為了克服遙感高光譜圖像中地面特征的自動化和智能化分類困難，在遙感成像過程中逐漸引入機器學習方法。研究人員提出了基于支持向量機（SVM）、極值學習機（ELM）、深度置信網絡（DBN）以及遙感高光譜圖像光譜空間特征的分類模型。將其應用于PaviaU、Botswana和Cuprite三個高光譜數據集，并在高光譜圖像特征的地形分類中將其準確性與各種分類模型的準確性進行了比較。

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

首先，研究人員選取PaviaU、Botswana和Cuprite高光譜數據集作為研究對象，通過機器學習對遙感高光譜圖像進行處理，實現特征的自動、智能分類。然后介紹了支持向量機（SVM）和極值學習機（ELM）分類算法的基本原理，并將其應用于數據集中。再利用約束Boltzmann機（RBM）調整參數估計，建立了一種基于深度置信網絡（DBN）的高光譜圖像地形分類模型。最后，對支持向量機、ELM和DBN分類算法在高光譜圖像地形分類中的準確性和一致性進行了分析和比較。結果表明，DBN算法充分利用了高光譜遙感圖像的空間和光譜信息，其分類精度優于前兩種方法。

研究背景

遙感高光譜技術是一項綜合性的新技術。遙感高光譜圖像能夠有效地保留地物的空間和光譜信息。目標檢測在遙感中具有重要的應用價值，對地形變化的分析可以及時提供有關地表大型地物變化的信息。遙感高光譜技術已廣泛應用于農業、地質、生態等領域。掌握表面物體信息對于改善周圍環境具有重要意義。因此，遙感高光譜圖像的分類具有重要的理論價值和現實意義。

機器學習技術可以通過訓練數據學習，從多樣化的數據庫中發現數據的發展趨勢，實現數據分析的自動化處理。機器學習在處理圖像、文本、語音等非線性數據方面取得了優異的效果，而機器學習中的深度學習技術在圖像識別方面有著更強的優勢。Garcia-Floriano等人提出了一種基于支持向量機的醫學圖像分類與識別方法，結果表明該方法可有效地應用于疾病的診斷與分類。

遙感高光譜圖像已廣泛應用于軍事、醫療和農業監測領域。在高光譜圖像的獲取和傳輸過程中，會受到光照、大氣和輻射的影響，因此高光譜圖像中會產生大量的噪聲，影響圖像數據的可信度，給后續的處理和分析帶來不便。

因此，高光譜圖像中噪聲的特征提取一直是研究的熱點。機器學習可以有效地去除高光譜圖像中的噪聲，而高光譜圖像中的目標檢測對于遙感技術的應用具有重要意義。

研究方法

不同的地物表現出不同的光譜特征和空間分布特征，因此有必要根據地形光譜圖像的信息特征和空間分布特征來識別和判斷圖像類別。假設高光譜圖像數據構成一個立方體（其中M， N，和L數據的分類性能主要取決于圖像類別、光譜數據的維數、訓練過程中使用的樣本數、分類器和分類方法。由于高光譜數據的分類類似于元分類，因此可以從整個可變空間進行分類。用一類平均向量來表示特征空間中的坐標。通過使用分類函數來劃分區域來對數據進行分類。高光譜圖像的分類過程如圖所示。

在遙感高光譜圖像預處理中，主要采用基于分水嶺和空間正則化的方法對圖像進行分割。光譜空間模型分類框架如圖所示。

結論

為了研究機器學習在遙感高光譜圖像地形識別和分類中的性能，建立了基于DBN的圖像分類模型。將其應用于實際高光譜圖像數據的分類中，并與SVM和ELM模型的分類性能進行了比較。結果如下：

（I） 不同地物信息類型的光譜曲線具有較高的相似性，這增加了大型數據集的分類難度，影響了不同類型地物分類的準確性。

（2） 根據地物的光譜特征和空間特征，對遙感高光譜圖像中的地物進行了分類，為提高各種算法的分類精度奠定了基礎。

（3） DBN模型能夠有效地提取高光譜圖像的特征，并對各種類型的地物進行分類。

（4） DBN模型在遙感高光譜圖像地物分類性能上優于SVM和ELM模型。

然而，高光譜圖像中存在較強的空間維紋理信息和較多的噪聲，而這些因素對分類性能的影響還沒有得到考慮。因此，有必要將濾波和紋理增強相結合來提高模型的分類精度。研究結果為提高遙感高光譜圖像地形分類的效率提供了理論依據。
責任編輯：YYX