分析和研究高光谱相机图像可以更好得知道物质的性质和构成，在整个高光谱研究中占有重要地位。那么，高光谱图像有哪些类型？本文根据已有研究资料，简单总结了高光谱图像的分类方法。

高光谱图像数据将地物光谱信息和图像信息融为一体，其数据具有两类表述空间：几何空间和光谱特征空间(张兵和高连如，)。

1.几何空间

直观表达每个像元在图像中的空间位置以及它与周边像元之间的相互关系，为高光谱图像处理与分析提供空间信息。

2.光谱特征空间

高光谱图像中的每个像元对应着多个成像波段的反射值，近似连续的光谱曲线表达为一个高维向量，向量在不同波段值的变化反映了其所代表的目标的辐射光谱信息，描述地物的光谱响应与波长之间的变化关系。其优势是特征维度的变化以及扩展性。对于同样的高光谱数据，能够从最大可分性的角度在更高维的特征空间中观察数据分布，或者映射到一系列低维的子空间。因此将高光谱像元向量作为高维特征空间里的数据点，根据数据的统计特性来建立分类模型。模式识别成为图像分类的理论基础，基于该方法的分类成为应用最广泛分类方式。光谱特征空间的弱点是无法表达像元间的几何位置关系。

从高光谱图像分类框架(图可以看出，其核心问题的解决方案在于两方面：一是特征挖掘，特征是高光谱图像分类的重要依据，通过变换和提取得到不同地物类别具有最大差异性的特征，能够极大提高感兴趣类别的可分性程度；二是分类器设计，利用适合的分类器有利于发现复杂数据的内涵，如非线性特征等，从而提高高光谱图像分类的精度。

高光谱图像分类方法按照分类器设计不同可划分为监督法、非监督法、半监督法、混合法、集成法和多级法六大类(Chutia等，)。本文根据参与分类过程的特征类型及其描述不同，将高光谱图像分类算法划分为基于光谱特征分类、整合空间与光谱特征分类以及多特征融合分类。

1.基于光谱特征分类。

光谱特征是高光谱图像中区分地物的决定性特征，基于光谱特征分类囊括了高光谱图像分类的大部分方法。它主要包括个方面：

①谱曲线分析

即利用地物物理光学性质来进行地物识别，如光谱夹角填图(童庆禧等，)等。

②谱特征空间分类

主要分为统计模型分类方法与非参数分类方法。基于统计模型的最大似然分类是传统遥感图像分类中应用最为广泛的分类方法(Richards和Jia，)，最小距离、马氏距离分类器均为最大似然法特定约束条件下的变形。非参数分类算法一般不需要正态分布的条件假设。主要包括了决策树(Goel等，)、神经网络(Ratle等，)、混合像元分类(Lu和Weng，7)以及基于核方法的分类，如支持向量机(Melgani和Bruzzone，4；Du等，)和子空间支持向量机(Gao等，a)等。此外，针对小样本问题提出的半监督分类(Dópido等，)、主动学习(Di和Crawford，；Crawford等，)方法可利用有限的已知训练样本挖掘大量的未标记像元样本。

目前，基于稀疏表达的高光谱图像分类越来越受到

转载请注明:http://www.aideyishus.com/lkgx/6099.html