高光谱图像分类的算法是什么？

经过几十年的发展,高光谱遥感图像数据的处理和分析技术得到了长足的进步,在传统分类算法的基础上，形成了一系列面向高光谱图像特点的分类算法。这些算法可以总结为两种思路。一种是基于地物物性的分类方法，主要是利用反映地物物理光学性质的光谱曲线来识别;另一种思路是基于 图像数据的分类方法，主要是利用数据的统计特性来建立分类模型。基于物性，即基于地物的光谱反射或发射曲线的分类识别方法最具特色。这种方法的特点是利用光谱库中已知的光谱数据，采用匹配的算法来识别图像中地面覆盖类型。这种匹配可以是在全波长范围内的比较,或基于整波形特征的光谱曲线匹配，也可以利用感兴趣波段的光谱，进行部分波长范围的光谱或光谱组合参量进行匹配，即基于光谱特征的光谱匹配，如特征优化的专家决策分类。

基于光谱间最小距离的匹配算法是计算未知光谱和参考光谱数值之间的距离，然后根据最小二乘原则进行分类的匹配方法。光谱间的距离可以是欧氏距离、马氏距离和巴氏距离等。这种方法对噪声最为敏感，所以在匹配前需要对光谱进行去噪声处理。

光谱角度匹配(spectral angle mapping,SAM)方法把光谱看作多维矢量,计算两光谱向量的广义夹角，夹角越小，光谱越相似，按照给定的相似性的阈值将未知光谱进行分类。SAM最大的特点是夹角值与光谱向量的模无关，也就是与光谱的绝对数值无关，即与图像的增益系数无关，只比较光谱在形状上的相似性。这个特点也是SAM和最小距离分类方法的最大区别和优势。基于光谱相似系数匹配的一个典型算法是Meer&Bakker建立的交叉相关光谱匹配技术(cross correlogram spectral mapping,CCSM)，这种算法考虑了图像光谱和参考光谱之间的相关系数、偏度和相关显著性标准，通过计算图像光谱和参考光谱在不同光谱位置(波段、波长位置)的交叉相关系数，绘制交叉相关曲线图，相同地物的光谱曲线的交叉相关曲线匹配最好。

光谱匹配的另外一种形式是编码匹配，比较简单的编码匹配是光谱二值编码，包括分段二值编码单阈值编码和多阈值编码等。使用二值编码匹配算法有助于提高图像光谱数据的分析处理效率，但是由于这种技术在处理编码的过程中会失去许多细节光谱信息,因此只适用于粗略的分类和识别,所以编码的方法有待改进。

基于整波形特征的光谱匹配算法不需要对光谱进行复杂的分析，也不必根据不同的地物而调整匹配方法,算法简单且行之有效，但是光谱匹配算法的结果对噪声敏感,要求图像光谱有很高的信噪比。在实际的应用中,可以牺牲图像的空间分辨率来提高图像的信噪比。限制基于整波形特征的匹配方法广泛应用的最大原因是:如果使用的参考光谱是实验室光谱或者地面测量光谱，在匹配前必须对图像进行光谱定标和反射率转换,然而实际上,对图像光谱进行定标和反射率转换都很难达到光谱匹配的要求。

高光谱遥感图像的光谱波段间隐含着特定的物理含义光谱曲线的形状特征是地物内在物理化学性质的外在反映。因此从光谱的特征分析人手,优化和构造具有排他性的光谱特征参量，通过分析、比较地物特定的光谱参量就能够达到分类和识别。

基于整波形特征的光谱匹配没有考虑到光谱的内在物理意义,而基于光谱特征参数的匹配算法从分析光谱特征入手，从光谱曲线上提取有意义的光谱特征参量，如吸收光谱的位置和吸收深度，通过少数的参数匹配来完成图像像元的分类和识别。比较典型的有王晋年等建立的光谱吸收指数(spectral ab-sorptionindex,SAI)技术，可进行高光谱遥感图像处理和鉴别光谱吸收特征，也可以进行混合光谱分解,广泛地应用于矿物的识别和提取。Kruse等人用光谱吸收特征的最深吸收的半波长宽(full width at half the maximum depth,FWHM)、波长位置和吸收深度来定义光谱吸收特征参数。光谱的发射特征同样可以作为光谱的特征参量用于光谱识别。

基于光谱特征参量的匹配算法对有典型的光谱吸收或发射特征的光谱能够有效的识别，尤其能成功地 应用在对矿物的分类和识别中。但是这种算法需要将光谱转换成地物的反射率光谱，因为成像过程中的许多不确定因素造成反射率转换的困难,严重限制了这种方法的使用。另外,同基于整波形的光谱匹配算法一样，基于光谱特征参量的匹配算法对噪声也是敏感的,要求图像有很高的信噪比。