高光譜遙感圖像研究意義及現(xiàn)狀TOC\o"1-3"\h\u141471研究高光譜遙感圖像的意義 1286492高光譜遙感圖像分類以及其基本現(xiàn)狀 2146282.1圖像預處理 36042.2定義感興趣地物類別并標記訓練樣本 3319142.3特征提取與特征選擇 4322112.4分類判決 41研究高光譜遙感圖像的意義遙感圖像是按一定比例尺,客觀真實地記錄和反映地表物體的電磁輻射的強弱信息,是遙感探測所獲得的遙感信息資料的一種表現(xiàn)形式，因此遙感技術應用的核心問題是根據(jù)地物輻射電磁輻射強弱在遙感圖像上表現(xiàn)的特征,判讀識別地面物體的類屬及其分布特征。遙感圖像特征取決于遙感探測通道、地物光譜特征、大氣傳播特征及傳感器的響應特征等因素。只要了解這些因素對遙感圖像特征的影響，則可按圖像特征判讀地面物體的屬性及其分布范圍，實現(xiàn)遙感圖像的分類識別。高光譜遙感圖像是一種高維圖像，可反映地物的空間信息和光譜信息，其數(shù)據(jù)量龐大。隨著傳感器的不斷更新，人們已經可以在不同的航空、航天遙感平臺上獲取不同時空間分辨率和光譜分辨率的遙感影像。高光譜遙感與以往遙感技術相比，具有圖譜合一的特征和從可見光到紅外甚至熱紅外的一系列波段，是一種綜合性的遙感技術手段。特別是在地面的信息比較微弱的情況下，高光譜遙感具有識別微弱信息和定量探測的優(yōu)勢。發(fā)展高光譜遙感技術，滿足軍事和民用對該技術的需求，開展該領域的研究是非常必要而有實際意義的。發(fā)展以地物精確分類、地物識別、地物特征信息提取為目標的超光譜遙感信息處理模型，提高超光譜數(shù)據(jù)處理的自動化和智能化水平。高光譜遙感技術將確定物質或地物性質的光譜與揭示其空間和幾何關系的圖像結合在一起，而許多物質的特征往往表現(xiàn)在一些狹窄的光譜范圍內，高光譜遙感實現(xiàn)了獲取地物的光譜特征同時又不失其整體形態(tài)及其與周圍地物的關系。高光譜技術產生的一組圖像所提供的豐富信息可以顯著地提高數(shù)據(jù)分析的質量、細節(jié)性、可靠性以及可信度，可有效地用于地物類型的像素級甚至亞像素級識別，己廣泛應用于地質勘探與地球資源調查、城市遙感與規(guī)劃管理、環(huán)境與災害監(jiān)測、精細農業(yè)、測繪及考古等方面。當前，世界各國都加強了高光譜遙感技術在各領域的應用研究，比如：在對月球、火星等星體的科學考察中，通過高光譜傳感器收集巖石和土壤礦物成分的光譜信息可獲知星球的地質狀況，具有很好的應用前景；在軍事上，星載遙感成像技術和機載遙感對地觀測技術是世界各國軍事實力競爭的關鍵之一，高光譜傳感器能夠檢測出普通CCD相機或攝像機無法捕獲的各種偽裝、隱蔽目標，可應用于戰(zhàn)場情報偵察和目標識別。2高光譜遙感圖像分類以及其基本現(xiàn)狀根據(jù)各自在圖像信息中所反映的不同特征，把不同類別的目標區(qū)分開來的圖像處理方法叫做圖像分類。它利用計算機對圖像進行定量分析，把圖像或圖像中的每個像元或區(qū)域劃歸為若干個類別中的某一種，以代替人的視覺判讀。遙感圖像分類主要依據(jù)是地物的光譜特征，既地物電磁波輻射的多波段測量值,這些測量值可以用作遙感圖像分類的原始特征變量。分類是對圖像上每個像素按照亮度并接近程度給出對應類別,以達到大致區(qū)分遙感圖像中多種地物的目的。高光譜圖像的分類和識別，主要有兩種方法，即基于地物光譜特征的分類識別方法和基于統(tǒng)計的分類識別方法。前者是利用光譜庫中已知的光譜數(shù)據(jù)，采用匹配算法來鑒別和識別圖像中地物類型。這種方法既可采用全波長的比較和匹配，也可用感興趣的光譜特征或部分波長的光譜或光譜組合參量進行匹配，達到分類和識別的目的。基于統(tǒng)計特征的分類，可采用非監(jiān)督和監(jiān)督分類兩種方法，非監(jiān)督方法甚至不需要有對數(shù)據(jù)的先驗知識，也可以直接應用原始高光譜遙感圖像數(shù)據(jù)來進行分類，雖然精度有所欠缺，但簡單易行，也是常用的方法之一。對高光譜圖像的分類，其基本流程如圖1所示。圖1圖像分類的基本流程2.1圖像預處理高光譜圖像預處理與一般的圖像數(shù)據(jù)一樣，也需要對原始的數(shù)據(jù)進行基本的大氣輻射校正、幾何畸變校正、波段選擇以及消除噪聲等處理。