高光譜成像儀可以獲得豐富的圖像信息和光譜信息，這些信息經過處理具有很高的價值和應用空間。那么，高光譜成像儀圖像有哪些類型？本文簡單介紹了高光譜圖像分類方法和類型。

?

高光譜圖像分類方法綜述

高光譜圖像分類的主要作用機理是，按照待測地物的空間幾何與光譜信息，來劃分圖像中的每個像素，劃作不同的類別。高光譜圖像可采用監督和非監督兩種分類方法。其中的區別在于：非監督分類用于對分類區知之甚少的情況下，在統計和分類時，完全依據的是照像元的光譜特性。非監督分類運算將原始圖像的全部波段運用到其中，分類結果與各類像元數有著相類似的比例。因為無需人工干預，非監督分類可采用高度自動化來完成。

非監督分類具體步驟如下：初始化各個分類、判斷專題、分類合并、確定色彩、分類處理、定義色彩、轉換柵格矢量、統計分析。監督分類更依賴于用戶的控制，適用于對研究區域了解較透徹的情況下。在這種分類過程中，先選一些能夠識別的，或者借助其它信息正確判斷出類型的像元，來構建模板，再通過這一模塊，使計算機系統對于具有相同特性的像元進行識別。評價分類結果后，對模板進多次優化，從而使它更為準確，并以此為基礎做最后的分類。

監督分類步驟如下：訓練樣本并構建模塊、評價模塊、確定出初步分類圖、檢驗所得到的分類結果、二次處理、進行分類特征的計算、轉換柵格矢量。接下來介紹一些典型的監督分類方法和非監督方法。

?

高光譜圖像監督分類方法

1?平行多面體分類方法

平行多面體分類方法，是種圖像分類方法，指在多維特征空間中，每類形成一個平行多面體，待分個體進入其中便被歸屬，否則就拒絕的。分類時若使用這種方法，就要進行數據的訓練和學習，從而得出基本的統計量信息。假如，類別和波段數量分別為m和n個；S/j. S/j. M,j分別代表標準差、像元X在j波段的像元值和i類第j波段的均值。

即若是這個像元的各波段的灰度值都滿足了以上標準時，則可以在第i列中歸入像元X，即class(X) =i；否則，像元X就不能被劃入己知類，即class (X) ?-0。

這個方法并不算難，而且計算的速度是比較快的。但是也有一些問題存在，即劃分的平行多面體不同于實際形態，可能會造成兩個類出現相互重疊，難以混淆。

2最大似然分類

最大似然分類又叫作貝葉斯分類，該分類是一種新的圖像分類方法，依據的是貝葉斯準則理論。是指在判定兩類和多類時，以最大似然貝葉斯判決準則法作為判斷標準，依據統計方法，進行非線性判別函數集的編寫，假定每個分類都存在正太的分布函數，對訓練區進行正確的選擇，對每個待分類區進行計算，求得相應的歸屬概率，再進行分類。這種方法的優勢是方便快捷，比較簡單；以貝葉斯原理為基礎，再與其它先驗知識結合分類，使得密度分布函數可以非常有效的解釋分類結果。在波段較少的多波段數據中，這種方法可完美使用。同時，這個方法的分類時間隨波段信息的增長成二次方增長；對訓練樣本要求高，訓練的樣本必須超過波段數。

3人工神經元網絡分類

人工神經網絡(Artificial Neutral Networks，ANN) 是模仿人的腦部思維和神經網絡構建而成的，自適應性比較強，容錯性也很高。在當前，人工神經網絡在大量應用于各行各業，功能較強大，可完成控制智能化、信息的高效處理、組合優化等。神經網絡發展至今，己分為多個種類，包括BP、RBF、自組織競爭、概率神經以及對象傳播等神經網絡。

1) ?BP神經網絡：這種屬于多層神經網絡，達到三層以上，各層神經元間沒有緊密的聯系，泛化性能較優，在數據壓縮、模式識別、函數逼近中大量使用。

2) ?RBF神經網絡：RBF神經網絡是種性能極佳的前向網絡，它的優越表現在可實現最佳逼近，并可以克服局部最小化。RBF神經網絡在函數的傳遞上，也有多種方法，常見的為以下3種：

①?Gaussian函數：

②?自組織競爭神經網絡：這種神經網絡有著較好的自適應學習能力，可適用于模式分類和識別。

③?概率神經網絡：這種神經網絡能夠解決分類問題，在網絡結構的設計上，引用了貝葉斯判別函數，大大減少了錯誤。

④?對象傳播神經網絡：具備雙向記憶功能是這種神經網絡的主要優點，通過引入競爭層，使得輸入、輸出模式實現了相互映射。在模式分類、統計分析、數據壓縮、函數近似等領域應用較廣。

?

