核RX算法异常检测及多分类器融合技术研究-模式识别与智能系统硕士论文

硕硕 士士 学学 位位 论论 文文 题题 目目: : 核核 RX 算法算法异常检测及多分类异常检测及多分类 器器融合技术研究融合技术研究 研研 究究 生生 吴 香 伟 专专 业业 模式识别与智能系统 指导教师指导教师 郭 宝 峰 研究员 完成日期完成日期 2015 年 3 月 万方数据 杭州电子科技大学硕士学位论文杭州电子科技大学硕士学位论文 核核RX算法异常检测及多分类算法异常检测及多分类器器融合技融合技 术研究术研究 研研 究究 生：生： 吴香伟 指导教师：指导教师： 郭宝峰 研究员 2015 年 3 月 万方数据 Dissertation Submitted to Hangzhou Dianzi University for the Degree of Master Kernel RX Algorithm of Anomaly Detection and Multiple Classifier Fusion Technology Candidate: Wu Xiangwei Supervisor: Prof. Guo Baofeng March，2015 万方数据 杭州电子科技大学杭州电子科技大学 学位论文原创性声明和使用授权说明学位论文原创性声明和使用授权说明 原创性声明原创性声明 本人郑重声明： 所呈交的学位论文，是本人在导师的指导下，独立进行研 究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人 或集体已经发表或撰写过的作品或成果。 对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 论文作者签名： 日期： 年 月 日 学位论文使用授权说明学位论文使用授权说明 本人完全了解杭州电子科技大学关于保留和使用学位论文的规定，即：研 究生在校攻读学位期间论文工作的知识产权单位属杭州电子科技大学。 本人保证 毕业离校后，发表论文或使用论文工作成果时署名单位仍然为杭州电子科技大 学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文 的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论文。(保密 论文在解密后遵守此规定) 论文作者签名： 日期： 年 月 日 指导教师签名： 日期： 年 月 日. 万方数据 杭州电子科技大学硕士学位论文 I 摘摘 要要 高光谱遥感影像具有丰富的空间图像信息与光谱辐射信息，广泛应用于环 境监测、民用领域、军事领域和资源探测领域。本文主要是对高光谱数据中异常 目标检测与分类算法展开研究，主要工作包括以下几个部分： （1）论文介绍了高光谱遥感影像的应用背景和研究意义，综述了高光谱国 内外研究现状。并且阐述了目前异常检测技术和分类技术的研究状况。 （2）对传统 RX 异常检测算法的阐述，并介绍了几种改进型的 RX 异常检 测算法。对几种算法进行比较，阐述各自的优缺点。 （3）对传统 RX 算法和单一核 RX 算法进一步研究，提出一个加权组合核 RX 算法。该算法不仅具有高斯核函数的局部特性，也具有多项式核函数的全局 特性。加权组合核函数在结构层面上反映光谱特征和空间特征，更能有效地挖掘 地物信息。 通过中国科学院长春光学精密机械与物理研究所提供的高光谱数据和 拍摄于美国加州萨利纳斯山谷 AVIRIS 高光谱数据共同验证了该方法的有效性。 （4）提出一种联合异常检测的多分类器融合算法。该方法用监督分类 AdaBoost 算法和 SVM 算法，并结合 RX 异常检测算法对异常目标进行分类，再 对这两种分类算法进行决策级融合。其中，使用 RX 异常检测算法是为了去除大 部分背景数据，留下小部分目标数据进行分类。实验证明该方法不仅提高了分类 精度，也提高了目标分类的效率。在训练样本的选取方面，选择了光谱指纹库中 的光谱指纹作为训练样本，减少人工干预，更符合实际应用。 关键字：高光谱遥感影像，异常检测，分类，核 RX 算法，决策级融合 万方数据 杭州电子科技大学硕士学位论文 II ABSTRACT Hyperspectral remote sensing image data contains abundant spatial image information and spectral radiation information. It is widely used in environmental monitoring, civilian areas, military field and natural resource exploration. This thesis main content is anomaly target detection and classification algorithm of hyperspectral image. The structure of this thesis is as follows: (1) The chapter introduces the application background and research significance of hyperspectral remote sensing image, and summarizes situation of the researches at home and abroad. At the same time, it describes the current research situation of anomaly detection and classification technology. (2) In this paper, we introduce the traditional RX algorithm of anomaly detection technology, and present several kinds of modified RX anomaly detection algorithms. According to by comparing these algorithms, we know the advantages and disadvantages of them. (3) The traditional RX algorithm and a single kernel RX algorithm of further research, a weighted combination kernel RX algorithm is proposed in this paper. It not only has the limitation of the Gaussian kernel function, but also the global performance of polynomial kernel function. The weighted combination kernel function