另外由于高光譜圖像的數(shù)據(jù)量大，維數(shù)比較高，因此在判別分類處理之前應該對數(shù)據(jù)進行光譜和空間去冗余以得到高質量的特征，數(shù)據(jù)降維是高光譜遙感圖像數(shù)據(jù)處理的一個關鍵預處理環(huán)節(jié)。2.2定義感興趣地物類別并標記訓練樣本在數(shù)據(jù)分析開始之前，一般先根據(jù)三個波段合成的假彩色圖像對數(shù)據(jù)進行整體的直觀分析，以產生較詳細的類別組，從中定義出用戶需要的類別。定義的最優(yōu)類別需要滿足以下三個要求:=1\*GB3①完整性:圖像中每一個像素都有可以賦予的一個邏輯類別。=2\*GB3②可分性:對可得到的光譜特征，各個類別必須具有足夠的可分性。=3\*GB3③有用性:類別的定義必須滿足用戶的需要，要有信息價值。類別定義后，就需要為每一個類別選出一定數(shù)量的訓練樣本。訓練樣本的標記必須依賴于地面真實數(shù)據(jù)。獲取訓練樣本的過程對不同的數(shù)據(jù)集以及分析員對場景先驗信息了解的多少程度不同有很大的不同。以下給出幾種常用方法。=1\*GB3①從圖像中獲取各類別可標記的樣本。=2\*GB3②在數(shù)據(jù)獲取的同時在地面得到部分觀測。=3\*GB3③分析表征像素點的光譜空間得到單一像素的類別信息。這些訓練樣本必須是相應類別的一個均質樣本，不能包含其他類別，也不能是和其他類別之間的邊界或混合像元，但同時必須包括該類別的變化范圍，因此常需對每一個類別標定多于一個的訓練區(qū)。每類地物的訓練樣本數(shù)目需要相似，如果差別太大容易出現(xiàn)少數(shù)歸類于多數(shù)的現(xiàn)象，另外還需要考慮訓練過程的推廣性，即訓練樣本是否已表征整個數(shù)據(jù)集，訓練過程能否推廣到類別中為參加訓練的其他樣本。2.3特征提取與特征選擇特征提取和特征選擇是遙感圖像分類處理過程中一個必不可少的重要環(huán)節(jié)，一方面能減少參加分類的特征圖像的數(shù)目，另一方面從原始信息中抽取能更好進行分類的特征圖像。特征提取是從原始特征中求出最能反映其類別特征的一組新特征。特征提取能使同類物質樣本的分布具有密集性，而不同類別物質的樣本在特征空間能夠隔離分布，為進一步分類打下了良好的基礎。特征選擇是依據(jù)原始波段圖像的量測值，經過一定的變換重新形成一組能夠有效地描述地物類別特征的模式的過程。特征選擇的實質是從個特征中挑選出個最有效的特征。但要盡量做到兩點：第一是數(shù)據(jù)壓縮意義，即在不損失原始數(shù)據(jù)有用信息的條件下，來選擇部分有效特征，而拋棄多余特征；第二是類別可分性意義，即所選擇的特征相對于其它特征能夠更有效地進行分類。2.4分類判決訓練區(qū)選好之后，相應的地物類別的光譜特征便可以用訓練區(qū)中的樣本數(shù)據(jù)進行統(tǒng)計。根據(jù)圖像特點和分類目的設計或選擇恰當?shù)姆诸惼骷捌渑袥Q準則，對未知區(qū)域的樣本進行類別歸屬的判斷，分類判決是分類處理的核心階段。基于統(tǒng)計特征的分類，根據(jù)分類過程中人工參與程度分為有監(jiān)督分類和非監(jiān)督分類[6,9]等，有監(jiān)督分類常簡稱監(jiān)督分類。監(jiān)督分類，又稱訓練分類，即用被確認類別的樣本像元去識別其他未知類別像元的過程。已被確認類別的樣本像元是指那些位于訓練區(qū)的像元。在這種分類中，分析者在圖像上對每一種類別選取一定數(shù)量的訓練區(qū)，通過計算，將每個像元和訓練樣本作比較，按照不同規(guī)則劃分到和其最相似的樣本類。主要步驟包括：=1\*GB3①選擇特征波段；=2\*GB3②選擇訓練區(qū)；=3\*GB3③選擇或構造訓練分類器；=4\*GB3④對分類精度進行評價。監(jiān)督分類的主要優(yōu)點：=1\*GB3①可根據(jù)應用目的和區(qū)域，有選擇地決定分類類別，避免出現(xiàn)一些不必要的類別；=2\*GB3②可控制訓練樣本的選擇；=3\*GB3③可通過檢查來決定訓練樣本是否被精確分類，從而避免分類中的嚴重錯誤；=4\*GB3④避免了非監(jiān)督分類中對光滑集群組的重新歸類。