。因此将高光谱像元向量作为高维特征空间里的数据点，根据数据的统计特性来建立分类模型。模式识别成为图像分类的理论基础，基于该方法的分类成为应用最广泛分类方式。光谱特征空间的弱点是无法表达像元间的几何位置关系。

从高光谱图像分类框架(图可以看出，其核心问题的解决方案在于两方面：一是特征挖掘，特征是高光谱图像分类的重要依据，通过变换和提取得到不同地物类别具有最大差异性的特征，能够极大提高感兴趣类别的可分性程度；二是分类器设计，利用适合的分类器有利于发现复杂数据的内涵，如非线性特征等，从而提高高光谱图像分类的精度。

高光谱图像分类体系及方法

高光谱图像分类方法按照分类器设计不同可划分为监督法、非监督法、半监督法、混合法、集成法和多级法六大类(Chutia等，2015)。本文根据参与分类过程的特征类型及其描述不同，将高光谱图像分类算法划分为基于光谱特征分类、整合空间与光谱特征分类以及多特征融合分类。

1.基于光谱特征分类。

光谱特征是高光谱图像中区分地物的决定性特征，基于光谱特征分类囊括了高光谱图像分类的大部分方法。它主要包括3个方面：

①谱曲线分析

即利用地物物理光学性质来进行地物识别，如光谱夹角填图(童庆禧 等，1997)等。

②谱特征空间分类

主要分为统计模型分类方法与非参数分类方法。基于统计模型的最大似然分类是传统遥感图像分类中应用最为广泛的分类方法(Richards和Jia，2006)，最小距离、马氏距离分类器均为最大似然法特定约束条件下的变形。非参数分类算法一般不需要正态分布的条件假设。主要包括了决策树(Goel等，2003)、神经网络(Ratle等，2010)、混合像元分类(Lu和Weng，2007)以及基于核方法的分类，如支持向量机(Melgani和Bruzzone，2004；Du等，2012)和子空间支持向量机(Gao等，2015a)等。此外，针对小样本问题提出的半监督分类(Dópido等，2012)、主动学习(Di和Crawford，2012；Crawford等，2013)方法可利用有限的已知训练样本挖掘大量的未标记像元样本。

目前，基于稀疏表达的高光谱图像分类越来越受到关注，它针对高光谱数据的冗余性，将高维信息表达为稀疏字典与其系数的线性组合，采用稀疏表达对高光谱图像进行处理，能够简化分类模型中参数估计的病态问题(Wright等，2009，2010)，随后将稀疏理论与多元逻辑回归(Qian等，2013)、条件随机场模型(Zhong和Wang，2008，2011)、神经网络(Yang等，2014)等方法结合获得优化的分类方法。研究表明，非参数分类器在复杂区域分布中能够比传统分类器提供更好的分类结果(Paola和Schowengerdt，1995；Foody，2002)。

③其他高级分类器

多以模式识别及智能化、仿生学等为基础引入图像分类。如基于人工免疫网络的地物分类(Zhong和Zhang，2012)，群智能算法(Sun等，2015a)以及深度学习(Deng和Yu，2014)等。

 2. 整合空间—光谱特征的图像分类

①整合空间相关性与光谱特征分类

图像相邻像元间总存在着相互联系，称为空间相关性。主要由于遥感器在对地面上一个像元大小的地物成像过程中，同时吸收了周围地物反射的一部分能量。这种分类可以分为光谱—空间特征同步处理和后处理两种策略(Fauvel等，2013；杜培军 等，2016)。同步处理可以将空间特征与光谱特征提取并融合后合并为高维向量进行归一化处理，直接输入基于分类器得到结果。也可以利用支持向量机将两种特征变换到不同的核空间中，通过多核复合进行分类(Camps-Valls等，2006；Li等，2013a)。后处理可以理解为在光谱分类处理基础上再利用图像的空间特性对光谱处理结果进行重排列和重定义。如在预处理及分类后处理中利用空间相关性，采用滤波器对原始图像或分类结果进行平滑滤波(Townsend，1986)；概率标记松弛法分类利用逻辑一致对同质性区域进行建模(Richards和Jia，2006)。基于随机场模型分类方法包括马尔可夫随机场(Markov Random Field，MRF)及具有马尔可夫特性的模型(Jia和Richards，2008；Li等，2011b)，如条件随机场、马尔可夫链、隐马尔可夫随机场等(Mercier等，2003；Bali和Mohammad-Djafari，2008；Zhong和Wang，2011)。

整合空间相关性优点在于：通过像元间的相关特性降低光谱分类中由于同类地物光谱异质性造成的分类结果不确定性，减少分类中的噪声影响，使结果更有利于判读分析。随机场模型是模式识别和机器学习中重要的预测模型之一，具有稳健描述像元间的空间相关性的能力，成为结合空间相关性特征进行高光谱图像分类研究的重点。马尔可夫随机场模型框架为

gk(xm)=am(k)+βbm(k)

