高光譜成像技術(shù)是一種新穎的多維成像技術(shù)，由光學(xué)二維成像技術(shù)和光譜分析技術(shù)相結(jié)合而形成，可以同時探測到目標(biāo)的空間信息和光譜信息，具有“圖譜合一”的優(yōu)勢。那么，高光譜圖像怎么分類？本文對高光譜圖像的分類原則及方法做了介紹。
高光譜圖像分類理論：
高光譜圖像分類作為高光譜圖像的基礎(chǔ)研究，一直是高光譜圖像重要的信息獲取手段，它的主要目標(biāo)是根據(jù)待測樣本的空間幾何信息與光譜信息將圖像中的每個像素劃分為不同的類別。從圖像光譜的角度來說，高光譜圖像分類的效果取決于四個因素：
1.類別的可分性
非人為影響下的原始地物光譜具有可分性是高光譜圖像分類的前提條件。
2.圖像像元光譜空間的維數(shù)
一般來講，在圖像波段信噪比達到一定要求的情況下，光譜波段越多，越有利于分類。
3.訓(xùn)練樣本的數(shù)量
訓(xùn)練樣本的數(shù)量越大，地物的訓(xùn)練特征越全面和具有代表性，因此有利于分類。
4.分類器類型和分類方案
采用適當(dāng)?shù)姆诸惙椒ǎ捎行У奶岣叻诸惥取?/p>
高光譜圖像的分類原則：
在進行高光譜圖像分類時，主要是多變量的圖像分類。一般有以下三個原則：
1.分類時應(yīng)根據(jù)整體數(shù)據(jù)特征出發(fā)進行分類，而不能只根據(jù)個別變量的數(shù)值進行分類；
2.分類的類別的離散程度用用標(biāo)準(zhǔn)差向量或協(xié)方差矩陣來衡量，類在特征空間的位置用類的均值向量表示，即該類的中心；
3.分類區(qū)域的劃分根據(jù)每類的統(tǒng)計特性出發(fā)或者是類與類之間的邊界出發(fā)建立分類或者是判別函數(shù)。
高光譜圖像的分類方法：
高光譜圖像分類一般包括圖像預(yù)處理、標(biāo)記訓(xùn)練樣本、特征提取及選擇、分類判決及精度評價五個部分。
1.圖像預(yù)處理
由于高光譜影像在獲取過程中存在一定的噪聲，以及不同程度、不同性質(zhì)輻射量的失真和幾何畸變等現(xiàn)象。這些畸變和失真均會導(dǎo)致圖像質(zhì)量下降，嚴重影響其應(yīng)用效果，必須進行預(yù)處理來消除這些因素的影響。高光譜數(shù)據(jù)的預(yù)處理包括很多方面的內(nèi)容，主要包括條帶噪聲去除、波段間配準(zhǔn)、數(shù)據(jù)壓縮、光譜定標(biāo)等。
2.標(biāo)記訓(xùn)練樣本
在分類時，訓(xùn)練樣本的選取是非常重要的，直接關(guān)乎后面的分類結(jié)果。在開始數(shù)據(jù)分析之前，一般先選取紅、綠、藍波段或者是其他波段合成假彩色圖像，根據(jù)假彩色合成圖像來進行整體的直觀分析，從而確定出所要分類的類別組。定義的最優(yōu)類別需要滿足所做分類的有用性和可分性，同時要滿足分類的完整性。
3.特征提取與特征選擇
一般來說，盡管光譜中的每個波段圖像都提供了研究對象的一定信息，但其重要性有所不同，而且在很多情況下，各波段圖像所提供的信息常常有所重疊，波段間具有很強的相關(guān)性。為了消除數(shù)據(jù)間不必要的冗余信息，減少數(shù)據(jù)量和計算時間，需要對高光譜圖像進行特征提取。特征提取是通過映射和變換的方法，把原始模式空間的高維數(shù)據(jù)變成特征空間的低維數(shù)據(jù)。然后對特征更集中的低維數(shù)據(jù)進行處理。特征提取可以分兩類：一類是基于變換的方法，如主成分分析、最小噪聲分離變換，小波變換等，這些降維方法的優(yōu)點是將高維數(shù)據(jù)直接降低到低，速度很快；另一類是基于非變換的，如波段選擇等，它的優(yōu)點是保持了圖像的原有特征。
4.分類判決
分類判決是分類處理的核心階段，它關(guān)系到是否能夠充分挖掘高光譜圖像所包含豐富信息。高光譜圖像的分類過程中，由于高光譜圖像分辨率很高，所以能夠識別的類別的數(shù)目就比較多，用一些傳統(tǒng)的分類方法來進行分類的話，其分類效果就比較差了，這就需要一些根據(jù)圖像特點和分類目的設(shè)計或選擇怡當(dāng)?shù)姆诸惼骷捌渑袥Q準(zhǔn)則來提高其分類精度，對未知區(qū)域的樣本進行類別歸屬的判斷。
5.分類結(jié)果和精度評價
分類結(jié)束后，要對分類結(jié)果進行評價，確定分類的精度和可靠性。高光譜圖像分類精度評價是指在完成高光譜圖像分類后，依據(jù)地面真實標(biāo)記參考圖，評估分類后影像的準(zhǔn)確性。隨著高光譜遙感技術(shù)的進展，以及不同應(yīng)用的復(fù)雜化具體化，高光譜圖像分類精度評價顯得越來越重要。比較常用的分類精度評價的方法有混淆矩陣、總體分類精度、Kappa錯分誤差三種評價方法。
