高光谱遥感图像分类：机遇与挑战

本文主要探讨了遥感图像分类中的一个重要领域——高光谱图像分类，以及与之相关的模式识别技术。高光谱图像分类利用丰富的光谱信息对地物进行精细化识别，其特点是波长覆盖范围广、波段数量多，能够提供更详细的数据用于地物分类。然而，这也带来了数据量大、信息冗余和处理难度增加的问题。 在高光谱图像分类中，关键的要素包括分类特征、分类判据、分类准则和分类算法。分类特征涉及光谱特征（如反射率、波形、光谱数学变换特征等）、几何特征（如高程、坡度、坡向）以及环境因素（如地质、土壤、水文、交通网络、行政边界、植被等）。分类判据和分类准则则是确定地物类别的重要依据，例如使用相关系数、相似系数、欧氏距离等距离度量方法。分类算法涵盖了多种方法，如最小误差准则、最小风险准则、Fisher准则等，并涉及到不同的分类器，如监督分类（最小距离分类、最大似然分类、Fisher线性判别分类等）、非监督分类（如K-均值聚类法）以及神经网络、决策树、模糊分类等复杂模型。 高光谱图像分类的优势在于其光谱特征曲线的精细探测能力，使得对地物特性的识别更为准确。同时，波段多且覆盖范围宽，便于波段间校正和引入地物光谱机理模型。然而，挑战同样存在，如大数据量导致的信息冗余处理问题，波段增多对训练样本的需求增加，以及常规统计学分类模型的适用性限制。此外，Hughes现象指出，随着波段数目的增加，分类精度可能先上升后下降，这为实际操作提供了理论参考。 分类方法主要有两种思路。第一种是基于地物物性的分类，利用光谱曲线与光谱库中的已知光谱进行匹配识别。第二种是基于图像数据的分类，通过分析数据的统计特性构建分类模型。其中，光谱特征匹配分类方法中的二值编码匹配是一种简化策略，通过编码序列进行最小距离匹配，适用于粗略分类，但可能会丢失部分光谱信息。 高光谱图像分类是遥感技术的重要应用，它在环境监测、资源调查等领域具有广泛的应用前景。然而，如何有效地处理高光谱数据、提高分类精度和应对Hughes现象等挑战，仍然是当前研究的热点和难点。