高光谱遥感有哪些类别？高光谱遥感精细分类

高光谱遥感是近年来快速发展的遥感技术，其通过获取地物光谱信息，实现对地物的精细分类和识别。那么，高光谱遥感有哪些类别呢？本文简单介绍了高光谱遥感精细分类。

在遥感分类中，地物(特别是植被)类型丰富且光谱相似，高光谱数据相对于多光谱数据具有较高的光谱分辨率，能够更为全面、细致的获取地物光谱特征及其差异性，从而大幅度提高地物分类的类别精细度和准确度。

但是，高光谱遥感精细分类中主要存在以下问题：第一、高光谱数据成百上千的光谱波段带来了巨大的运算量，分类Hughes现象不容忽视，而且对监督分类中训练样本的需求也大幅增加；第二、随着传感器空间分辨率的提高，分类结果中椒盐噪声严重影响分类结果的应用。

针对数据冗余问题，Shang等人(2015)提出了基于植被特征库构建与优化的植被分类策略，综合利用原始光谱特征、空间特征及植被生化参量敏感的光谱特征指数构建植被特征库，基于类对可分性(CPS)对植被特征库光谱维优化，主要指标为

式中，B为Bhattachryya距离，ui和uj分别是类别i与类别j图像变量的均值矢量，Ci和Cj分别是类别i与类别j在波段子集上的协方差矩阵。

式中，JM为J-M距离，p(x/Wi)为条件概率密度，也就是第i个像元属于第Wi个类别的概率。

式中，OIF(Optimum Index Factor)为最优索引因子，i和j为波段号，Si为第i个波段的标准差，Rij为第i个波段与第j个波段的相关系数，n为从总的波段N中选择的波段数，1≤n≤N。

此外，还提出基于邻域光谱角距离的植被特征库空间维优化方法，对空间维进行滤波优化的同时，充分利用了植被光谱维特点。在有训练样本的情况下，该算法可基于训练样本自动选定阈值进行计算，在无训练样本的情况下，也可以根据用户手动设置阈值进行计算。

半监督分类算法同时利用了少量已标记样本和大量未标记样本，大幅度降低了分类器对已标记样本的需求，对高光谱遥感数据的小样本分类具有重要意义。利用直推支持向量机的方法进行样本增量，可实现半监督学习过程(Gomez-Chova等，2008；Tuia和Camps-Valls，2011)，也可通过基于主动学习策略的样本增量方法对高光谱影像进行半监督分类(Di和Crawford，2011；Li等，2011；Patra和Bruzzone，2012)。

尚坤提出了基于光谱角距离—欧氏距离双重判定的渐进直推支持向量机(SAD/ED-PTSVM)分类算法，有效利用高光谱数据的光谱维信息，降低未标记样本的误标记概率，进而降低标签重置带来的时间成本，并有效简化了传统直推支持向量机的参数设置，提高分类效率。

此外，提出结合混合像元分解进行主动学习的支持向量机(SUAL-SVM)分类方法，有效提高分布较少的植被类别的识别精度，利用更少的标记样本实现更高的总体分类精度，有效减轻样本标记工作量，减少分类器样本训练所需时间。

在基于植被特征库构建与优化的植被精细分类基础上，引入面向对象的方法以减弱椒盐噪声对分类结果的影响，提出了基于植被特征库构建和面向对象的半监督分类方法(Zhang等，2016b)，经过PHI航空高光谱数据的验证表明，该方法可得到较高的分类精度。