高光譜圖像非監督分類方法

1?K-means分類

K-means分類方法是最典型的目標函數聚類方法，以原型為依據。包含了以下流程：

1) 從n個數據對象任意選擇k個對象作為初始聚類中心(m,，m2，m3，…，mk) ；

2) 依據各個聚類中心對象，即對象的均值來計算出與它距離最近的聚類中心，并將對象向聚類中心做以分配。

3) 對各個聚類的均值做二次計算：

K-means方法是比較快捷和簡單的，不過初始聚類中心和最佳聚類數也會影響到聚類結果。

2?ISODATA方法

ISODATA (Iterative Selforganizing DataAnalysis) ，又叫作迭代自組織數據分析。它是在先驗不足的情況下，通過給出一個初始聚類，然后再判斷其是否達標，再利用迭代法反復調整，最后得出一個準確的聚類。其采用以下步驟：

1) 選擇初始值，設置聚類分析控制參數。可以運用各種參數指標，按照指標，將所有模式標本向各個聚類中心進行分配。

2) 對各類中全部的樣本的距離指標函數進行計算。

3) 依據要求，對前一次所得到的聚類集進行分裂，并做并合處理，從而計算出新的聚類中心和分類集。

4) 再次做迭代運算，對各項指標進行計算，以判斷結果是否達標，直至求出最理想的聚類結果。

IOSDATA算法規則十分明確，便于計算機實現，但是要把握好迭代的次數，防止出現分類不到位的現象。

3?譜聚類方法

譜聚類算法是依據譜圖理論所設計的高性能聚類方法。它是基于以下原理：假設{x1，x2，…，xn) 代表n個聚類樣本，圖G= (V，E) 可用于表示數據之間的關系，其中V代表頂點集。E代表連接任何兩點邊的集合。在圖中，每個樣本xi都可作為頂點，兩頂點間的關聯性Wij可通過Xi與xj相連邊的權值來表示。權值矩陣度量圖G中，每個頂點間的相似性共同構成相似矩陣，記作W。為了實現圖的劃分，需要在空中優化某一準則，使同一類的點差別較小，不同類的點差別較大。通常準則函數的優化問題可以通過求解相似矩陣的特征值和特征向量來解決，通過分解相似矩陣的特征值，得到原有的數據集的譜映射，再利用聚類劃分算法去計算映射得到的新樣本空間，最終得到分類結果。該聚類算法僅與樣本點的個數有關，而數據的維數對其沒有影響。并且，其對聚類數據樣本空間的形狀沒有特殊要求，容易得到最優解。

?

高光譜圖像的新型分類方法

1 支持向量機分類法

支持向量機(Support Vector Machine，SVM) 是新的分類方法，由Vapnic等人所設計，以統計學理論為基礎。近年來，在圖像識別中，支持向量機己得到應用，這和中方法的工作機理是，先設計出最佳的線性超平面，最大化它的正與反例間的隔離邊緣，從而實現超平面的尋找算法的最優解。SVM作為一種高維的監督分類方法，它是有著不受休斯效應影響的優勢，有著不錯的效果。但同時，這種方法也有一定缺陷。首先，最大的問題是核函數的選擇缺乏指導性，當針對具體的函數時，選擇最佳的核函數是一個比較難的問題，還有就是這個方法的計算量較大。

2 ?最小二乘支持向量機分類法

近些年發展了許多SVM的變形，其中最小二乘SVM將優化問題的約束條件變為等式約束，從而不用花費大量的時間解決二次規劃問題，使得分類效率大大提高。其算法表達式為：

最小二乘法SVM在運算的速度上有很大的優勢，但其也是有其的缺點。首先來說，最小二乘法會影響到數據的稀疏性，每個數據點都會影響分類模型的構建。然后其估計值的穩定性是低于標準的SVM。同時，在傳統SVM基礎上，還設計出了拉普拉斯支持向量機(Laplacian?Support VectorMachine，LapSVM) ，它是通過對流形正則化項的添加，無標簽和有標簽樣本的幾何信息來構造分類器。LapSVM具備能預測未來測試樣本的標簽、全局優化、適應性強的特點，更深入的方面就不再贅述。

3?決策樹分類法

決策樹分類法是一種很典型的分類方法，這種分類方法對數據的準備沒有太多太高的要求，只是有時需要做比較多的預處理，分類的速度很快。其分類過程分為兩步：

1) 構建決策樹模型。分兩步進行，一是建樹；二是剪枝。建樹是利用遞歸過程來完成的，最后要形成一棵樹；剪枝的目的在于降低訓練集雜聲造成影響。

2) 使用己生成的決策樹來對輸入的數據進行分類。對待測樣本的屬性值從根節點依次測試和記錄，直到某個節點，從而找到待測樣本的屬性值。

?