高光谱遥感图像分类及特征挖掘

在遥感领域，按光谱分辨率划分，光谱成像技术常分为多光谱（multi-spectral）、高光谱（hyper-spectral）和超光谱（ultra-spectral）三类。通常，在空间分辨率相同的情况下，光谱分辨率越高，图像波段数就越多，数据量就越大，获取的关于被测对象的信息就越丰富。

 光谱技术特性对比表

高光谱图像分类即区分多个目标的种类，将具有同种特性的集合给予相应的标签，同一标签的样本被认为是同一类。分类精度的好坏直接或间接影响其应用效果。  

 与一般图像相比，高光谱图像有两个特性：  

  1）光谱分辨率高、光谱曲线近乎连续、波段多、数据量大，这为精细分类提供可能的同时也存在数据冗余严重及谱间相关性强的问题；  

  2）空间分辨率有限及存在大量混合像元，可能导致维数灾难。高光谱遥感图像因其独特的结构和数据特性，传统图像处理方法难以直接应用，对信号与信息处理学科提出严峻的挑战。  

高光谱（包括多光谱）图像分类等处理技术，在 1990 年之前是常规方法，1990—2015 年期间主要是基于特征和一般学习的方法，2015以来重点是基于深度学习的方法，2022年以来呈现基于学习和数据与知识融合或联合驱动的方法的趋势。  

  多光谱、高光谱图像分类方法大致可以分成4类方法  

 高光谱遥感卫星

 国内外代表性高光谱卫星及其光谱成像仪典型技术指标：

 高光谱图像分类的特征挖掘

 高光谱图像数据的特征主要指光谱特征、空间特征、时间特征，以及空谱、空时、空时谱联合特征等。在高光谱图像分类中，常见的光谱特征有光谱吸收位置、反射率、对称性、光谱曲线的峰、谷位置与数量以及斜率等，也包含光谱曲线的梯度与高阶统计量等。高光谱图像的空间特征主要有幅度、颜色、纹理、形状和空间关系等。高光谱图像的时间特征主要有随着时间的稳定度、（时间）导数以及变化率等。

  高光谱特征及特征挖掘方法  

  高光谱图像特征挖掘主要包括特征选择、特征提取和特征混合。高光谱遥感数据光谱特征挖掘方法及其分类如下表所示：  

  高光谱遥感图像光谱特征挖掘及其分类方法  

特征选择一般指直接从原始波段集的n个波段中按照一定的准则筛选出 m (m < n) 个重要波段子集。一般情况下，特征选择保留了原始波段特征的物理含义，在满足一定分类精度下，用较少波段完成数据收集、传输和分析处理，甚至可以简化传感器复杂度。常用的特征选择方法主要分为基于信息量和基于类别可分性的特征选择两类。何明一和黄睿提出一种特征加权的选择方法（Huang和He，2005），得到广泛引用。  

特征提取指通过对原始 n 维向量空间（原始数据是高光谱立方体数据）进行变换，然后求取其特征子空间。特征提取就是找到一种映射关系将原始三维数据集映射到维数较低的 m 维特征子空间，通过这种变换，产生 m 个新特征。特征提取一般从所有波段数据中寻找反映各类目标的特征参量，显然计算量较特征选择大得多，处理必然很慢。  

  特征组合或特征融合则利用多种特征的优点，例如光谱—空间—时间的联合特征，直接能量特征与变换（如导数）特征的组合等。人工特征挖掘的性能与领域专家知识、物理化学特性、模型以及经验等因素有密切关系。  

参考：He Mingyi，Li Qiang，Guo Ying，Yan Hongmei.2025. Overview and prospects of intelligent classification of hyperspectral images. Journal of Image and Graphics，30(6):2207-2238