高光谱处理软件及技术发展

在高光谱遥感图像处理技术上，国内外的学者和研究人员取得了很多重要的研究成果。美国国家航空航天局(NASA)在高光谱遥感图像的获取和技术处理方面做出了开创性的工作，为之后的科研提供了很多原始数据和技术指导。普渡大学的Landgrebe教授在高光谱遥感图像的特征提取方面进行了研究，为之后的科研提供了技术指导。Texas A&M University和University of Puerto Rico的研究团队在高光谱遥感图像分类领域进行了理论研究。中国科学院遥感地球所的遥感科学国家重点实验室、遥感卫星应用国家工程实验室、国家遥感应用工程技术研究中心和中国科学院数字地球重点实验室的研究团队对高光谱遥感图像分类技术进行了很多理论和实际应用研究。武汉大学遥感信息工程学院的王之卓院士、李德仁院士、张祖勋院士、龚健雅院土和黄昕教授等专家以及他们的研究团队对高光谱遥感图像分类技术也进行了大量的理论研究，为之后的技术改进提供了理论指导。

美国电子与电气工程师协会( IEEE )是世界上最大的电子科学与工程学会，IEEE的地球科学与遥感分会( GRSS, geoscience and remote sensing society)在1981年发起了第一届国际地球科学与遥感大会( IGARSS, international geoscience and remotesensing symposium)，之后每年召开一次，报道近年来在地球科学和遥感应用领域取得的成果与成就，这是该领域最具影响力的学术会议。2016年，由电子与电气工程师协会地球科学与遥感学会( IEEE GRSS)、中国科学院国家空间科学中心和复旦大学联合举办的第36届国际地球科学与遥感大会( IGARSS 2016)在中国北京召开，标志着我国在遥感科研领域已跻身世界前列。1910 年成立的国际摄影测量与遥感学会(ISPRS) 每4年举行一次大会，推动了遥感的发展、应用和学术交流，尤其对遥感及空间信息科学的发展起到了重要的推动作用。法国学者Jocelyn Chanussot等于2009年在法国针对高光谱遥感组织召开了国际学术研讨会IEEEWHISPERS ( workshop on hyperspectral image and signal processing: evolutions inremote sensing)，之后每年召开一次，其影响力逐年增加，所涉学科不断扩展，参会人数和国别不断增加，充分体现了研究者对高光谱遥感研究的重视程度。2002年和2009 年，《 IEEE Signal Processing Magazine》 和《Remote Sensing of Environment》2种国际期刊组织专刊，分别对高光谱遥感图像处理进行了技术概括和系统总结。

目前，高光谱遥感图像特征提取和分类所面临的主要问题是高维数据分类中的小样本问题，也就是说可用的训练样本数量比样本空间的维数少得多。即使高光谱遥感图像数据有上千个波段，可提供数据分类所需的全部细节信息，然而用有限数量的训练样本来提取光谱特征和空间特征进行数据分类，会遇到维数灾难而无法处理数据，而且用高维小样本构造的特征矩阵进行数据处理，可能会面临矩阵奇异的特殊情况和计算费时等问题。高光谱遥感图像的高分辨率特性为城市遥感图像的充分利用提供了可能，但是人造材料的相似性和地物光谱特征的相近性容易造成所提取的低维特征不能完全表示原有高维样本的特性，以及所得分类结果精度比较低等问题。

近年来，在高光谱遥感图像的特征提取与分类中， 研究者们针对数据结构特点利数插华木牧低等不同情况提出了多种分类器用于高光谱遥感图像分类处理，如神经网络、支持向量机”和随机森林，能有效地处理高维小样本高光谱遥感图像数据。Kuo等利用非参数加权特征提取法得到的全部特征构成一个距离度量， 解决了基于K近邻分类器的自适应非参数可分性问题。然而，由于高光谱遥感图像数据维数的增加和带标签训练样本数量的限制，特别是在只有少量训练样本的情况下，传统的统计分类方法可能面临新的挑战。传统的统计分类方法在处理高维少量训练样本的高光谱遥感图像时，可能会出现分类精度随着数据维数的增加而降低的情况，因此研究者们往往需要对高光谱遥感图像数据进行维数降低、特征提取、特征选择、特征变换等预处理。

高光谱遥感图像数据随着波段数量的增加会产生严重的冗余信息，特征提取或者特征选择能降低高维遥感图像数据的维数，是分类预处理的理想工具，且对处理后的数据分类十分有利。特征选择方法是从原始高维数据特征集合中选择一个合适的子集来表示高维数据的绝大部分信息用于分类，其核心要点是找到一个有效的搜寻策略。由于特征选择方法中搜寻策略不能无限执行，所选子集不能保证是最优特征子集，因此现有的特征选择方法对高维数据的分类并不理想。特征提取方法则是利用原始高维数据的全部特征构造一个变换， 将原始高维数据映射到一个低维子空间中，避免了某些原始特征的浪费。特征提取大大降低了高光谱遥感图像波段间的冗余性，用较少的波段特征来表示高维数据的主要信息。对于维数较高的高光谱遥感图像数据而言，特征提取能将原始数据的信息转换压缩到低维空间中，起到了降低数据维数的作用，其过程一般是按照一定的优化原则，对原始数据特征进行加工、处理和优化，产生更能表现原始数据本质的新特征，利于分类器的快速处理。

目前，高光谱遥感图像数据的特征提取方法众多，主要包括无监督、监督和半监督特征提取方法。