式中，am(k)和bm(k)分别表示图像任一像元m属于类别k的光谱相似性测度和空间相似性测度，gk(xm)则表示综合考虑光谱和空间的相似性结果。传统马尔可夫随机场光谱测度采用最大似然估计，难以适应高光谱图像的小样本问题。针对该问题，Zhang等人(2011b)进行了持续研究，将支持向量机与马尔可夫随机场模型进行整合，同时考虑了空间和光谱特征在分类中贡献的差异性，利用自适应权重指数平衡两者间关系，在提高分类精度的同时避免了类边界的“过分类”现象(Over-correction)，从而在高光谱图像上保留了类边缘和局部细小结构信息；将子空间向量机与马尔可夫随机场模型整合进行高光谱图像分类也可以得到较好的分类效果(Yu等，2016)。在非监督分类中，采用自适应邻域约束对k-均值算法进行改进，可以优化聚类中不同类别的质心(Zhang等，2013b)；Sun等人(2015b)将智能化算法与马尔可夫随机场模型相结合，得到聚类结果较传统方法更加准确且噪声较少。

②面向对象的图像分类

面向对象的图像分类OBIC(Object-Based Image Classification)将分类的最基本单位从像元转换到图像对象，也称为图斑对象。图斑对象定义为具有空间相关性的像元聚合成形状与光谱性质同质性的区域。

基于同质地物的提取与分类ECHO(Extraction and Classification of Homogeneous Objects，)(Kettig和Landgrebe，1976)首先将多光谱图像上具有相似性光谱特征的像元划分为同质区域，然后再利用最大似然分类器对这些区域进行分类。图像分割是面向对象分类的核心内容，利用区域增长(Gonzalez和Woods，2002)、分层聚类(Tarabalka等，2009)及分水岭分割(Tarabalka等，2010)进行高光谱图像分割都取得了较好的效果。由于复杂地物在不同空间分辨率下描述不同，面向对象的方法面临尺度参数的影响，欠分割(under-segmentation)会造成目标对象的混合分布，从而造成对象特征提取产生较大误差，极大影响分类精度(Liu和Xia，2010)。超像元是一种尺度介于像元与对象之间的图像过分割(over-segmentation)结果，面对分类中的尺度难题，采用超像元代替图斑对象作为分类的基本单位是解决的途径之一(Li等，2013b)。Zhang等人(2015b)利用基于超像元的图模型进行图像制图，该方法使分类结果对噪声和尺度不具敏感性。Gao等人(2014b)将像元和超像元特征进行融合提高了分类器的判别能力。基于超像元的稀疏模型被用于描述图像局部的空间相关性，在分类中取得较好的效果(Fang等，2015；Li等，2015b)。

③整合纹理特征与光谱特征分类

纹理是物体表面的属性所造成，它可以通过纹理基元(texton)空间组织或布局来描述(Karu和Jain，1996)。对于给定的像元，如果能够准确提取它所属的结构纹理特征，对于判断光谱差异性很小而表面结构不同的地物来说，具有较显著的区分效果。基于纹理的分类方法众多，这些方法可归为4类：结构分析法、统计分析法、模型化方法及信号处理方法(Tucer和Jain，1993)。统计分析法和信号处理法在纹理分析中担任较重要的角色，如利用灰度共生矩阵进行纹理提取(Clausi，2002)，Li等人(2013a)采用改进的灰度共生矩阵进行高光谱图像聚类，Shen和Jia(2011)使用Gabor滤波器的纹理分割并分类，构建数学形态学剖面及扩展特征辅助光谱信息进行分类(Plaza等，2004a；Benediktsson等，2005；Soille，2009；Falco等，2015)，赵银娣等人(2006)利用基于高斯马尔可夫随机场模型的纹理特征提取方法对高分辨率图像进行分类，基于Daubechies和Haar小波基优化的小波分解算法也被应用在高光谱图像纹理分析中(Du等，2010)。 

3. 多特征融合分类

多特征融合将纹理、空间相关性、光谱特征以及其它特征融合用于高光谱图像分类。Chen等人(2011)用多种方法提取获得纹理特征，利用顺序前进法进行融合，再与光谱信息融合进行分类；赵银娣等人(2006)将纹理特征、光谱特征及像元形状特征融合对遥感图像进行分类，取得了较好的效果。多种特征可以来源于高光谱数据本身，也可以来源于多源遥感数据，多遥感器数据融合高光谱图像分类研究已经引起关注，如Zhang等人(2006)将GIS数据与高光谱图像结合，通过3层递进判别模式，在解决地物混杂图斑自动确认问题基础上，实现了高精度的高光谱图像分类，Ni等(2014)利用边缘约束的马尔可夫随机场模型将LiDAR数据与高光谱数据进行融合分类，不仅比直接融合结果精度有了较大提升，且城市地物的细节信息也被充分保留。