高光譜遙感技術(shù)具有能同時反映遙感對象空間特征和光譜特征等獨特優(yōu)勢,但這些優(yōu)勢也帶來了波段眾多 且相關(guān)性強、數(shù)據(jù)冗余度高、不利于進一步處理與利用等問題。 通過降維可以減少數(shù)據(jù)中的冗余信息,提高處理效率, 而特征提取作為降維的一種重要方法,具有降維速度快等優(yōu)點。 因此,特征提取對高光譜圖像的利用有重要意義。

1高光譜圖像降維基本原理

高光譜圖像降維方法可分為基于特征提取( Fea- ture Extraction)的方法和基于特征選擇( Feature Selec- tion)的方法兩類] 。高光譜圖像特征選擇又稱波段選擇，波段選擇的 定義是從一組數(shù)量為 K 的原始特征中，按照令準則函 數(shù) J(X)最大的原則，選擇出數(shù)量為 k(k < K)的一組特征 X，如圖 2 所示。波段選擇降維方法又可分為兩類：一類是基于信息量的波段選擇方法，例如熵與聯(lián)合熵 的方法、最佳指數(shù)法(OIF)、自適應(yīng)波段選擇法等;另 一類是基于類間可分性的波段選擇方法，例如時空維方法與光譜維方法等。

圖 1 高光譜圖像示意圖

圖 2 波段選擇過程

圖3 特征提取過程

高光譜圖像特征提取，即將原始高光譜數(shù)據(jù)從高維 光譜特征空間按照某一變換方式，投影到一個維數(shù)更低 的子空間。特征提取過程如圖 3 所示，其中 F(X1 ，…， X5 )表示一個線性或者非線性的變換方程。

波段選擇受搜索算法和準則函數(shù)的影響，不可避 免地會損失大量信息 ，而特征提取方法可以經(jīng)過變 換直接將高維數(shù)據(jù)降維到目標維數(shù)，降維速度快。

2高光譜圖像特征提取研究現(xiàn)狀

特征提取方法可分為傳統(tǒng)機器學習方法以及深度 學習方法兩類，如圖 4 所示。其中，傳統(tǒng)機器學習方法 根據(jù)特征空間映射函數(shù)的形式又可分為線性方法和非線性方法。

圖4 高光譜特征提取方法分類

2.1傳統(tǒng)機器學習方法

2.1.1線性方法

假設(shè)高維數(shù)據(jù)采樣于線性結(jié)構(gòu)中，并通過一個線性形式的變換實現(xiàn)高光譜圖像特征提取。根據(jù)利用樣本類別信息的情況，線性方法可進一步細分為無監(jiān)督、有監(jiān)督及半監(jiān)督學習3種學習方法。其中，數(shù)據(jù)集中只有部分樣本含有類別標簽，同時使用有標記和無標記樣本實現(xiàn)降維的算法屬于半監(jiān)督學習方法。因為半監(jiān)督方法的相關(guān)研究較少，所以本文著重對無監(jiān)督和有監(jiān)督方法進行介紹。1) 無監(jiān)督方法。數(shù)據(jù)集不包含類別標簽，只利用無標記樣本實現(xiàn)降維的算法屬于無監(jiān)督學習方法。2) 有監(jiān)督方法。 利用含有標簽信息的標記樣本實現(xiàn)降維的算法屬于有監(jiān)督方法，線性判別分析(LDA)等即為有監(jiān)督特征提取算法。

2.1.2非線性方法

雖然線性方法普遍具有理論成熟、原理簡單、便于實現(xiàn)和使用等優(yōu)點，但高光譜數(shù)據(jù)屬于非線性數(shù)據(jù)，利用線性方法對高光譜圖像數(shù)據(jù)進行維數(shù)約減往往無法取得滿意的效果。1) 核方法 核方法的主要思想是：在原始低維空間中無法線性劃分的數(shù)據(jù)，利用核函數(shù)將其投影到高維希爾伯特空間中線性可分，最后對變換后的數(shù)據(jù)進行降維。 核方法的優(yōu)點是有效解決了非線性數(shù)據(jù)線性不可分的問題，且計算量并沒有隨著維度的升高而顯著增加。2) 流形學習。 流形學習假設(shè)高維數(shù)據(jù)采樣于一個低維流形中，通過學習高維數(shù)據(jù)內(nèi)蘊的幾何結(jié)構(gòu)，求解數(shù)據(jù)的低維坐標及對應(yīng)的映射，從而實現(xiàn)對高維數(shù)據(jù)的降維或可視化。

2.2深度學習方法

深度學習是機器學習領(lǐng)域的分支之一，旨在構(gòu)造一個可訓練的深層模型仿效人腦分析和處理問題的過程。高光譜圖像多種多樣，一種特征提取方法很難在所有類型的數(shù)據(jù)中均取得良好的效果，這是傳統(tǒng)機器學習方法普遍存在的問題。深度學習方法很好地解決了這個問題，針對不同類型的數(shù)據(jù)學習特征，深度學習模型可以根據(jù)不同的數(shù)據(jù)自主地學習特征。

3高光譜圖像特征提取存在的問題與研究方向

3.1存在的問題高光譜圖像特征提取技術(shù)作為一種預處理技術(shù)，減少了數(shù)據(jù)中的冗余信息，提高了目標檢測、分類等后續(xù)應(yīng)用的效果，極大地促進了高光譜遙感技術(shù)的發(fā)展。但目前的特征提取技術(shù)及算法還存在很多局限性，主要表現(xiàn)在以下幾個方面。 1) 有些高光譜特征提取算法時間復雜度過高、運算時間過長，即使精度有一定提高也得不償失，不適于某些對算法實時性要求很高的場合。2) 許多高光譜特征提取算法都含有參數(shù)，對于算法的使用者而言，調(diào)參是一個耗時費力的過程，且參數(shù)的取值對算法的效果有顯著影響，所以最佳參數(shù)的選擇是一個難以解決的問題。 3) 高光譜圖像提供了豐富的空間、光譜信息，但目前絕大多數(shù)特征提取算法都只利用了高光譜圖像的光譜信息，如何高效地綜合利用高光譜圖像的空間、光譜信息是有待進一步深入研究的問題。

3.2研究方向

針對高光譜圖像特征提取方法的研究現(xiàn)狀及存在的問題，提出了一些解決問題的思路及有價值的研究方向。

1) 利用 Spark 或 CUDA 并行編程框架實現(xiàn)諸如流形學習等時間復雜度較高算法的并行化，可以有效縮短算法的運行時間。

2) 完善特征提取算法的理論體系，為解決目前存在的問題提供理論依據(jù)，例如為核方法中核函數(shù)以及核參數(shù)的選擇提供理論依據(jù)。

3) 在對高光譜圖像數(shù)據(jù)進行特征提取之前對高光譜圖像進行空間濾波，從而綜合利用高光譜圖像的空間信息及光譜信息。

4) 在實際應(yīng)用中，對高光譜圖像數(shù)據(jù)進行標記的成本較高且有些數(shù)據(jù)無法進行標記，所以無監(jiān)督或半監(jiān)督特征提取算法是后續(xù)研究的重點。

5) 深度學習作為目前機器學習領(lǐng)域最熱門的研究方向，具有許多傳統(tǒng)機器學習方法所不具備的獨特優(yōu)勢，基于深度學習的高光譜特征提取方法是一個極具價值的研究方向。

審核編輯：湯梓紅