監(jiān)督分類的缺點：=1\*GB3①由于人為因素，分類系統(tǒng)的確定、訓練樣本的選擇，分析定義的類別也許并不是圖像中存在的自然類別，致多維數(shù)據(jù)空間中各類別間并非獨一無二，而是有重疊，分析者所選擇的訓練樣本也可能并不代表圖像中的真實情形；=2\*GB3②由于圖像中同一類的光譜差異，如同一森林類，由于森林密度、年齡、陰影等的差異，其森林類的內部方差大，造成訓練樣本沒有很好的代表性；=3\*GB3③訓練樣本的選取和評估需要花費較多的人力和時間；=4\*GB3④只能識別訓練樣本中所定義的類別，若某類別由于訓練者不知道或者其數(shù)量太少未被定義，則監(jiān)督分類不能被識別。非監(jiān)督分類，也稱為聚類分析或點群分析，是指事先對遙感圖像地物的屬性不具先驗知識，純粹依靠不同光譜數(shù)據(jù)組合在統(tǒng)計上的差別來進行“盲目分類”，事后再對已分出各類的地物屬性進行確認。即在多光譜圖像中搜尋、定義其自然相似光譜集群組的過程。非監(jiān)督分類不需要人工選擇訓練樣本，僅需極少的人工初始輸入，計算機按照一定規(guī)則自動地根據(jù)像元光譜或空間等特征組成集群組，然后分析者將每個組和參考數(shù)據(jù)比較，將其劃分到某一類別中去。在無監(jiān)督分類方法下，只能假定初始的參量，并通過預分類處理來形成集群(即聚類)，再由集群的統(tǒng)計參數(shù)來調整預置的參量，接著再聚類、再調整，如此不斷迭代直至有關參量的變動在容忍的范圍內為止。由于無監(jiān)督分類沒有使用任何關于數(shù)據(jù)的先驗信息，所以分類效果通常較差，而且無法給出數(shù)據(jù)類別的含義。而在遙感數(shù)據(jù)分析中，研究者總是或多或少的掌握一些關于數(shù)據(jù)的先驗信息，利用監(jiān)督分類方法可以大幅度的提高分類的精度。與監(jiān)督分類相比，非監(jiān)督分類具有以下優(yōu)點：=1\*GB3①不需要預先對所要分類的區(qū)域有廣泛的了解和熟悉，但分析者仍需要一定的知識來解釋分類得到的集群組；=2\*GB3②人為誤差的機會減少，所產生的類別比監(jiān)督分類的更均質；=3\*GB3③獨特的、覆蓋量小的類別均能夠被識別，而不會像監(jiān)督分類那樣被分析者的失誤所丟失。與監(jiān)督分類相比，非監(jiān)督分類主要缺點是來自對其“自然”的依賴性：=1\*GB3①所產生的光譜集群組并不一定對應于分析者想要的類別，因此分析者面臨著如何將它們和想要的類別相匹配的問題，實際上幾乎很少有一對一的對應關系；=2\*GB3②分析者較難對產生的類別進行控制，因此其產生的類別也許并不能讓分析者滿意；=3\*GB3③圖像中各類別的光譜特征會隨時間、地形等變化，不同圖像以及不同時段的圖像之間的光譜集群組無法保持其連續(xù)性，從而使不同圖像之間的對比變得困難。20世紀80年代末，神經網絡開始應用于遙感圖像分類。神經網絡具備了一些智能推理功能和并行運算的能力，它能自己組織和自己學習訓練，可以有效的解決很多非線性問題。神經網絡在處理高光譜數(shù)據(jù)是也存在一定的缺點：由于它完全依賴于經驗地使用訓練樣本，其所需的迭代訓練時間就會很長；另外它還會產生過學習問題，即對于有限的訓練樣本來說如果網絡的學習能力過強，則無法保證它對新的樣本也能夠得到好的預測，即訓練誤差過小反而會導致推廣能力下降的現(xiàn)象出現(xiàn)。在很多情況下，即使已知問題中的樣本來自比較復雜的模型，但由于訓練樣本有限，用復雜的預測函數(shù)對樣本進行學習的效果通常不如用相對簡單的預測函數(shù)，當有噪聲存在時更是如此。為了解決有限樣本問題，Vpnik等人早在20世紀60年代就開始研究有限樣本情況下的機器學習問題，直到90年代中，有限樣本情況下的機器學習理論研究才逐漸成熟起來，形成了統(tǒng)計學習理論(StatisticalLearningTheory,SLT)。1992--1995年，Vpnik等人在統(tǒng)計學習理論的基礎上發(fā)展出了一種新的模式識別方法--支持向量機(SupportVectorMachine,SVM)，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。2000年，《科學》上發(fā)表了三篇學術論文，從認知上討論了流