高光譜成像儀可以獲得豐富的圖像信息和光譜信息，這些信息經(jīng)過(guò)處理具有很高的價(jià)值和應(yīng)用空間。那么，高光譜成像儀圖像有哪些類型？本文簡(jiǎn)單介紹了高光譜圖像分類方法和類型。

?

高光譜圖像分類方法綜述

高光譜圖像分類的主要作用機(jī)理是，按照待測(cè)地物的空間幾何與光譜信息，來(lái)劃分圖像中的每個(gè)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(duì)分類區(qū)知之甚少的情況下，在統(tǒng)計(jì)和分類時(shí)，完全依據(jù)的是照像元的光譜特性。非監(jiān)督分類運(yùn)算將原始圖像的全部波段運(yùn)用到其中，分類結(jié)果與各類像元數(shù)有著相類似的比例。因?yàn)闊o(wú)需人工干預(yù)，非監(jiān)督分類可采用高度自動(dòng)化來(lái)完成。

非監(jiān)督分類具體步驟如下：初始化各個(gè)分類、判斷專題、分類合并、確定色彩、分類處理、定義色彩、轉(zhuǎn)換柵格矢量、統(tǒng)計(jì)分析。監(jiān)督分類更依賴于用戶的控制，適用于對(duì)研究區(qū)域了解較透徹的情況下。在這種分類過(guò)程中，先選一些能夠識(shí)別的，或者借助其它信息正確判斷出類型的像元，來(lái)構(gòu)建模板，再通過(guò)這一模塊，使計(jì)算機(jī)系統(tǒng)對(duì)于具有相同特性的像元進(jìn)行識(shí)別。評(píng)價(jià)分類結(jié)果后，對(duì)模板進(jìn)多次優(yōu)化，從而使它更為準(zhǔn)確，并以此為基礎(chǔ)做最后的分類。

監(jiān)督分類步驟如下：訓(xùn)練樣本并構(gòu)建模塊、評(píng)價(jià)模塊、確定出初步分類圖、檢驗(yàn)所得到的分類結(jié)果、二次處理、進(jìn)行分類特征的計(jì)算、轉(zhuǎn)換柵格矢量。接下來(lái)介紹一些典型的監(jiān)督分類方法和非監(jiān)督方法。

?

高光譜圖像監(jiān)督分類方法

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(gè)平行多面體，待分個(gè)體進(jìn)入其中便被歸屬，否則就拒絕的。分類時(shí)若使用這種方法，就要進(jìn)行數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，從而得出基本的統(tǒng)計(jì)量信息。假如，類別和波段數(shù)量分別為m和n個(gè)；S/j. S/j. M,j分別代表標(biāo)準(zhǔn)差、像元X在j波段的像元值和i類第j波段的均值。

即若是這個(gè)像元的各波段的灰度值都滿足了以上標(biāo)準(zhǔn)時(shí)，則可以在第i列中歸入像元X，即class(X) =i；否則，像元X就不能被劃入己知類，即class (X) ?-0。

這個(gè)方法并不算難，而且計(jì)算的速度是比較快的。但是也有一些問(wèn)題存在，即劃分的平行多面體不同于實(shí)際形態(tài)，可能會(huì)造成兩個(gè)類出現(xiàn)相互重疊，難以混淆。

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(zhǔn)則理論。是指在判定兩類和多類時(shí)，以最大似然貝葉斯判決準(zhǔn)則法作為判斷標(biāo)準(zhǔn)，依據(jù)統(tǒng)計(jì)方法，進(jìn)行非線性判別函數(shù)集的編寫(xiě)，假定每個(gè)分類都存在正太的分布函數(shù)，對(duì)訓(xùn)練區(qū)進(jìn)行正確的選擇，對(duì)每個(gè)待分類區(qū)進(jìn)行計(jì)算，求得相應(yīng)的歸屬概率，再進(jìn)行分類。這種方法的優(yōu)勢(shì)是方便快捷，比較簡(jiǎn)單；以貝葉斯原理為基礎(chǔ)，再與其它先驗(yàn)知識(shí)結(jié)合分類，使得密度分布函數(shù)可以非常有效的解釋分類結(jié)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(shí)，這個(gè)方法的分類時(shí)間隨波段信息的增長(zhǎng)成二次方增長(zhǎng)；對(duì)訓(xùn)練樣本要求高，訓(xùn)練的樣本必須超過(guò)波段數(shù)。

