高光譜遙感是近年來快速發(fā)展的遙感技術(shù)，其通過獲取地物光譜信息，實現(xiàn)對地物的精細(xì)分類和識別。那么，高光譜遙感有哪些類別呢？本文簡單介紹了高光譜遙感精細(xì)分類。

?

在遙感分類中，地物(特別是植被)類型豐富且光譜相似，高光譜數(shù)據(jù)相對于多光譜數(shù)據(jù)具有較高的光譜分辨率，能夠更為全面、細(xì)致的獲取地物光譜特征及其差異性，從而大幅度提高地物分類的類別精細(xì)度和準(zhǔn)確度。

但是，高光譜遙感精細(xì)分類中主要存在以下問題：第一、高光譜數(shù)據(jù)成百上千的光譜波段帶來了巨大的運算量，分類Hughes現(xiàn)象不容忽視，而且對監(jiān)督分類中訓(xùn)練樣本的需求也大幅增加；第二、隨著傳感器空間分辨率的提高，分類結(jié)果中椒鹽噪聲嚴(yán)重影響分類結(jié)果的應(yīng)用。

針對數(shù)據(jù)冗余問題，Shang等人(2015)提出了基于植被特征庫構(gòu)建與優(yōu)化的植被分類策略，綜合利用原始光譜特征、空間特征及植被生化參量敏感的光譜特征指數(shù)構(gòu)建植被特征庫，基于類對可分性(CPS)對植被特征庫光譜維優(yōu)化，主要指標(biāo)為

?

式中，B為Bhattachryya距離，ui和uj分別是類別i與類別j圖像變量的均值矢量，Ci和Cj分別是類別i與類別j在波段子集上的協(xié)方差矩陣。

?

式中，JM為J-M距離，p(x/Wi)為條件概率密度，也就是第i個像元屬于第Wi個類別的概率。

?

式中，OIF(Optimum Index Factor)為最優(yōu)索引因子，i和j為波段號，Si為第i個波段的標(biāo)準(zhǔn)差，Rij為第i個波段與第j個波段的相關(guān)系數(shù)，n為從總的波段N中選擇的波段數(shù)，1≤n≤N。

?

此外，還提出基于鄰域光譜角距離的植被特征庫空間維優(yōu)化方法，對空間維進行濾波優(yōu)化的同時，充分利用了植被光譜維特點。在有訓(xùn)練樣本的情況下，該算法可基于訓(xùn)練樣本自動選定閾值進行計算，在無訓(xùn)練樣本的情況下，也可以根據(jù)用戶手動設(shè)置閾值進行計算。

半監(jiān)督分類算法同時利用了少量已標(biāo)記樣本和大量未標(biāo)記樣本，大幅度降低了分類器對已標(biāo)記樣本的需求，對高光譜遙感數(shù)據(jù)的小樣本分類具有重要意義。利用直推支持向量機的方法進行樣本增量，可實現(xiàn)半監(jiān)督學(xué)習(xí)過程(Gomez-Chova等，2008；Tuia和Camps-Valls，2011)，也可通過基于主動學(xué)習(xí)策略的樣本增量方法對高光譜影像進行半監(jiān)督分類(Di和Crawford，2011；Li等，2011；Patra和Bruzzone，2012)。

?

尚坤提出了基于光譜角距離—歐氏距離雙重判定的漸進直推支持向量機(SAD/ED-PTSVM)分類算法，有效利用高光譜數(shù)據(jù)的光譜維信息，降低未標(biāo)記樣本的誤標(biāo)記概率，進而降低標(biāo)簽重置帶來的時間成本，并有效簡化了傳統(tǒng)直推支持向量機的參數(shù)設(shè)置，提高分類效率。

此外，提出結(jié)合混合像元分解進行主動學(xué)習(xí)的支持向量機(SUAL-SVM)分類方法，有效提高分布較少的植被類別的識別精度，利用更少的標(biāo)記樣本實現(xiàn)更高的總體分類精度，有效減輕樣本標(biāo)記工作量，減少分類器樣本訓(xùn)練所需時間。

?

?

在基于植被特征庫構(gòu)建與優(yōu)化的植被精細(xì)分類基礎(chǔ)上，引入面向?qū)ο蟮姆椒ㄒ詼p弱椒鹽噪聲對分類結(jié)果的影響，提出了基于植被特征庫構(gòu)建和面向?qū)ο蟮陌氡O(jiān)督分類方法(Zhang等，2016b)，經(jīng)過PHI航空高光譜數(shù)據(jù)的驗證表明，該方法可得到較高的分類精度。