高光谱成像技术的局限性在哪？

高光谱成像技术在数据挖掘方面表现了可观的潜力，但也导致了巨大的难题。那么，高光谱成像技术的局限性在哪呢？本文根据已有研究资料，进行了简单总结。

在早期的遥感图像处理研究中，人们就注意到了 Hughes现象的存在。Hughes从统计模式识别的观点指出，在监督分类问题中，给定有限数目的训练样本，当特征维数增加到一定数量时，分类精度可能会随着特征维数的增加相应地减小。这种现象和使用高光谱的初衷产生了矛盾，因为采用高光谱分辨率和维特征表达是为了能够更精细地描述目标类别以及更准确地辨别目标属性但是事与愿违，数据的复杂度导致了令人失望的解译结果。这个问题实际上是数学上所说的维数灾难，变量维数增加会导致解决问题的难度呈指数倍地增长这限制了解决问题的能力。在高光谱遥感图像解译应用中， Hughes现象非常容易产生，这里有两个原因，一是在统计意义上数量足够充足且具备代表性分布的地面真实标签样本非常难获取;二是通常假定训练数据和测试数据服从同样的数据分布，但是地物场景是复杂的，用有限数量的训练样本很难精确描绘出数据空间的真实分布情况，这个可以看作数据集合的迁移问题，当学习模型的可迁移性较差时，单纯追求解译精度可能导致预料之外的过度拟合，造成解译的结果不可靠也不稳定。而从概率论的角度，也能够比较容易地解释这个问题，根据概率论中的大数定律，当重复实验的次数足够多时，对事件发生的频率所进行的统计才会无限接近于事件本质上发生的概率。对训练样本的学习就像是对随机事件的频率统计，当训练样本数目足够多时，统计的结果才能近似于测试样本的真实概率分布。根据统计学习的有关知识，如果训练样本数量不足或者分布不具有广泛的代表性，就很难得到可靠的解译模型，学习的泛化能力很差；

人们常用图谱合一来形容高光谱遥感图像的数据构成，这是其光谱成像原理的结果，这种特性给多源特征的联合分析提供了有力的支持，在以分辨率精细的光谱信息进行解译的同时，可以利用图像信息辅助改善解译效果。融合图谱信息的解译方法一般分为两种:一种是在特征层面，将空间纹理特征和光谱特征组合后同时解译;另一种是在决策层面，在光谱解译之后，按照空间近邻关系对解译结果进行修正。这种多源信息的融合也存在一些困难，首先，如果同时解译纹理特征和光谱特征，研究者所要面对的特征空间会更加庞大， Hughes现象会更加凸显;其次，引入了空间信息，就意味着需要引人更多的先验知识才能够更精确地解译目标，比如形状、近邻关联等方面的信息；

光谱在空间上的变动也是由空间造成的。物质自身的异质性、图像分辨率、混合像素、噪声等因素都可能导致光谱的变动。这样的变动可能会造成两个对解译不利的影响:一个主要的影响是使得同类地物的光谱有了起伏，包括光谱幅度和光谱角度的差异，容易在解译过程中导致辨别的遗漏和错误;另一个是有可能使得不同目标的光谱在经过扰动之后，原本不明显的光谱差异被淹没。这两方面客观上是引入了对类内和类间进行辨别的歧义性；

通常遥感图像的数据量很大，特别是高光谱遥感图像，成百上千幅光谱图像占据的庞大数据量增加了运算和存储的资源消耗。在高维特征空间中，每个点的位置都由高维坐标表示，目标样本的特征、距离等变量的计算都要涉及这些坐标，也就需要昂贵的运算代价，降低了高光谱数据解译的效率。电子元器件的运算速度和存储能力的逐渐提高，能够在一定程度上缓解数据量带给解译技术的压力。但目标解译技术最终的发展要求是能够嵌入实时处理系统。因此在保证解译精度的前提下适当改进解译方法的计算效率，能够促进解译技术的应用。