3人工神經(jīng)元網(wǎng)絡(luò)分類

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neutral Networks，ANN) 是模仿人的腦部思維和神經(jīng)網(wǎng)絡(luò)構(gòu)建而成的，自適應(yīng)性比較強(qiáng)，容錯(cuò)性也很高。在當(dāng)前，人工神經(jīng)網(wǎng)絡(luò)在大量應(yīng)用于各行各業(yè)，功能較強(qiáng)大，可完成控制智能化、信息的高效處理、組合優(yōu)化等。神經(jīng)網(wǎng)絡(luò)發(fā)展至今，己分為多個(gè)種類，包括BP、RBF、自組織競(jìng)爭(zhēng)、概率神經(jīng)以及對(duì)象傳播等神經(jīng)網(wǎng)絡(luò)。

1) ?BP神經(jīng)網(wǎng)絡(luò)：這種屬于多層神經(jīng)網(wǎng)絡(luò)，達(dá)到三層以上，各層神經(jīng)元間沒(méi)有緊密的聯(lián)系，泛化性能較優(yōu)，在數(shù)據(jù)壓縮、模式識(shí)別、函數(shù)逼近中大量使用。

2) ?RBF神經(jīng)網(wǎng)絡(luò)：RBF神經(jīng)網(wǎng)絡(luò)是種性能極佳的前向網(wǎng)絡(luò)，它的優(yōu)越表現(xiàn)在可實(shí)現(xiàn)最佳逼近，并可以克服局部最小化。RBF神經(jīng)網(wǎng)絡(luò)在函數(shù)的傳遞上，也有多種方法，常見(jiàn)的為以下3種：

①?Gaussian函數(shù)：

②?自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)：這種神經(jīng)網(wǎng)絡(luò)有著較好的自適應(yīng)學(xué)習(xí)能力，可適用于模式分類和識(shí)別。

③?概率神經(jīng)網(wǎng)絡(luò)：這種神經(jīng)網(wǎng)絡(luò)能夠解決分類問(wèn)題，在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)上，引用了貝葉斯判別函數(shù)，大大減少了錯(cuò)誤。

④?對(duì)象傳播神經(jīng)網(wǎng)絡(luò)：具備雙向記憶功能是這種神經(jīng)網(wǎng)絡(luò)的主要優(yōu)點(diǎn)，通過(guò)引入競(jìng)爭(zhēng)層，使得輸入、輸出模式實(shí)現(xiàn)了相互映射。在模式分類、統(tǒng)計(jì)分析、數(shù)據(jù)壓縮、函數(shù)近似等領(lǐng)域應(yīng)用較廣。

?

高光譜圖像非監(jiān)督分類方法

1?K-means分類

K-means分類方法是最典型的目標(biāo)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(gè)數(shù)據(jù)對(duì)象任意選擇k個(gè)對(duì)象作為初始聚類中心(m,，m2，m3，…，mk) ；

2) 依據(jù)各個(gè)聚類中心對(duì)象，即對(duì)象的均值來(lái)計(jì)算出與它距離最近的聚類中心，并將對(duì)象向聚類中心做以分配。

3) 對(duì)各個(gè)聚類的均值做二次計(jì)算：

K-means方法是比較快捷和簡(jiǎn)單的，不過(guò)初始聚類中心和最佳聚類數(shù)也會(huì)影響到聚類結(jié)果。

2?ISODATA方法

ISODATA (Iterative Selforganizing DataAnalysis) ，又叫作迭代自組織數(shù)據(jù)分析。它是在先驗(yàn)不足的情況下，通過(guò)給出一個(gè)初始聚類，然后再判斷其是否達(dá)標(biāo)，再利用迭代法反復(fù)調(diào)整，最后得出一個(gè)準(zhǔn)確的聚類。其采用以下步驟：

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

2) 對(duì)各類中全部的樣本的距離指標(biāo)函數(shù)進(jìn)行計(jì)算。

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

4) 再次做迭代運(yùn)算，對(duì)各項(xiàng)指標(biāo)進(jìn)行計(jì)算，以判斷結(jié)果是否達(dá)標(biāo)，直至求出最理想的聚類結(jié)果。

IOSDATA算法規(guī)則十分明確，便于計(jì)算機(jī)實(shí)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。

