光谱特征匹配分类方法是什么？

光谱特征匹配分类方法基于地物辐射或反射光谱曲线进行分类识别，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物覆盖类型，如决策树分类法和专家系统分类法。

决策树分类法是逐层进行分类的方法，通过逐层的分类比较循环地对数据集进行划分。决策树包含节点和路径，每棵决策树可以有一个根节点和多个子节点，从根节点到子节点包含多条分类路径。决策树可以有3种形式:单变决策树、多变决策树和混合决策树。其中，单变决策树是指节点分裂时采用相同的特征和算法;多变决策树是指节点分裂时算法相同，但选取的特征不同;混合决策树是指节点分裂时选取的特征和算法均不同。从算法复杂度来看，混合决策树最为复杂，但它可以表示更为复杂的概念，因此分类效果最好。

专家系统是指将某个领域的专家知识输入电脑，进行机器学习后辅助人们解决问题的方法。利用专家系统可以将专家的经验综合起来进行分类。将人工智能与专家系统相结合可以实现高光谱图像地物的自动分类与识别。

将光谱看作光谱空间中的多维向量，计算2个光谱向量的广义夹角，夹角越小，光谱越相似，然后以相似性阈值作为标准对未知像元光谱进行分类，这就是人们熟知的光谱角度填图( SAM, spectral angle mapping )方法。

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值编码匹配，包括分段二值编码匹配、单阈值编码匹配和多阈值编码匹配等。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类别调整匹配方法，算法简单且有效，但是光谱匹配算法的结果对噪声敏感，要求图像光谱具有很高的信噪比。在实际应用中，可以牺牲图像的空间分辨率来提高图像的信噪比。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。然而实际应用中，即使对图像进行光谱定标和反射率转换也很难完全达到光谱匹配的要求，这也是限制基于整波形特征的光谱匹配算法广泛应用的最大原因。

高光谱遥感图像的光谱波段中包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性质的外在表现。因此从光谱的特征分析入手，优化和构造具有排他性的兆谱特征参量，通过分析、比较地物特定的光谱参量就能够达到图像分类和识别的目的。

基于整波形特征的光谱匹配算法没有考虑光谱的内在物理意义。而基于光谱特征参数的匹配算法由分析光谱特征入手,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。比较典型的基于光谱特征参数的匹配算法有建立光谱吸收指数(SAI,spectral absorption index)，该方法可以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，被广泛地应用于矿物的识别和提取。Kruse 等用光谱吸收特征中最深吸收的半高宽( FWHM, full width at half the maximum depth)、波长位置和吸收深度来定义光谱吸收特征参数。光谱的辐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具有典型光谱吸收特征的光谱能够有效地识别，尤其成功地应用在对矿物的分类和识别中。该方法同基于整波形特征的光谱匹配算法一样，对噪声也是敏感的，要求图像有很高的信噪比。