机器学习在遥感高光谱图像中的应用

　　为了克服遥感高光谱图像中地面特征的自动化和智能化分类困难，在遥感成像过程中逐渐引入机器学习方法。研究人员提出了基于支持向量机（SVM）、极值学习机（ELM）、深度置信网络（DBN）以及遥感高光谱图像光谱空间特征的分类模型。将其应用于PaviaU、Botswana和Cuprite三个高光谱数据集，并在高光谱图像特征的地形分类中将其准确性与各种分类模型的准确性进行了比较。

　　研究成果以“Adoption of Machine Learning in Intelligent Terrain Classification of Hyperspectral Remote Sensing Images”为题，于2020年9月在《Computational Intelligence and Neuroscience》杂志上发布。

　　首先，研究人员选取PaviaU、Botswana和Cuprite高光谱数据集作为研究对象，通过机器学习对遥感高光谱图像进行处理，实现特征的自动、智能分类。然后介绍了支持向量机（SVM）和极值学习机（ELM）分类算法的基本原理，并将其应用于数据集中。再利用约束Boltzmann机（RBM）调整参数估计，建立了一种基于深度置信网络（DBN）的高光谱图像地形分类模型。最后，对支持向量机、ELM和DBN分类算法在高光谱图像地形分类中的准确性和一致性进行了分析和比较。结果表明，DBN算法充分利用了高光谱遥感图像的空间和光谱信息，其分类精度优于前两种方法。

　　研究背景

　　遥感高光谱技术是一项综合性的新技术。遥感高光谱图像能够有效地保留地物的空间和光谱信息。目标检测在遥感中具有重要的应用价值，对地形变化的分析可以及时提供有关地表大型地物变化的信息。遥感高光谱技术已广泛应用于农业、地质、生态等领域。掌握表面物体信息对于改善周围环境具有重要意义。因此，遥感高光谱图像的分类具有重要的理论价值和现实意义。

　　机器学习技术可以通过训练数据学习，从多样化的数据库中发现数据的发展趋势，实现数据分析的自动化处理。机器学习在处理图像、文本、语音等非线性数据方面取得了优异的效果，而机器学习中的深度学习技术在图像识别方面有着更强的优势。Garcia-Floriano等人提出了一种基于支持向量机的医学图像分类与识别方法，结果表明该方法可有效地应用于疾病的诊断与分类。

　　遥感高光谱图像已广泛应用于军事、医疗和农业监测领域。在高光谱图像的获取和传输过程中，会受到光照、大气和辐射的影响，因此高光谱图像中会产生大量的噪声，影响图像数据的可信度，给后续的处理和分析带来不便。

　　因此，高光谱图像中噪声的特征提取一直是研究的热点。机器学习可以有效地去除高光谱图像中的噪声，而高光谱图像中的目标检测对于遥感技术的应用具有重要意义。

　　研究方法

　　不同的地物表现出不同的光谱特征和空间分布特征，因此有必要根据地形光谱图像的信息特征和空间分布特征来识别和判断图像类别。假设高光谱图像数据构成一个立方体（其中M， N，和L数据的分类性能主要取决于图像类别、光谱数据的维数、训练过程中使用的样本数、分类器和分类方法。由于高光谱数据的分类类似于元分类，因此可以从整个可变空间进行分类。用一类平均向量来表示特征空间中的坐标。通过使用分类函数来划分区域来对数据进行分类。高光谱图像的分类过程如图所示。

　　在遥感高光谱图像预处理中，主要采用基于分水岭和空间正则化的方法对图像进行分割。光谱空间模型分类框架如图所示。

　　结论

　　为了研究机器学习在遥感高光谱图像地形识别和分类中的性能，建立了基于DBN的图像分类模型。将其应用于实际高光谱图像数据的分类中，并与SVM和ELM模型的分类性能进行了比较。结果如下：

　　（I） 不同地物信息类型的光谱曲线具有较高的相似性，这增加了大型数据集的分类难度，影响了不同类型地物分类的准确性。

　　（2） 根据地物的光谱特征和空间特征，对遥感高光谱图像中的地物进行了分类，为提高各种算法的分类精度奠定了基础。

　　（3） DBN模型能够有效地提取高光谱图像的特征，并对各种类型的地物进行分类。

　　（4） DBN模型在遥感高光谱图像地物分类性能上优于SVM和ELM模型。

　　然而，高光谱图像中存在较强的空间维纹理信息和较多的噪声，而这些因素对分类性能的影响还没有得到考虑。因此，有必要将滤波和纹理增强相结合来提高模型的分类精度。研究结果为提高遥感高光谱图像地形分类的效率提供了理论依据。
责任编辑：YYX