3?譜聚類方法

譜聚類算法是依據(jù)譜圖理論所設(shè)計(jì)的高性能聚類方法。它是基于以下原理：假設(shè){x1，x2，…，xn) 代表n個(gè)聚類樣本，圖G= (V，E) 可用于表示數(shù)據(jù)之間的關(guān)系，其中V代表頂點(diǎn)集。E代表連接任何兩點(diǎn)邊的集合。在圖中，每個(gè)樣本xi都可作為頂點(diǎn)，兩頂點(diǎn)間的關(guān)聯(lián)性Wij可通過(guò)Xi與xj相連邊的權(quán)值來(lái)表示。權(quán)值矩陣度量圖G中，每個(gè)頂點(diǎn)間的相似性共同構(gòu)成相似矩陣，記作W。為了實(shí)現(xiàn)圖的劃分，需要在空中優(yōu)化某一準(zhǔn)則，使同一類的點(diǎn)差別較小，不同類的點(diǎn)差別較大。通常準(zhǔn)則函數(shù)的優(yōu)化問(wèn)題可以通過(guò)求解相似矩陣的特征值和特征向量來(lái)解決，通過(guò)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(jì)算映射得到的新樣本空間，最終得到分類結(jié)果。該聚類算法僅與樣本點(diǎn)的個(gè)數(shù)有關(guān)，而數(shù)據(jù)的維數(shù)對(duì)其沒(méi)有影響。并且，其對(duì)聚類數(shù)據(jù)樣本空間的形狀沒(méi)有特殊要求，容易得到最優(yōu)解。

?

高光譜圖像的新型分類方法

1 支持向量機(jī)分類法

支持向量機(jī)(Support Vector Machine，SVM) 是新的分類方法，由Vapnic等人所設(shè)計(jì)，以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)。近年來(lái)，在圖像識(shí)別中，支持向量機(jī)己得到應(yīng)用，這和中方法的工作機(jī)理是，先設(shè)計(jì)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(shí)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(yīng)影響的優(yōu)勢(shì)，有著不錯(cuò)的效果。但同時(shí)，這種方法也有一定缺陷。首先，最大的問(wèn)題是核函數(shù)的選擇缺乏指導(dǎo)性，當(dāng)針對(duì)具體的函數(shù)時(shí)，選擇最佳的核函數(shù)是一個(gè)比較難的問(wèn)題，還有就是這個(gè)方法的計(jì)算量較大。

2 ?最小二乘支持向量機(jī)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(wèn)題的約束條件變?yōu)榈仁郊s束，從而不用花費(fèi)大量的時(shí)間解決二次規(guī)劃問(wèn)題，使得分類效率大大提高。其算法表達(dá)式為：

最小二乘法SVM在運(yùn)算的速度上有很大的優(yōu)勢(shì)，但其也是有其的缺點(diǎn)。首先來(lái)說(shuō)，最小二乘法會(huì)影響到數(shù)據(jù)的稀疏性，每個(gè)數(shù)據(jù)點(diǎn)都會(huì)影響分類模型的構(gòu)建。然后其估計(jì)值的穩(wěn)定性是低于標(biāo)準(zhǔn)的SVM。同時(shí)，在傳統(tǒng)SVM基礎(chǔ)上，還設(shè)計(jì)出了拉普拉斯支持向量機(jī)(Laplacian?Support VectorMachine，LapSVM) ，它是通過(guò)對(duì)流形正則化項(xiàng)的添加，無(wú)標(biāo)簽和有標(biāo)簽樣本的幾何信息來(lái)構(gòu)造分類器。LapSVM具備能預(yù)測(cè)未來(lái)測(cè)試樣本的標(biāo)簽、全局優(yōu)化、適應(yīng)性強(qiáng)的特點(diǎn)，更深入的方面就不再贅述。

3?決策樹(shù)分類法

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

1) 構(gòu)建決策樹(shù)模型。分兩步進(jìn)行，一是建樹(shù)；二是剪枝。建樹(shù)是利用遞歸過(guò)程來(lái)完成的，最后要形成一棵樹(shù)；剪枝的目的在于降低訓(xùn)練集雜聲造成影響。

2) 使用己生成的決策樹(shù)來(lái)對(duì)輸入的數(shù)據(jù)進(jìn)行分類。對(duì)待測(cè)樣本的屬性值從根節(jié)點(diǎn)依次測(cè)試和記錄，直到某個(gè)節(jié)點(diǎn)，從而找到待測(cè)樣本的屬性值。

?