Классификация гиперспектральных изображений дистанционного зондирования и извлечение признаков

В области дистанционного зондирования спектральные методы визуализации часто классифицируются на три категории в зависимости от спектрального разрешения: мультиспектральные, гиперспектральные и ультраспектральные. Как правило, при одинаковом пространственном разрешении, чем выше спектральное разрешение, тем больше полос изображения, тем больше объем данных и тем богаче информация, получаемая об измеряемом объекте.

Сравнительная таблица спектральных технических характеристик

Классификация гиперспектральных изображений различает типы множества объектов, присваивая соответствующие метки группам со схожими характеристиками; образцы с одинаковой меткой считаются принадлежащими к одному классу. Точность классификации прямо или косвенно влияет на эффективность ее применения.

По сравнению с обычными изображениями, гиперспектральные изображения обладают двумя характеристиками:

1) Высокое спектральное разрешение, практически непрерывные спектральные кривые, множество полос и большой объем данных позволяют проводить точную классификацию, но в то же время они имеют такие проблемы, как серьезная избыточность данных и сильная межспектральная корреляция.

2) Ограниченное пространственное разрешение и наличие большого количества смешанных пикселей могут привести к «проклятию размерности». Из-за своей уникальной структуры и характеристик данных гиперспектральные изображения дистанционного зондирования трудно напрямую применять с использованием традиционных методов обработки изображений, что представляет собой серьезную проблему для области обработки сигналов и информации.

Классификация гиперспектральных (включая мультиспектральные) изображений и другие методы обработки были традиционными до 1990 года. С 1990 по 2015 год основные методы основывались на признаках и общем обучении. С 2015 года акцент сместился на методы, основанные на глубоком обучении. С 2022 года наблюдается тенденция к использованию методов, основанных на обучении, а также на слиянии данных и знаний или на совместном управлении.

Методы классификации многоспектральных и гиперспектральных изображений можно условно разделить на четыре категории.

Гиперспектральный спутник дистанционного зондирования

Типичные технические характеристики типичных гиперспектральных спутников и их спектральных камер как в стране, так и за рубежом:

Извлечение признаков для классификации гиперспектральных изображений

Характеристики гиперспектральных изображений в основном относятся к спектральным, пространственным, временным характеристикам, а также пространственно-спектральным, пространственно-временным и комбинированным пространственно-временным спектральным характеристикам. В классификации гиперспектральных изображений к распространенным спектральным характеристикам относятся места спектрального поглощения, отражательная способность, симметрия, расположение и количество пиков и впадин на спектральной кривой, а также наклон, градиент и статистика более высокого порядка спектральной кривой. Пространственные характеристики гиперспектральных изображений в основном включают амплитуду, цвет, текстуру, форму и пространственные взаимосвязи. Временные характеристики гиперспектральных изображений в основном включают стабильность во времени, производную по времени и скорость изменения.

Гиперспектральные характеристики и методы извлечения характеристик

Извлечение признаков из гиперспектральных изображений в основном включает в себя выбор признаков, извлечение признаков и слияние признаков. Методы извлечения спектральных признаков из гиперспектральных данных дистанционного зондирования и их классификация показаны в таблице ниже:

Методы извлечения спектральных признаков и классификации гиперспектральных изображений дистанционного зондирования

Выбор признаков обычно подразумевает прямой отбор m (m

Извлечение признаков подразумевает преобразование исходного n-мерного векторного пространства (исходные данные представляют собой гиперспектральные кубические данные) и последующее нахождение его подпространства признаков. Извлечение признаков включает в себя поиск соответствия, которое преобразует исходный трехмерный набор данных в m-мерное подпространство признаков меньшей размерности, генерируя m новых признаков посредством этого преобразования. Извлечение признаков обычно ищет параметры признаков, отражающие различные целевые значения из всех диапазонов данных; очевидно, что вычислительные затраты намного выше, чем при отборе признаков, что делает этот процесс по своей природе медленным.

Комбинирование или слияние признаков использует преимущества множества признаков, например, сочетание спектрально-пространственно-временных признаков или комбинации прямых энергетических признаков с признаками преобразования (такими как производные). Эффективность ручного извлечения признаков тесно связана с такими факторами, как знания экспертов в предметной области, физико-химические свойства, модели и опыт.

См. также: Хэ Минъи, Ли Цян, Го Ин, Янь Хунмэй. 2025. Обзор и перспективы интеллектуальной классификации гиперспектральных изображений. Журнал изображений и графики, 30(6):2207-2238