基于高光谱图像分类的分析研究

本文简单介绍高光谱图像分类相关的特征提取、特征选择、分类方法
介绍
近年来，高光谱图像分类得到了广泛的研究，然而，高光谱遥感图像特征维度高、波段间相关性强以及光谱混合等特性给高光谱图像分类带来一些困难。目前有机器学习、模式识别、图像处理、深度学习等知识应用于高光谱图像分类。

由于高光谱数据的维度高、数据之间存在冗余等特点，经过前人研究表明，对高光谱数据的预处理可以提高分类精度。其中波段选择和波段提取属于预处理的一部分，波段选择的好坏直接影响分类的精度。高光谱图像的波段选择是保留原始图像信息的前提下，选择相关性弱、可分性强的波段对数据降维。
波段（特征）选择关键问题是：
①　合适的准则是特征选择的关键所在；
②　寻找高效的子集搜索算法；
典型的特征选择准则有互信息、信息散度、相关性、梯度上升、光谱角距离、等方法。此外，一些常用的降维方法包括主成分分析法（PCA）、线性判别（LDA）、对不符合高斯分布的数据利用独立成分分析（ICA）等其他一些改进的方法，其中互信息表现出较好的性能。
在解决盲分解问题时，通常都是利用非监督技术（主成分分析、非负矩阵分解、独立成分分析）。
在分类模型的选择方面，根据样本标签的有无可以分为监督分类算法和非监督分类算法。监督分类算法通常能取得比非监督更好的分类效果，如常用的支持向量机（SVM）算法。此外，由于单个分类器所能达到的精度有限，所以有人提出将多个分类器进行集成的方法。
集成学习可以分为两种：
①　将多个弱学习器来学习任务，然后通过一定的结合策略，将其组合成一个强学习器，该方案适合同质学习器。
②　模型融合，即在已训练出多个学习器的情况下，直接通过一定的融合策略将它们进行强强联合，该融合适合异质学习器，差异性较大的学习器。
本人是研究高光谱图像分析的小白，文中如有错误的地方，请多指教