分析和研究高光譜圖像可以更好得知道物質的性質和構成，在整個高光譜研究中占有重要地位。那么，高光譜圖像有哪些類型？本文根據已有研究資料，簡單總結了高光譜圖像的分類方法。

?

高光譜圖像特征和表達方式

高光譜圖像數據將地物光譜信息和圖像信息融為一體，其數據具有兩類表述空間：幾何空間和光譜特征空間(張兵和高連如，2011)。

1.?幾何空間

直觀表達每個像元在圖像中的空間位置以及它與周邊像元之間的相互關系，為高光譜圖像處理與分析提供空間信息。

2.?光譜特征空間

高光譜圖像中的每個像元對應著多個成像波段的反射值，近似連續的光譜曲線表達為一個高維向量，向量在不同波段值的變化反映了其所代表的目標的輻射光譜信息，描述地物的光譜響應與波長之間的變化關系。其優勢是特征維度的變化以及擴展性。對于同樣的高光譜數據，能夠從最大可分性的角度在更高維的特征空間中觀察數據分布，或者映射到一系列低維的子空間。因此將高光譜像元向量作為高維特征空間里的數據點，根據數據的統計特性來建立分類模型。模式識別成為圖像分類的理論基礎，基于該方法的分類成為應用最廣泛分類方式。光譜特征空間的弱點是無法表達像元間的幾何位置關系。

?

從高光譜圖像分類框架(圖可以看出，其核心問題的解決方案在于兩方面：一是特征挖掘，特征是高光譜圖像分類的重要依據，通過變換和提取得到不同地物類別具有最大差異性的特征，能夠極大提高感興趣類別的可分性程度；二是分類器設計，利用適合的分類器有利于發現復雜數據的內涵，如非線性特征等，從而提高高光譜圖像分類的精度。

?

高光譜圖像分類體系及方法

高光譜圖像分類方法按照分類器設計不同可劃分為監督法、非監督法、半監督法、混合法、集成法和多級法六大類(Chutia等，2015)。本文根據參與分類過程的特征類型及其描述不同，將高光譜圖像分類算法劃分為基于光譜特征分類、整合空間與光譜特征分類以及多特征融合分類。

1.基于光譜特征分類。

光譜特征是高光譜圖像中區分地物的決定性特征，基于光譜特征分類囊括了高光譜圖像分類的大部分方法。它主要包括3個方面：

①譜曲線分析

即利用地物物理光學性質來進行地物識別，如光譜夾角填圖(童慶禧 等，1997)等。

②譜特征空間分類

主要分為統計模型分類方法與非參數分類方法。基于統計模型的最大似然分類是傳統遙感圖像分類中應用最為廣泛的分類方法(Richards和Jia，2006)，最小距離、馬氏距離分類器均為最大似然法特定約束條件下的變形。非參數分類算法一般不需要正態分布的條件假設。主要包括了決策樹(Goel等，2003)、神經網絡(Ratle等，2010)、混合像元分類(Lu和Weng，2007)以及基于核方法的分類，如支持向量機(Melgani和Bruzzone，2004；Du等，2012)和子空間支持向量機(Gao等，2015a)等。此外，針對小樣本問題提出的半監督分類(Dópido等，2012)、主動學習(Di和Crawford，2012；Crawford等，2013)方法可利用有限的已知訓練樣本挖掘大量的未標記像元樣本。

目前，基于稀疏表達的高光譜圖像分類越來越受到關注，它針對高光譜數據的冗余性，將高維信息表達為稀疏字典與其系數的線性組合，采用稀疏表達對高光譜圖像進行處理，能夠簡化分類模型中參數估計的病態問題(Wright等，2009，2010)，隨后將稀疏理論與多元邏輯回歸(Qian等，2013)、條件隨機場模型(Zhong和Wang，2008，2011)、神經網絡(Yang等，2014)等方法結合獲得優化的分類方法。研究表明，非參數分類器在復雜區域分布中能夠比傳統分類器提供更好的分類結果(Paola和Schowengerdt，1995；Foody，2002)。

③其他高級分類器

多以模式識別及智能化、仿生學等為基礎引入圖像分類。如基于人工免疫網絡的地物分類(Zhong和Zhang，2012)，群智能算法(Sun等，2015a)以及深度學習(Deng和Yu，2014)等。

?2.?整合空間—光譜特征的圖像分類

①整合空間相關性與光譜特征分類

圖像相鄰像元間總存在著相互聯系，稱為空間相關性。主要由于遙感器在對地面上一個像元大小的地物成像過程中，同時吸收了周圍地物反射的一部分能量。這種分類可以分為光譜—空間特征同步處理和后處理兩種策略(Fauvel等，2013；杜培軍 等，2016)。同步處理可以將空間特征與光譜特征提取并融合后合并為高維向量進行歸一化處理，直接輸入基于分類器得到結果。也可以利用支持向量機將兩種特征變換到不同的核空間中，通過多核復合進行分類(Camps-Valls等，2006；Li等，2013a)。后處理可以理解為在光譜分類處理基礎上再利用圖像的空間特性對光譜處理結果進行重排列和重定義。如在預處理及分類后處理中利用空間相關性，采用濾波器對原始圖像或分類結果進行平滑濾波(Townsend，1986)；概率標記松弛法分類利用邏輯一致對同質性區域進行建模(Richards和Jia，2006)。基于隨機場模型分類方法包括馬爾可夫隨機場(Markov Random Field，MRF)及具有馬爾可夫特性的模型(Jia和Richards，2008；Li等，2011b)，如條件隨機場、馬爾可夫鏈、隱馬爾可夫隨機場等(Mercier等，2003；Bali和Mohammad-Djafari，2008；Zhong和Wang，2011)。

