高光谱图像监督分类方法

 高光谱图像分类的主要作用机理是，按照待测地物的空间几何与光谱信息，来划分图像中的每个像素，划作不同的类别。高光谱图像可采用监督和非监督两种分类方法。其中的区别在于：非监督分类用于对分类区知之甚少的情况下，在统计和分类时，完全依据的是照像元的光谱特性。非监督分类运算将原始图像的全部波段运用到其中，分类结果与各类像元数有着相类似的比例。因为无需人工干预，非监督分类可采用高度自动化来完成。非监督分类具体步骤如下：初始化各个分类、判断专题、分类合并、确定色彩、分类处理、定义色彩、转换栅格矢量、统计分析。监督分类更依赖于用户的控制，适用于对研究区域了解较透彻的情况下。在这种分类过程中，先选一些能够识别的，或者借助其它信息正确判断出类型的像元，来构建模板，再通过这一模块，使计算机系统对于具有相同特性的像元进行识别。评价分类结果后，对模板进多次优化，从而使它更为准确，并以此为基础做最后的分类。监督分类步骤如下：训练样本并构建模块、评价模块、确定出初步分类图、检验所得到的分类结果、二次处理、进行分类特征的计算、转换栅格矢量。接下来介绍一些典型的监督分类方法。

1、平行多面体分类方法

平行多面体分类方法，是种图像分类方法，指在多维特征空间中，每类形成一个平行多面体，待分个体进入其中便被归属，否则就拒绝的。分类时若使用这种方法，就要进行数据的训练和学习，从而得出基本的统计量信息。假如，类别和波段数量分别为m和n个；Sij、Sij、Mij分别代表标准差、像元X在j波段的像元值和i类第j波段的均值。

某一类别i（i=1，2，…，m），当像元X满足：

        （T为人为规定的阈值，T越大，一个类的范围越大）

2、最大似然分类

最大似然分类又叫作贝叶斯分类，该分类是一种新的图像分类方法，依据的是贝叶斯准则理论。是指在判定两类和多类时，以最大似然贝叶斯判决准则法作为判断标准，依据统计方法，进行非线性判别函数集的编写，假定每个分类都存在正太的分布函数，对训练区进行正确的选择，对每个待分类区进行计算，求得相应的归属概率，再进行分类。这种方法的优势是方便快捷，比较简单；以贝叶斯原理为基础，再与其它先验知识结合分类，使得密度分布函数可以非常有效的解释分类结果。在波段较少的多波段数据中，这种方法可完美使用。同时，这个方法的分类时间随波段信息的增长成二次方增长；对训练样本要求高，训练的样本必须超过波段数。

3、人工神经元网络分类

人工神经网络（Artificial Neutral Networks，ANN）是模仿人的脑部思维和神经网络构建而成的，自适应性比较强，容错性也很高。在当前，人工神经网络在大量应用于各行各业，功能较强大，可完成控制智能化、信息的高效处理、组合优化等。神经网络发展至今，已分为多个种类，包括BP、RBF、自组织竞争、概率神经以及对象传播等神经网络。

（1）BP神经网络：这种属于多层神经网络，达到三层以上，各层神经元间没有紧密的联系，泛化性能较优，在数据压缩、模式识别、函数逼近中大量使用。

（2）RBF神经网络：RBF神经网络是种性能极佳的前向网络，它的优越表现在可实现最佳逼近，并可以克服局部最小化。RBF神经网络在函数的传递上，也有多种方法，常见的为以下3种：

①Gaussian函数：

②Reflected sigmoidal函数：

③逆Multiquadric函数：

（3）自组织竞争神经网络：这种神经网络有着较好的自适应学习能力，可适用于模式分类和识别。

（4）概率神经网络：这种神经网络能够解决分类问题，在网络结构的设计上，引用了贝叶斯判别函数，大大减少了错误。

（5）对象传播神经网络：具备双向记忆功能是这种神经网络的主要优点，通过引入竞争层，使得输入、输出模式实现了相互映射。在模式分类、统计分析、数据压缩、函数近似等领域应用较广。