高光谱遥感图像波段选择研究-莱森光学-电子发烧友网

高光谱成像遥感技术可获取地物的光谱、辐射和空间信息，在国民经济的各个领域得到广泛的应用。但其狭窄的波段间距带来丰富光谱信息的同时，也带来了信息冗余，增加了数据处理的难度。因此，高光谱遥感数据在进行实际应用前，需要进行波段选择并提取光谱特征，降低数据维数。

当前高光谱遥感图像波段选择采用的策略主要包括：

（1）以评价准则为依据的波段选择

（2）以特征选择方式为依据的波段选择

（3）以训练样本为依据的波段选择

（4）以与应用模型的关系为依据的波段选择

一、以评价准则为依据的波段选择

从波段选择采用的评价准则来看，高光谱遥感图像的波段选择方案包括：

（1）以信息量作为波段选择的标准，选择信息总量最大的波段子集，通常采用信息熵、互信息、交叉熵、联合信息熵、信息散度、方差、协方差矩阵特征值等来构建信息量的评价指标。需要注意的是，噪声对基于信息论的这些指标的影响较大，噪声大的波段会导致较大的方差，同时也会降低与其他波段的相关性而被误选，但这些受到噪声或者异常影响的波段往往具有较低的鲁棒性和可靠性。

（2）以类别可分性作为波段选择标准，期望选取的波段子集有利于研究地物的分类识别。衡量类间可分性大小常以距离来度量，典型的度量指标有离散度、B距离（Bhattacharyya distance）、JM距离（Jeffreys Matusita distance）等。

以波段间的相关度作为波段选择的标准，选择相关性最弱的波段子集，以减小信息冗余，常用光谱相关系数、光谱角、光谱信息散度和正交投影散度等作为度量指标。

二、以特征选择方式为依据的波段选择

本研究所用遥感数据以谷歌地球引擎（GEE）为分析平台。这是由谷歌、卡内基梅隆大学和美国地质调查局联合开发的基于云计算的地理信息处理系统。此平台提供了大量影像数据，通过依靠Google的高性能集群服务器对影像进行在线可视化处理，信息提取十分快捷。本研究所用的卫星数据源为陆地卫星地表反射率数据（LSR）系列数据和哨兵二号多光谱2a级数据集。

LSR系列数据包含陆地卫星专题制图仪（TM）、陆地卫星增强型专题制图仪（ETM+）、陆地卫星陆地成像仪（OLI）影像，时间分辨率为16d，空间分辨率为30m，均包含3个可见光波段及一个近红外波段。LSR数据产品是通过陆地卫星生态系统扰动自适应处理系统（LEDAPS）处理，利用大气表观反射率（TOA）和亮温（BT）数据，对太阳光谱辐射传输模型（6S）中的卫星信号进行二次模拟，生成地表反射率（SR）数据。SR数据已经过辐射定标、大气校正等处理，最大限度地消除了大气散射、吸收、反射引起的误差。Sentinel-2MSIlevel-2a数据集为经过处理后的大气底层反射影像，时间分辨率5d，共7个波段，其中4个可见光及1个近红外波段的空间分辨率为10m，短波红外和1个红边波段的空间分辨率为20m

三、以训练样本为依据的波段选择

根据是否依靠样本先验信息，将高光谱图像波段选择分为监督波段选择和非监督波段选择。监督波段选择利用标记的训练样本参与波段选择过程，使得选出的波段子集具有较好的实际应用性能。但因训练样本需要进行实地调查，其获得的成本高，耗时费力，有时甚至无法获得，使得监督波段选择的使用受限。非监督波段选择不需要除影像本身之外的其他先验性的训练样本信息，只根据影像本身的特点进行选择，在样本难以获得的情况下更具实用性。由于没有标记样本而无法获得高光谱图像的准确信息，非监督波段选择一般以波段信息量和波段间的相关性为准则来进行选择。同时，这些波段容易受到噪声或者异常的影响，往往具有较低的鲁棒性和可靠性。此外，非监督波段选择技术一般并不针对特定的应用，因此选择的波段子集的实际应用效果较有监督选择的波段子集差。

四、以与应用模型的关系为依据的波段选择

依据波段选择与应用模型学习算法的关系，高光谱遥感图像的波段选择分为：

（1）过滤式波段选择，该方法先按评价指标对高光谱数据进行波段搜索，然后再训练模型学习器，波段选择过程与应用模型的学习算法无关，二者之间相互独立。这种方法相当于先用波段选择过程对数据进行“过滤”，再用过滤后的特征来训练模型，特点是计算量小，速度快，但波段选择结果与应用模型所需性能偏差较大。

（2）封装式波段选择，该方法将应用模型的建立与波段搜索的过程结合起来，利用模型学习算法的训练准确率作为波段子集的评价准则，因而应用模型性能精度较高，波段选择结果偏差小，但每次波段子集评价都需要重新训练学习器，运算复杂度高，计算开销大，不适用于大规模数据集。

（3）嵌入式波段选择，该方法在应用模型学习器的训练过程中通过优化目标函数自动完成波段选择。其性能介于过滤式和封装式法之间，相对于封装式法，嵌入式法避免了评估每一个波段子集对学习器进行的重复训练；相对于过滤式法，嵌入式法的波段选择结果与应用模型适应性更好。但嵌入式法性能的优劣依赖于参数调整，且目标函数构造较困难。