3、高光谱图像分类、端元提取与光谱解混技术解析

高光谱图像分类、端元提取与光谱解混技术解析

1 高光谱图像分类技术

1.1 分类算法概述

高光谱图像分类技术是高光谱遥感领域的关键内容。有算法对波段选择后的数据进行多级聚类，包含局部和全局两个阶段。2005 年，Jimenez 等人将 ECHO 监督分类算法发展为无监督分类算法，其主要特点是简化图像空间结构的重建过程。独立成分分析（ICA）原本不适用于高光谱图像的高数据维度，2004 年，Du Q 等人将图像预处理应用于高光谱图像，使 ICA 算法具有普遍适用性；同年，Shah C 等人将 ICA 单一算法改进为 ICA 混合模型，并假设类别分布为非高斯分布，该算法对土地覆盖物的分类效果优于 K 均值算法。

1.2 参数分类与非参数分类

1.2.1 参数分类

参数分类假设类别具有特定的概率分布函数，并估计分布参数。典型的参数分类算法如下：
- 最大似然分类 ：是最具代表性的参数分类算法。
- 最近均值法 ：可视为最大似然分类器的特殊情况，假设各类训练样本的协方差和先验概率相等，判别函数仅取决于类的均值和特征向量的值，近似为线性函数。决策边界在二维平面上为直线，而最大似然分类器的决策边界为曲面或曲线。每个像素根据特征向量与各类训练样本均值向量的距离进行分类，但其精度不如最大似然分类。

近年来提出的代表性参数分类算法有：
- 2002 年，Jia X 等人提出简化最大似然分类算法，先对相关数据进行主成分变换，再用聚类空间表示类别，最终类别标记通过综合决策确定类别归属。
- 2004 年，Gomez