对于超光谱图像"由于空间分辨率的限制"! 个 像元中所包含的地物种类往往不是单一的" 因而 ! 个像元对应的光谱曲线往往由几种不同物质的光
确定 5个类别中心" 然后将任一样本按照一定的法
* &$ *
前沿技术
则将其调整到 5个类别中的某一类中去" 再重新计 算各类别中心"最后进行样本的重新分配工作$ 如 此迭代"直至满足迭代终止条件$
!2 !2 $1光谱编码匹配
基于特征空间的超光谱图像分类方法" 是根据 不同地物在特征空间中的分布规律来进行分类判 别$ 通常根据在训练过程中是否需要训练样本点 的参与"将这些方法分为非监督分类和监督分类$
!2 .2 !1M 9 N 8 * * *最大似然分类法 准则*
准则的最大似然分类法) ; 基于 M 9 N 8 * L O ' 是传 统遥感影像分类处理中很有效的一种方法$ 该分 类方法需要各类的先验概率 & )1 ' 和条件概率密度 0 函数 & )1 ' 已知$ & )1 ' 通常根据各种先验知识 0 " 0 给出或假设它们相等" & )1 ' 则是首先确定其分 0 " 布形式"然后利用训练样本估计其参数$ 一般假设 为正态分布"或通过数学方法化为正态分布$ 其判 别函数为
!2 .2 /1支持向量机法
最广泛和最成功的是多层前向神经网络模型" 其学 习算法是误差后向传播算法 % !G& $ 神经元网络包含 ! 个输入层#! 个输出层及 ! 个或多个隐层$ 输入层节点数与参加分类的特征 数相同"输出层节点数与最终类别数相同" 而中间 隐含层节点数则由实验来确定$ 神经网络结构如 图 ! 所示$
, ", )/ "/ ; . "*' 与参考光谱 .F !"/ . "*' 的 DE
相似性度量如下
A 55 = * $9 + +. $ + .
*
9 A 55 = *
, / 0 0 0 $ !
*
! .
*
)/'
型 #J 4>8 < I, ; 4+I 模型"基于辐射通量密度理论的植 被#土壤光谱混合模型#DE K L模型等$
O 最小化为归纳原则" 在高维空间中构造具有低 V
维的最优分类超平面作为判决面" 使分类风险上界 最小"从而使学习机器具有最优的推广能力$ 支持向量机由于有着很强的适用性" 且能够保 证良好的分类精度" 因而在多个领域得到了迅速而 广泛的应用"但支撑向量机也有其自身无法克服的 缺点"那就是在求解大规模问题时学习速度慢# 存
! .
槡
!
!2 !2 .1光谱角度填图 ?8 5 @ A 9 < 9 +B 8 < C 9 ??) +B " DE ;' 定义为 光谱角度 ) *
两地物光谱矢量之间的广义夹角" 即为用得较为广 泛的广义夹角匹配模型$ DE ; 将像元 *个波段的 光谱响应作为 *维空间中的矢量" 通过计算它与参 考光谱单元之间的广义夹角来表征其匹配程度! 夹 角 越 小 " 说 明 越 相 似 % & & $ 待 识 别 光 谱 + F) , !"
!& & J = 6= +8 + 自组织算法等 % !/, $ 在模式识别领域应用
这种方法的优点是聚类过程不会在空间上偏 向数据文件的最顶或最底下的像素" 该算法对蕴含 于数据中的光谱聚类组的识别非常有效" 只要让其 重复足够的次数"其任意给定的初始聚类组平均值 对分类结果无关紧要( 缺点是比较费时" 因为可能 要重复许多次"没有解释像素的空间同质性$
(' &%神经元网络技术
始聚类中心为前提"使各模式到其所判属类别中心距 离之和最小的最佳聚类
% %&
$ 显然"该算法的分类结果
受到取定的类别数目及聚类中心初始位置的影响"所 以结果只能是局部最优"但因其方法简单"结果尚令 人满意"故应用较多$ 在实际分类过程中"类别数目
5的值通常根据试验的具体情况来确定$ 对这种算
支持向 量 机 ) * 4??= A @ U 8 5 @ = AC 9 5 6) +8 * " DV ;' 是 一种基于统计学习理论的机器学习算法" 采用结构 风险最小化) * @ A 45 @ 4A 9 < A ) * IC ) +) C ) W 9 @ ) = +"DX ;' 准则" 在最小化样本误差的同时缩小模型泛化误差的上 界"从而提高模型的泛化能力 % !!& $ 支持向量机的核心思想是把样本非线性映射 到高维特征空间) 甚至是无穷维空间 ' " 以结构风险
!., $! 收稿日期.""%,
).'
