第5期 姚伏天，等：高斯过程及其在高光谱图像分类中的应用 .399. 了较强的理论基础 的急剧增加，在训练样本数量一定的条件下，导致分类 精度在特征空间的维数增加到一定数量后，反而会随 2高光谱图像 着维数的增加而下降.为了保持分类精度，通常有2种 2.1高光谱遥感图像的特点 措施，一是在分类前对原始光谱空间进行降维预处理， 2.1.1高维非线性 得到一个保持了原始空间全局和局部特征结构的低维 高光谱遥感图像由卫星或飞机上携带传感器记 子空间，然后在低维子空间中进行分类判别2]；二是尽 录而成.图像数据包含像素的2种误差：辐射误差和 可能增加训练样本的数量，由于带标记的训练样本难 几何误差.数据记录仪器、太阳辐射对波长的依 以获得，因此这点通常难以做到 赖和大气影响都可能产生辐射误差.图像几何误差 2.2高光谱遥感图像分类 产生是多方面的，如平台、扫描仪与地球的相对运动 高光谱遥感图像分类方法以统计模式识别方法 可能导致图像的扭曲，传感器本身非理想特性、地球 占主流，包括传统遥感图像分类方法、基于核函数分 曲率以及遥感平台在位置和姿态方面无法控制的变 类方法和其他分类方法， 化都可能导致不同程度的几何误差 1)传统遥感图像分类主要分为有监督分类和 辐射误差可以通过某些计算方法进行补偿.而 非监督分类.监督分类包括：最大似然分类法、Bayes 几何误差由于其产生因素较复杂，很难完全去除其 分类法、最近邻分类法、KNN分类法、费舍尔判别分 影响，这就使得高光谱图像不同程度上具有非线性 类、多尺度自回归®]等.这些方法在对高光谱图像 的特性，造成图像很难进行线性拟合，也难以用线性 分类时往往无法获得足够的训练样本，容易引起 分类器对高光谱图像进行正确分类 Hughes现象.非监督方法主要是聚类法，按照图像 2.1.2空间相关性和谱间相关性共存 的光谱特征的分布规律，以某种相似性测度自动聚 空间相关性是指每个谱段内某一像素与其相邻像 集成类，其分类结果只是对不同类别进行了区分，主 素之间的相似性.谱间相关性是指每个谱段光谱图像 要包括K均值法、ISODATA法、分级聚类等， 的同一空间位置像素具有相似性.高光谱图像中，相邻 2)核函数方法通过非线性映射，将输人空间的 像素之间在空间上总存在一定联系.首先，传感器在对 样本映射到高维特征空间中，在高维空间中构造分 该像素成像时，同时吸收了周围像素的一部分能量；其 类判决面进行分类.核函数方法包括：SVM、GP、核 次，某一地物类别在地面所占的实际面积与一个像素 主成分分析、核函数费舍尔判别法(kerel Fisher 的实际面积相比也大得多.例如，一个农业区域，已知 discriminant,KFD)、核投影寻踪法等，这些方法都 某一像素代表小麦，那么它周围的像素是小麦的概率 在高光谱图像处理中得到了应用。 比不是小麦的概率要大很多.相邻像素点之间的空间 3)其他分类方法主要包括神经网络分类法「34] 相关性的强弱主要取决于传感器的空间分辨率和地表 决策树分类法等. 自然、人文区域的规模大小回 在高光谱遥感图像分类上，核函数方法占有一 高光谱图像的谱间相似性的产生原因有2点： 定优势，原因在于：一方面，高光谱图像的波段数一 ·是光谱图像的每个波段图像的像素值，是相同区 般较大，线性分类器通常很难将其有效分开，核函数 域地物在各个波段的反射值，它们是具有相关性的， 方法可以将输入空间映射到高维空间，在高维空间 其相关性的强弱在很大程度上取决于光谱分辨率； 更易于找到有效的线性分类器，通常可以取得较好 二是由于不同波段的图像所涉及的地面目标相同， 的分类效果；另一方面，核函数方法为非参数方法， 它们具有相同的空间拓扑结构。 只需要对少数几个超参数进行学习，速度较快，也比 2.1.3训练样本标记难以获得 较简单，而其他参数方法通常要学习很多参数，学习 目前用于高光谱遥感图像的有监督分类算法， 过程较长，也比较复杂 由于波段数量巨大，需要大量正确的训练样本.然 SVM因具备能有效处理较多输人波段，鲁棒地 而，获得样本标记不仅费时费力，而且在许多情况 处理带噪声样本，产生稀疏解等优点，近几年被成功 下，很难对样本进行标记，例如森林大火、山体滑坡、 应用于高光谱遥感图像分类3s36].但SVM本身也存 洪水和地震，获得标记的训练样本是不可能的。 在着一些问题，如：特定问题中核函数的选取、核函 另一方面，根据Hughes的研究结果3u,随着特征 数的参数选择、如何选取合适的惩罚项来防止过拟 空间维数的增加，类别可分性提高，但由于遥感中常用 合、SVM的估计输出不具有概率意义 的监督分类方法首先要顾及样本的分布函数或者分布 另外高光谱图像的空间相关性可以为分类提供 函数中的一些参数，随着空间维数的增加，待估计参数 很多有用的信息，正确的使用上下文空间信息可以