高光譜遙感技術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

假設高維數(shù)據(jù)采樣于線性結構中，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)內蘊的幾何結構，求解數(shù)據(jù)的低維坐標及對應的映射，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域的分支之一，旨在構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作為一種預處理技術，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)應用的效果，極大地促進了高光譜遙感技術的發(fā)展。但目前的特征提取技術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