整合空間相關性優點在于：通過像元間的相關特性降低光譜分類中由于同類地物光譜異質性造成的分類結果不確定性，減少分類中的噪聲影響，使結果更有利于判讀分析。隨機場模型是模式識別和機器學習中重要的預測模型之一，具有穩健描述像元間的空間相關性的能力，成為結合空間相關性特征進行高光譜圖像分類研究的重點。馬爾可夫隨機場模型框架為

gk(xm)=am(k)+βbm(k)

式中，am(k)和bm(k)分別表示圖像任一像元m屬于類別k的光譜相似性測度和空間相似性測度，gk(xm)則表示綜合考慮光譜和空間的相似性結果。傳統馬爾可夫隨機場光譜測度采用最大似然估計，難以適應高光譜圖像的小樣本問題。針對該問題，Zhang等人(2011b)進行了持續研究，將支持向量機與馬爾可夫隨機場模型進行整合，同時考慮了空間和光譜特征在分類中貢獻的差異性，利用自適應權重指數平衡兩者間關系，在提高分類精度的同時避免了類邊界的“過分類”現象(Over-correction)，從而在高光譜圖像上保留了類邊緣和局部細小結構信息；將子空間向量機與馬爾可夫隨機場模型整合進行高光譜圖像分類也可以得到較好的分類效果(Yu等，2016)。在非監督分類中，采用自適應鄰域約束對k-均值算法進行改進，可以優化聚類中不同類別的質心(Zhang等，2013b)；Sun等人(2015b)將智能化算法與馬爾可夫隨機場模型相結合，得到聚類結果較傳統方法更加準確且噪聲較少。

②面向對象的圖像分類

面向對象的圖像分類OBIC(Object-Based Image Classification)將分類的最基本單位從像元轉換到圖像對象，也稱為圖斑對象。圖斑對象定義為具有空間相關性的像元聚合成形狀與光譜性質同質性的區域。

基于同質地物的提取與分類ECHO(Extraction and Classification of Homogeneous Objects，)(Kettig和Landgrebe，1976)首先將多光譜圖像上具有相似性光譜特征的像元劃分為同質區域，然后再利用最大似然分類器對這些區域進行分類。圖像分割是面向對象分類的核心內容，利用區域增長(Gonzalez和Woods，2002)、分層聚類(Tarabalka等，2009)及分水嶺分割(Tarabalka等，2010)進行高光譜圖像分割都取得了較好的效果。由于復雜地物在不同空間分辨率下描述不同，面向對象的方法面臨尺度參數的影響，欠分割(under-segmentation)會造成目標對象的混合分布，從而造成對象特征提取產生較大誤差，極大影響分類精度(Liu和Xia，2010)。超像元是一種尺度介于像元與對象之間的圖像過分割(over-segmentation)結果，面對分類中的尺度難題，采用超像元代替圖斑對象作為分類的基本單位是解決的途徑之一(Li等，2013b)。Zhang等人(2015b)利用基于超像元的圖模型進行圖像制圖，該方法使分類結果對噪聲和尺度不具敏感性。Gao等人(2014b)將像元和超像元特征進行融合提高了分類器的判別能力。基于超像元的稀疏模型被用于描述圖像局部的空間相關性，在分類中取得較好的效果(Fang等，2015；Li等，2015b)。

③整合紋理特征與光譜特征分類

紋理是物體表面的屬性所造成，它可以通過紋理基元(texton)空間組織或布局來描述(Karu和Jain，1996)。對于給定的像元，如果能夠準確提取它所屬的結構紋理特征，對于判斷光譜差異性很小而表面結構不同的地物來說，具有較顯著的區分效果。基于紋理的分類方法眾多，這些方法可歸為4類：結構分析法、統計分析法、模型化方法及信號處理方法(Tucer和Jain，1993)。統計分析法和信號處理法在紋理分析中擔任較重要的角色，如利用灰度共生矩陣進行紋理提取(Clausi，2002)，Li等人(2013a)采用改進的灰度共生矩陣進行高光譜圖像聚類，Shen和Jia(2011)使用Gabor濾波器的紋理分割并分類，構建數學形態學剖面及擴展特征輔助光譜信息進行分類(Plaza等，2004a；Benediktsson等，2005；Soille，2009；Falco等，2015)，趙銀娣等人(2006)利用基于高斯馬爾可夫隨機場模型的紋理特征提取方法對高分辨率圖像進行分類，基于Daubechies和Haar小波基優化的小波分解算法也被應用在高光譜圖像紋理分析中(Du等，2010)。?

3.?多特征融合分類

多特征融合將紋理、空間相關性、光譜特征以及其它特征融合用于高光譜圖像分類。Chen等人(2011)用多種方法提取獲得紋理特征，利用順序前進法進行融合，再與光譜信息融合進行分類；趙銀娣等人(2006)將紋理特征、光譜特征及像元形狀特征融合對遙感圖像進行分類，取得了較好的效果。多種特征可以來源于高光譜數據本身，也可以來源于多源遙感數據，多遙感器數據融合高光譜圖像分類研究已經引起關注，如Zhang等人(2006)將GIS數據與高光譜圖像結合，通過3層遞進判別模式，在解決地物混雜圖斑自動確認問題基礎上，實現了高精度的高光譜圖像分類，Ni等(2014)利用邊緣約束的馬爾可夫隨機場模型將LiDAR數據與高光譜數據進行融合分類，不僅比直接融合結果精度有了較大提升，且城市地物的細節信息也被充分保留。