高光譜遙感數(shù)據(jù)在進(jìn)行實(shí)際應(yīng)用前,需要進(jìn)行波段選擇并提取光譜特征,降低數(shù)據(jù)維數(shù)。雖然波段選擇明顯地減小了高光譜圖像數(shù)據(jù)處理量,在后續(xù)應(yīng)用任務(wù)中基本能夠取得較好的效果,但仍然面臨一些問題與挑戰(zhàn)。本文進(jìn)行了簡(jiǎn)單總結(jié)高光譜圖像波段選擇的三大挑戰(zhàn),亟待提出有效的解決方案。
泛化能力衡量的是波段選擇算法在提取高光譜圖像光譜特征時(shí)適應(yīng)變化的能力。根據(jù)變化對(duì)象的不同,泛化能力可分為針對(duì)樣本的泛化和針對(duì)任務(wù)的泛化。前者對(duì)于不同的輸入樣本,算法選擇的波段在當(dāng)前任務(wù)上都能取得較好的結(jié)果。樣本在監(jiān)督學(xué)習(xí)中占有非常重要的地位,訓(xùn)練樣本所包含的信息及其在數(shù)據(jù)中的分布直接影響著模型的性能和泛化能力。但高光譜圖像大規(guī)模標(biāo)記樣本庫(kù)的建立十分困難,對(duì)于小樣本應(yīng)用任務(wù)問題,由于可供算法學(xué)習(xí)的訓(xùn)練樣本相對(duì)較少,算法容易出現(xiàn)過擬合的現(xiàn)象,使模型泛化能力下降,對(duì)未知樣本的波段選擇結(jié)果將會(huì)受到影響。針對(duì)任務(wù)的泛化是指對(duì)于同種類的不同應(yīng)用任務(wù),如分類里邊的農(nóng)作物分類、樹木分類、礦物分類等不同任務(wù),參數(shù)反演里的植物葉綠素反演、土壤重金屬物定量反演、水質(zhì)參數(shù)反演等不同任務(wù),目標(biāo)探測(cè)里邊的特殊植物探測(cè)、建筑物探測(cè)、飛機(jī)探測(cè)等不同任務(wù),算法選擇的波段均有較好的效果,即波段選擇算法模型對(duì)于同類型的多任務(wù)是泛化的。
現(xiàn)有波段選擇算法都是針對(duì)單一的、特定的高光譜圖像解譯任務(wù)設(shè)定的,對(duì)于具有相同規(guī)律的不同應(yīng)用任務(wù)或當(dāng)數(shù)據(jù)類型和處理對(duì)象發(fā)生變化時(shí),原有的波段選擇算法模型不能繼續(xù)給出合適的選擇結(jié)果。針對(duì)不同的應(yīng)用任務(wù),如何將原有的波段選擇算法很好地移植;針對(duì)數(shù)據(jù)類型和對(duì)象的多樣化,如何使波段選擇算法具有良好的適應(yīng)性,成為波段選擇算法面臨的一項(xiàng)重要挑戰(zhàn)??赏ㄟ^深度學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)生成的虛擬圖像以增加訓(xùn)練數(shù)據(jù),并根據(jù)樣本可能的變化做出相應(yīng)的調(diào)整,解決樣本泛化的問題。采用遷移學(xué)習(xí)將已取得良好性能的網(wǎng)絡(luò)模型結(jié)構(gòu)應(yīng)用到相近的應(yīng)用任務(wù)中,通過參數(shù)微調(diào)等方法提高算法對(duì)不同任務(wù)的泛化能力。
高光譜圖像波段選擇數(shù)量的確定,目前還沒有統(tǒng)一的標(biāo)準(zhǔn)。較普遍的一種方法是在進(jìn)行波段選擇之前,人為確定一個(gè)波段數(shù)量N,在執(zhí)行波段選擇模型過程中選擇滿足判斷標(biāo)準(zhǔn)的前N個(gè)波段S10]。這種波段個(gè)數(shù)確定的方法,通常沒有理論依據(jù)支撐,多數(shù)靠研究者的經(jīng)驗(yàn)。另一種觀點(diǎn)認(rèn)為,高光譜圖像總體特征維數(shù)隨圖像中地物類別數(shù)線性增加,因此以類別的數(shù)量作為光譜波段的選擇數(shù)量1。也有研究者提出了漸進(jìn)式波段數(shù)量確定法4.1],即通過擴(kuò)展或減少波段數(shù)量來漸進(jìn)地選擇波段,這種漸進(jìn)式波段確定過程是通過各種應(yīng)用確定的條件來停止的。
總的來說,當(dāng)選擇較少數(shù)量的波段時(shí),波段之間的區(qū)別較大,相關(guān)性小,但部分特征信息可能被遺漏。當(dāng)選擇較大數(shù)量的波段時(shí),波段之間高度相關(guān),部分波段提供的是冗余重復(fù)信息。如何確定使應(yīng)用任務(wù)性能優(yōu)良、計(jì)算時(shí)間短、復(fù)雜性低的波段數(shù)量仍然是一個(gè)具有挑戰(zhàn)性的問題??芍攸c(diǎn)研究嵌入式特征選擇方法,將波段個(gè)數(shù)的確定與任務(wù)的性能結(jié)合起來,通過網(wǎng)絡(luò)模型迭代訓(xùn)練、反向傳播等算法使二者在性能上達(dá)到平衡。
當(dāng)前以光譜來區(qū)分地物時(shí),是通過其完整波形進(jìn)行判斷的。但地物光譜中真正具有識(shí)別意義的是光譜完整波形曲線中的一系列光譜吸收特征,這些吸收特征的位置、深淺和形狀信息與物質(zhì)的屬性、成分、形狀及所處環(huán)境因素密切相關(guān)0叫。因此,波段選擇的每個(gè)波段都對(duì)應(yīng)一定的光譜診斷特征,選定的波段組合能區(qū)分特定的地物類別。但對(duì)這種波段和光譜診斷特征對(duì)應(yīng)關(guān)系、波段組合和地物特征對(duì)應(yīng)關(guān)系的研究并不深入,甚至是不清楚的。當(dāng)前的研究更側(cè)重于將波段選擇作為復(fù)雜的數(shù)學(xué)問題建模求解,未來的研究應(yīng)更注重波段組合所代表的物理含義,將所選波段與其在實(shí)際應(yīng)用中的貢獻(xiàn)聯(lián)系起來。深入探索地物光學(xué)特性、地物電磁反射與波段之間的關(guān)系,了解波段電磁反射值代表的物理意義將是可行的解決方案。
隨著高光譜遙感圖像光譜、空間分辨率的不斷提高和應(yīng)用領(lǐng)域的日益廣泛,繼續(xù)引入智能搜索、優(yōu)化算法和深度學(xué)習(xí)等領(lǐng)域的新理論、新模型,發(fā)展更先進(jìn)、更有效、智能化的波段選擇方法也是未來高光譜圖像波段選擇技術(shù)的主流發(fā)展方向。
微信二維碼掃描