常用的高光谱图像分类方法

在高光谱图像的分类方法中，既有传统的最大似然分类、最小距离分类、神经元网络分类等，又有基于高光谱特征的光谱角度匹配法、二值编码匹配法、光谱相似度测定法等。在使用过程中都有其优缺点。该文拟采用最大似然分类和光谱角度匹配法来对比处理分析包络线消除前后的高光谱图像文件。

(1)最大似然分类法(Maximum Likelihood Classification,MLC)

监督分类的一种，它基于Bayes准则，判别函数是统计模式识别的参数方法，需要各类的先验概率P(w;)和条件概率密度函数P(w,x)已知。P(w.)通常根据各种先验知识给出或假设它们相等；P(w,x)则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。其判别函数集为：

Di(X)=P(w,lx),/=1,2,…,m若Di(X)≥Dj(X)j≠Lj=1,2,…,m则X为w,类。

(2)光谱角度匹配法(Spectral Angle Mapper,SAM)

所谓光谱角度匹配法是以地物的反射光谱在很大程度上可以决定地物类型的遥感物理为理论基础，以反射光谱的形状作为识别地物的特征来导出的。它是目前高光谱图像分析中较常用的方法，在一些高光谱图像处理软件中都包括有。该方法将象元N个波段的光谱响应作为N维空间的矢量，则可通过计算它与最终光谱单元的光谱之间广义夹角来表征其匹配程度：夹角越小，说明越相似(F.A.Kruse et al,1993)。两矢量广义夹角余弦为：

X·Y

cos(a)=

[XHYT

最终光谱单元光谱可从光谱库中的标准光谱中选取，也可从图像上提取已知点，求出其平均光谱而得到。在实际应用中，由于地物组成复杂，一个图像像元点对应的地物不纯粹，它的光谱通常是多种物质光谱的合成，很难找到标准光谱，因此常常先从图像中选取已知类型的区域，以其平均光谱作为样本中心进行分类，对每一未知像元求与各类中心的反射光谱向量的广义夹角，将该像元归人夹角最小的类别中。然而该方法太多强调了光谱的形状特征，容易因为光谱维上的噪声及特征波段信息的微弱而降低分类精度。