高光谱分类方法研究论文

高光谱遥感在地质应用研究中，光谱分类技术亦很重要。用得较多的方法有最大似然性法（MLC），人工神经元网络法（ANN）和高光谱角度制图法（SAM）。

1.最大似然性法（MLC）

MLC法可谓是经典的分类方法，已在宽波段遥感图像分类中普遍采用。它主要根据相似的光谱性质和属于某类的概率最大的假设来指定每个象元的类别。MLC法最大优点是能快速指定被分类象元到若干类之中的一类中去。但对于高光谱数据。如再加上类别数较多时，MLC法的运算速度则明显减慢，且所需的训练样本亦很大。为了减少计算工作量，Jia＆Richards（1994）发现通过将高光谱数据分成几个波长组能够减少处理时间。他们改进的MLC法称简化最大似然性判别函数（SMLDF）。依据所有波段间的相关性分成若干连续的波段组，由这些不同波段组构成每个类别的协方差阵，再从每个波段组计算出判别函数值，最后求所有波段组产生的函数值的和.对每个象元分类。该法与传统的MLC比较，能显著地减少计算时间，特别是对高光谱数据的处理更为明显，同时能保证几乎与传统MLC结果的精度相同。另外，这种方法所要求的每类训练样本数明显地比传统MLC所要求的少。因此可降低准备训练样本的成本。其基本算法简述如下。

传统的MLC算法的判别函数由下式表示：

中亚地区高光谱遥感地物蚀变信息识别与提取

i=1，2，…C

式中：x为象元光谱向量，mi为第i类均值向量，∑i为第i类N×N的协方差阵，其中N为总光谱波段数，C是类别数。式（4-9）的判别准则一般如下：对于j（j=1，2，…，C；j≠i），假如gi（x）＞gj（x）则

x∈ωi （4-10）

式中：ωi为第i类光谱类别。

如前所述，这种方法已被广泛应用在宽波段遥感中，如对MSS、TM及SPOTHRV数据的MLC分类。随着光谱维（波段数）N的增大（如AVIRIS数据的波段数大于200），有两个难题需要解决：一是由于N的增大相应分类时间成平方增长；二是对于一些小类别，为了保证可靠的估计结果，所需要的训练样本可能不够。Jia ＆ Richards（1994）对光谱数据先分成几个波段组再进行分类的技术（SMLDF）就是针对上述两大难题设计的。高光谱数据相邻波段间的相关性一般都比较高，与相隔较远的波段相关性较低。

2.人工神经元网络技术（ANN）

人工神经元网络（ANN）技术能被用于多源数据的综合分析，特别是处理没有一定分布（如正态）、定性或名义的数据（Yang等，1997；Gong，1996；Sui，1994；Peddle等，1994；和Bendikts-son等，1993）。因此这类技术备受重视，已在遥感图像分类（如Civco，1993；Salu ＆ Tilton，1993；Dreyer，1993；Azimi-Ssdjadi等，1993；Kanellopoulos等，1992；Liu＆Xiao，1991）、自然资源分析与预测（如 Gopal＆Woodcock，1996；Gong等，1994；Guan＆Gert-ner，1991a＆1991b；Yin＆Xu，1991）及特征提取（如Fiset等，1996）中得到应用。神经元网络首先要求一定数量的具有已知样本特征的训练样本，然后用训练好的网络结构对待处理样本（象元）进行分类处理。在高光谱地质遥感中，ANN技术被用来识别矿物和成图（如Yang等，1997；Benediktsson等，1995）。ANN技术的不足之处是在高光谱数据分析中由于波段多（输入模式多），常需要很长的迭代时间，且不易找到全局最佳解。另外，不能事先确定ANN的结构参数值，一般需根据具体数据集的实验确定（Gong等，1997）。

3.光谱角度制图法

光谱角度制图法（SAM，即夹角余弦方法）通过计算一个测试光谱（象元光谱）与一个参考光谱之间的“角度”来确定它们两者之间的相似性。参考光谱可以是实验室光谱或野外测定光谱或是从图像上提取的象元光谱。这种方法假设图像数据已被缩减到“视反射率”，即所有暗辐射和路经辐射偏差已经去除。它被用于处理一个光谱维数等于波段数的光谱空间中的一个向量（Knlse等，1993 a；Baugh等，1998）。下面通过两波段（二维）的一个简单例子来说明参考光谱和测试光谱的关系。它们的位置可考虑是二维空间中的两个光谱点。各个光谱点连到原点可以代表所有不同照度的物质。照度低的象元比起具有相同光谱特征但照度高的象元往往集中在原点附近（暗点）。SAM通过下式确定测试光谱ti与一个参考光谱ri的相似性：

中亚地区高光谱遥感地物蚀变信息识别与提取

式中：nb等于波段数。这种两个光谱之间相似性度量并不受增益因素影响，因为两个向量之间的角度不受向量本身长度的影响。这一点在光谱分类上可以减弱地形对照度的影响（它的影响反映在同一方向直线的不同位置上）。结果，实验室光谱可直接用来与遥感图像视反射率光谱比较而达到光谱分类识别的目的。具体应用SAM方法直接实现光谱匹配分类可参考童庆禧等（1997）在总结Board-man（1990）的SAM方法基础上提出的执行流程。利用高光谱数据，这种技术在地质矿物分类成图中的应用较有潜力。例如，Miyatake＆Lee（1997）应用SAM技术和高光谱数据在美国内华达州的北Cuprite和Goldfield 地区编制的交错矿物图。Yang等（1997）和 Baugh等（1998）也利用此法和AVIRIS图像数据分别在美国内华达州Cuprite矿产区和南Cedar山区编制矿产图，获得成功。