! ) . %! ! ' $ )( !' :) ' )( !' ) . %( . %(
* &. *
! " # " $ % &' ( ))* + " ' % $ " ( +, . / . 0 / -
前沿技术
! ) .
! < + 成"这严重地影响了影像的分类精度 和识别效果$ 光谱解混技术就是假设某一像元的光谱是由 有限的几种地物的光谱曲线按某种函数关系和比 例混合而成$ 解混的目的就是通过分析和计算" 估 计出光谱混合方式和混合像元包含的光谱成分及 相应比例"同时达到子像元地物分类的目的$ 光谱 解混一般分为 . 个步骤! 端元光谱提取和混合模型 求解$ 混合光谱模型大致包括线性光谱混合模型# 非线性光谱混合模型 . 种 % -& $ 线性混合模型适用于属于或基本属于线性混合 的地物"以及在大尺度上可以认为是线性混合的地 物(对于一些微观尺度地物的精细光谱分析来说"则 需要采用非线性混合模型分析$ 目前" 较典型且具 有一定影响力的非线性光谱混合模型有 H 9 ?I8模
&' (%基于特征空间的分类
. . ( , 0 ) ( / 0) 0 $ 0 $ ! !
式) / ' 中!*为超光谱传感器的波段数$ 值越小" + 与 .的相似性越大$ 由于该方法计算的是 . 个向量之间的夹角" 其 识别结果与向量自身的长度无关" 即 . 个光谱之间 的相似程 度 与 光 谱 各 自 幅 度 值 的 绝 对 大 小 无 关$ 反映在光谱曲线上相当于相同的地物对不同的照 度保持同样的向量方向" 而环境噪声的强弱只反映 在向量的大小上"故光谱角度制图法可有效弱化环 境噪声对识别结果的影响 % && $
法虽然无法证明其收敛性" 但当模式类之间彼此远 离时这个算法所得的结果是令人满意的$
!2 .2 $1K DS T E : E方法
该法与 JR 均值法类似" 也是采用迭代的方法 实现对样本点的分类
% !" &
$ 所不同的是" 该法并不是
每调整一个样本的类别就重新计算一次各类样本 的均值"而是在每次把所有样本都调整完毕之后才 重新计算一次各类样本的均值$ 此外" K DS T E : E算 法不仅可以通过调整样本所属类别完成样本的聚 类分析" 而且还可以自动地进行类别的 - 合并 . 和
% !&
量地描述目标的光谱辐射特性及其在特征空间内 的变化规律$
&%超光谱图像的分类方法
0& 超光谱图像分类方法" 可以归结为 . 类 % /, !一
类是基于光谱空间的分类方法" 利用反映地物光谱 特征的光谱曲线来识别地物( 另一类是基于特征空 间的分类方法"利用地物在特征空间的统计特性来 建立分类模型$
! )2 ' $& )1 '& )1 ' 0 0 0 " ! ". ","3 "4 "则 2 为1 类$ 0 0 )0' F ! ". "," 3 $ 如果 ! )2 ' P! )2 ' "4 F 式) 0 ' 中 !0 0 4
为了在光谱库中对特定目标进行快速查找和 匹配"首先对光谱曲线进行编码" 对编码结果进行 匹配$ 最简单的是光谱二值编码" 结合图像中不同 地物的光谱特征和几何特征也可以采用分段编码# 多门限编码# 仅在一定波段进行编码# 波段组合二 值编码等$ 使用编码匹配算法有助于提高图像光谱数据 的分析处理效率"但是这种技术在处理编码的过程 中会失去许多细节光谱信息" 因此只适用于粗略的 分类和识别"还有待改进
$ ' 特征空间!超光谱图像中的每一个像元对应
11. ' 马氏) ; 9 69 < 9 += >) * ' 距离$ ! )" "# ' $) "%# ' : ) "%# ' 11$ ' 巴氏距离$
% !
着多个成像波段的反射值" 这些反射值可以用一个 多维矢量表示$ 在特征空间中" 不同的目标分布在 不同区域" 并且有不同的分布特性" 这就有利于定