2025《高光谱图像处理技术的发展研究国内外文献综述》6500字.docxVIP

高光谱图像处理技术的发展研究国内外文献综述

目录

TOC\o1-3\h\u15090高光谱图像处理技术的发展研究国内外文献综述 1

257801.1高光谱图像分类方法研究现状 1

104761.2深度学习理论研究现状 2

80581.3有限训练样本下高光谱图像分类方法的研究现状 4

6944参考文献 7

随着高光谱遥感技术的飞速发展，最初仅根据光谱维信息进行提取的高光谱图像分类技术显然不能满足人们在实际应用中的要求。如何对高光谱图像中包含的丰富光谱以及空间信息进行联合处理，并从中提取出具有鲁棒性的特征，完成对高光谱图像的分类已然成为现代遥感技术领域的热点问题。

另一方面，近年来，随着深度学习在人工智能领域崭露峥嵘，许多深度学习的改进算法还有模型被应用在了高光谱图像分类领域，使得分类精度得到了改善和提高，其中卷积神经网络的相关模型表现的效果尤为出色。同时，注意到深度学习模型在训练时需要大量标记训练样本来抑制过拟合现象，而现实中的高光谱遥感图像仅存在有限的训练样本，寻找解决二者之间矛盾的方法也显得尤为重要。

1.1高光谱图像分类方法研究现状

在早期的高光谱遥感图像分类研究中，高光谱图像的分类仅利用了图像中的光谱维信息，在光谱不同波段对样本进行特征提取。传统的监督分类方法例如：最小距离分类器、K近邻分类以及支持向量机（SupportVectorMachines,SVM）等REF_Re\r\h[1]。其中，SVM的特殊性能最突出,其既仅仅可以用于二分类，也同样可以用来解决多分类问题。SVM的主要设计思想就是在两类样本之间线性可以区分的条件下，用一个超平面把两类样品点进行切分，使两类样品中距离超平面最近的一个样品点距离最远。当样本非线性可以细化分时，最优决策表面为非线性结构，此时采用与其相关的核算方法对该结构数据进行了降维处理，最终解决问题可转换成线性条件来解决。鉴于这种模型具备较快的学习速度，并且其分类精确度较其他传统算法更高，SVM在实际遥感影像分类中已经得到了较为广泛的应用。然而，包括SVM在内的这些传统模型在设计时仅从遥感图像的光谱角度出发，以像元作为基本单元进行分类，并没有考虑高光谱图像的空间特征，无法对同谱异物的情形进行有效地处理，且存在Huges现象、特征非线性等问题REF_Re\r\h[2]，导致在实际应用中的效果较为一般，在一些领域达不到实际工程要求。

随着成像光谱仪的改进以及测绘设备精度的不断提高，高光谱图像中的二维空间域信息得以利用。结合一维光谱信息与二维空间信息进行特征提取以及分类的技术——空-谱联合分类方法，极大程度上改善了高光谱图像分类精度。Kettig等人提出了窗口分类的方法REF_Re\r\h[3]，对原图像进行均匀的取块，首次在高光谱图像处理中引入了空间信息，开创了空-谱信息融合处理的先河，但由于当时的图像空间分辨率不高并且该方案对空间信息的发掘不充分，导致最终分类精度不高。Tarabalka等人结合聚类法，利用分水岭的思想，采用分割法在实际处理分析中引入空间特征REF_Re\r\h[4]，提升了分类模型性能。Liu等提出一种新的空谱联合分类算法REF_Re\r\h[5]，该方法通过计算训练以及测试像素之间的欧氏距离，从而得到光谱信息，再通过计算训练像素与测试像素的空间信息，二者结合并采用最小残差法实现分类任务。

在结合空间信息的众多研究方法中，基于形态学提取空间信息的方法较为简单方便，并且效果良好，得以在高光谱图像处理领域广泛使用。形态学理论起源于上世纪中期，由Serra和Matheron共同完成了数学形态学的概念与理论。在随后的几十年里，数学形态学的相关理论得以完善与发展。基于形态学的理论，Pesaresi等首次通过一系列开闭运算将形态学特征应用到了高光谱图像分类领域REF_Re\r\h[6]。随后，Palmason等又在前者的基础上提出了将扩展形态学特征作为空间特征REF_Re\r\h[7]，再与光谱特征进行融合，得到空谱特征，进而应用在了高光谱以及高分辨率图像的分类中。Sun提出几种基于扩展形态学的优化算法REF_Re\r\h[8]，并结合主动学习，对空间信息进行了充分的利用，并得到了较好的分类结果。

1.2深度学习理论研究现状

1.2.1深度学习的发展

深度学习理论的诞生源于早期对人工神经网络的研究。从最初仿照神经元结构建立的MP神经元数学模型、到单层感知器、再到可以解决异或问题的多层