高光谱图像处理与信息提取前沿

[DOI: 10.11834/jrs.20166179]

过去30年间，高光谱遥感技术迅猛发展，与之配套的图像处理与信息提取技术也不断突破。高光谱图像兼具空间与光谱双重信息，但其波段多、数据量大、混合像元普遍等特点，也带来了诸多技术挑战。

一、高光谱图像处理的四大关键问题

高光谱图像的信息提取，核心要解决4个关键难题，这也是所有技术研发的出发点：

1. 数据高维冗余：波段多且相邻波段相关性强，数据冗余显著，同时噪声易导致光谱“失真”，增加处理负荷，需通过数据降维压缩量、提升效率。
2. 混合像元普遍：受遥感器空间分辨率限制，单个像元常包含多种地物，其光谱是多种地物光谱的叠加，制约分类与目标探测精度。
3. 分类难度大：存在Hughes现象、维数灾难、数据非线性分布等问题，传统像元级分类易受同物异谱影响，产生噪点。
4. 目标探测复杂：亚像元、低出露、小概率目标易受背景干扰，常出现虚警率过高的问题，需稳定可靠的探测方法。

二、核心技术：噪声评估与数据降维

高光谱图像的噪声会导致光谱失真，而数据高维冗余会增加处理难度，因此噪声评估与数据降维是预处理的核心环节。

1. 噪声评估图像噪声主要分为周期性噪声和随机噪声，随机噪声通常视为与信号无关的加性噪声，模型表示为：式中，为包含噪声的图像，为图像信号，为图像噪声，常用高斯白噪声模拟，其概率密度函数为：噪声评估主要分为两类方法：

• 空间域方法：如均匀区域法、地学统计法、局部均值与局部标准差法，后者通过分割图像子块、计算标准差评估噪声，经优化后可降低空间纹理的影响。
• 光谱域方法：如空间光谱维去相关法（SSDC）、HRDSDC方法，利用光谱维高相关性去除信号，通过残差估算噪声，稳定性更强、自动化程度更高。

2. 数据降维数据降维分为特征提取和波段选择两类，核心是用低维数据有效表达高维信息，保留关键特征。特征提取：通过数学变换实现信息综合与减维，经典方法包括：

• 主成分分析（PCA）：基于方差最大化的正交线性变换，方差计算公式为：
• 最大噪声分离（MNF）变换：根据噪声分数排列成分，噪声分数公式为：，可解决PCA在噪声分布不均时的缺陷。
• 非线性方法：如流形学习、核主成分分析等，通过核函数将数据映射到高维空间，实现非线性降维。波段选择：选择包含地物核心特征的波段子集，分为监督（需地物类别先验信息）和非监督两类，常用评价函数有信息熵、离散度、Bhattacharyya距离等，结合遗传算法、蚁群优化等实现高效搜索。

三、核心技术：混合像元分解

混合像元分解的核心的是“端元提取”（确定混合像元的组成地物）和“丰度反演”（计算各地物占比），主要分为3类模型：

1. 线性光谱混合模型（LSMM）假设光谱混合为线性叠加，应用最广泛，模型表示为：式中，为端元的丰度，为模型误差。经典算法包括PPI、N-FINDR、VCA等，近年结合蚁群、粒子群等智能算法优化，提升端元提取精度。
2. 非线性光谱混合模型（NLSMM）考虑光子多重散射，分为专用模型（如针对矿物的Hapke模型、针对植被的SAIL模型）和通用模型（如双线性模型）。其中多端元双线性NM模型为：约束条件：，式中为Hadamard积。求解方法包括贝叶斯估计、神经网络、核函数等。
3. 正态组分模型（NCM）将端元视为正态分布的随机变量，考虑光谱变异性，模型表示为：式中为丰度，满足非负和为一约束。该模型是LSMM的扩展，求解难度更高，常用SEM、MCMC等近似算法。

四、核心技术：图像分类

高光谱图像分类的核心是挖掘特征与设计分类器，主要分为三类方式：

• 基于光谱特征分类：包括光谱曲线分析、统计分类（最大似然、SVM）、稀疏表示、深度学习等，是最基础的分类方式。
• 空-谱融合分类：融合空间相关性（如马尔可夫随机场MRF）、纹理特征（灰度共生矩阵、Gabor滤波器），或采用面向对象、超像元分类，降低噪声影响，提升精度。MRF模型框架为：。
• 多特征融合分类：结合光谱、纹理、形状及LiDAR、GIS多源数据，进一步提升复杂场景下的分类精度。

