高光谱图像分类的挑战

        尽管高光谱图像分类经过多年的发展，已经取得不小成就，但还是有其问题所在。首先还不易去识别高光谱：数据拥有较大的信息量，图像拥有成十上百个波段，信息量比起单波段遥感图像，多出了几百倍，数据冗余现象严重，不能科学地处理，就会影响到分类精度。

        另外，因为成像原理复杂，数据量较大，使得很难对图像进行预处理，包括反射率的转换、几何校正、大气矫正、光谱定标等；当波段比较多时、每个波段间相似性都颇高，所以分类对于训练样本的需求量也更大，一般会由于训练样本较少使得无法得到可靠的训练参数；参数估计是影响统计学分类模型的主要因素，使得光谱特征的选择标准较高。从而使得常规遥感的处理和方法不适应高光谱图像分类的需要。

        同时，在目前所有的分类过程中，多数采用传统的识别分类方法，如上文所介绍的几种方法。不过，因为遥感图像本身空间的分辨率不足，并存在异物同谱、同物异谱现象，会出现错分、漏分的现象，从而导致其结果的分类精度不高。

        由于遥感数据本身的复杂性，虽然现在有着许许多多的分类方法，但是还没有哪一种算法是最佳的。在SVM方法中，没有准确的核函数选取方法，当针对具体的问题时，很难选择最佳的核函数；当前在稀疏表示法中，也有很多研究涉及到了信号的恢复与重建，不过因为稀疏逆问题，造成了超分辨率重建单幅影像，融合空谱数据时较为困难。能够运用到的经验也比较少，使研究更加困难。怎样构建出准确的过完备字典，使稀疏重建精度更高，信号可以跨空/谱分辨率，有效传递，也是当前的研究重点。目前遇到的主要难点就是研究新型的分类器和泛化能力强的算法；寻求多特征综合、多数据融合、多尺度复合。