五、核心技术：目标探测与异常探测

高光谱图像可识别与背景差异细微的目标，分为监督（目标探测）和非监督（异常探测）两类：

1. 目标探测（监督）基于二元假设（目标存在/不存在），经典算法包括：

• 自适应匹配滤波器（AMF）：
• 约束能量最小化（CEM）：
• 正交子空间投影（OSP）：近年引入稀疏表示技术，将目标探测转化为L0范数最小化问题，进一步提升探测效果。

2. 异常探测（非监督）核心是寻找光谱与背景差异大、数量少的异常地物，以RXD算法为核心，模型基于多元正态分布，表达式为：衍生出Global-RX、Local-RX、核RX、加权RX等改进算法，降低虚警率，提升亚像元目标探测精度。

六、高性能处理技术

为满足实时处理需求，三种硬件架构成为核心支撑，实现算法加速：

• DSP（数字信号处理器）：适合并行处理，功耗可控，可实现CEM、OSP等算法，通过多DSP互联提升效率。
• FPGA（现场可编程门阵列）：模块化、流水并行，可实现端元提取、目标/异常双模式在轨实时处理，灵活适配不同算法。
• GPU（图形处理器）：数据级并行能力强，可实现降维、解混、分类、探测全流程加速，提速可达数十倍，满足近实时处理需求。未来，低功耗AI专用芯片（如寒武纪芯片、TrueNorth）将成为发展趋势，支撑智能在轨处理。

七、未来展望

高光谱遥感技术正迈向智能化，未来发展重点集中在三个方向：

1. 多学科交叉：融合机器学习、人工智能新方法，创新信息提取理论。
2. 软硬件协同：优化算法与硬件架构的匹配，实现“所见即所得”的实时信息提取。
3. 应用驱动：结合国产高光谱载荷，满足实际应用需求，推动技术普及与商用化。高光谱图像处理与信息提取技术的突破，将进一步释放高光谱遥感的应用价值，为国民经济、国防建设提供更精准的技术支撑。

本文高频引用句及对应参考文献

1. 高光谱图像处理与信息提取的核心研究方向集中于噪声评估与数据降维、混合像元分解、图像分类、目标与异常探测四大领域，高性能硬件与算法的协同优化是实现实时处理的关键支撑。（张兵. 高光谱图像处理与信息提取前沿[J]. 遥感学报, 2016, 20(5): 1066-1088.）
2. 线性光谱混合模型（LSMM）因其物理意义明确、计算简便，仍是当前混合像元分解的主流方法，而考虑光谱变异性的正态组分模型（NCM）则为无纯像元场景提供了有效解决方案。（张兵. 高光谱图像处理与信息提取前沿[J]. 遥感学报, 2016, 20(5): 1066-1088.；Stocker A, Schaum A. A statistical approach to spectral mixture analysis[C]//Proceedings of the IEEE International Geoscience and Remote Sensing Symposium. 1997: 1435-1437.）
3. 空-谱融合分类与多源数据融合技术，有效缓解了高光谱图像分类中的Hughes现象，显著提升了复杂场景下地物分类精度。（张兵. 高光谱图像处理与信息提取前沿[J]. 遥感学报, 2016, 20(5): 1066-1088.；童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016, 20(5): 689-707.）
4. 高光谱遥感正逐步迈向智能化，多学科交叉、软硬件协同、应用驱动将成为未来技术发展的三大核心方向，智能在轨处理将推动高光谱技术的广泛普及。（张兵. 高光谱图像处理与信息提取前沿[J]. 遥感学报, 2016, 20(5): 1066-1088.；张兵, 孙旭. 高光谱图像光谱混合模型研究进展[J]. 遥感学报, 2015, 19(1): 1-15.）
5. 高光谱遥感成像技术凭借高光谱分辨率，能够描述地物丰富的光谱特征，对於地物精细分类与识别具有重要意义，而数据高维冗余、混合像元等问题仍是制约其应用的关键瓶颈。（张兵. 高光谱图像处理与信息提取前沿[J]. 遥感学报, 2016, 20(5): 1066-1088.；张兵团队. 智能高光谱遥感发展展望[R]. 第七届国际高光谱图像与信号处理大会(IEEE WHISPERS 2015), 2015.）

稍微整理了一下自己以后可能用到的引文，仅供参考