has spectral characteristics and space characteristics on structural dimension, so, it can be more efficient access to land feature information. The hyperspectral data provided by the Institute Changchun Optical Precision Machinery and Physics, Chinese Academy of Sciences and AVIRIS data, which is captured in the Salinas valley of California Indicate the effectiveness of the method. (4) One kind of multiple classifier fusion technology based on Anomaly detection is proposed in the fourth chapter. AdaBoost algorithm and SVM algorithm are two kinds of classification algorithms. They combine with RX anomaly detection algorithm to classify of target. Then, the two kinds of classification results fuse together by using decision level fusion technology. Using RX anomaly detection technology in order to detect most parts of anomaly targets and ruling out most background points. The experimental result shows that the algorithm not only can improve the accuracy of classification, but also improve efficiency of classification. In 万方数据 杭州电子科技大学硕士学位论文 III order to accord with the practical application, the experiment reduces manual intervention. So, in the selection of training samples, we choose spectral fingerprints as the training sample. Keywords： Hyperspectral Remote Sensing Image, Anomaly Detection, Classification, Kernel RX Algorithm, Decision Level Fusion 万方数据 杭州电子科技大学硕士学位论文 IV 目目 录录 摘 要. I ABSTRACT . II 目 录. IV 第一章 绪 论. 1 1.1 研究背景与意义 . 1 1.2 高光谱遥感概述及国内外研究现状 . 2 1.2.1 高光谱遥感概述. 2 1.2.2 高光谱遥感国内外研究现状. 4 1.2.3 高光谱异常检测算法研究现状. 5 1.2.4 高光谱分类算法研究现状. 6 1.3 本文的主要内容和组织结构 . 8 第二章 RX 算法及变形介绍 . 10 2.1 引言. 10 2.2 经典 RX 异常检测算法 . 10 2.3 IRX 异常检测算法 . 11 2.3.1 线性子空间模型. 11 2.3.2 IRX 算法 . 12 2.4 UTD 等改进 RX 异常检测算法 . 12 2.5 实验结果与分析. 14 2.5.1 实验数据的介绍. 14 2.5.2 RX 算法和 IRX 算法实验结果 . 14 2.5.3 UTD 等改进 RX 算法的实验结果 . 16 本章小结. 18 第三章 基于加权组合核 RX 算法及其参数优化 . 19 3.1 引言. 19 3.2 核函数方法. 19 3.2.1 核函数的映射. 19 3.2.2 常用核函数. 20 万方数据 杭州电子科技大学硕士学位论文 V 3.2.3 加权组合核函数. 21 3.3 核 RX 算子异常检测算法 . 22 3.4 加权组合核函数的参数优化. 24 3.4.1 爬山法参数选择. 24 3.4.2 粒子群算法参数选择. 25 3.5 实验结果与分析. 26 3.5.1 实验数据. 27 3.5.2 参数选择结果与分析. 28 3.5.2.1 参数选择实验结果. 28 3.5.2.2 实验结果分析. 30 3.5.3 核函数实验结果与分析. 31 3.5.3.1 实测数据实验结果. 31 3.5.3.2 实测数据实验结果分析. 32 3.5.3.3 AVIRIS 数据实验结果 . 32 3.5.3.4 AVIRIS 数据实验结果分析 . 34 3.6 虚警率选取分析. 34 本章小结. 35 第四章 基于异常检测的多分类器融合技术研究. 37 4.1 引言. 37 4.2 AdaBoost 分类算法 . 37 4.2.1 AdaBoost 算法原理 . 37 4.2.2 多分类算法介绍. 39 4.2.3 实验过程介绍. 41 4.2.4 实验结果与分析. 42 4.3 支持向量机分类算法. 46 4.3.1 支持向量机算法原理. 46 4.3.2 实验结果与分析. 47 4.4 分类决策级融合. 52 4.4.1 决策级融合方法. 53 4.4.2 实验结果与分析. 53 万方数据 杭州电子科技大学硕士学位论文 VI 4.5 光谱指纹. 54 4.5.1 光谱指纹介绍. 54 4.5.2 实验数据准备及实验过程. 55 4.5.3 实验结果与分析. 56 4.5.3.1 AdaBoost 和 RX+AdaBoost 结果与分析 . 56 4.5.3.2 SVM 和 RX+SVM 结果与分析 . 57 4.5.3.3 决策级融合结果与分析. 59 本章小结. 60 第五章 总结与展望. 63 5.1 总结. 63 5.2 展望. 64 致 谢. 65 参考文献. 66 附 录. 70 万方数据 杭州电子科技大学硕士学位论文 1 第一章第一章 绪绪 论论 1.1 研究背景与意义 高光谱遥感是 20 世纪中期兴起的一种新型技术，在过去的几十年间建立起 以空间、 计算机、 地理科学等领域的综合学科1， 并迅速发展成为一门结合空间、 图谱一体化的新型科技。高光谱遥感发展到今天已经广泛应用于农业林业、大气 环境的检测、地质环境的勘探、海洋资源的勘探、军事等领域。 (1) 在农业遥感应用中2，就农作物长势监测、灾害预测、产量评估以及精 准农业管理等方面具有重要意义。 利用高光谱遥感数据能够准确地反映农作物的 光谱差异和农作物的光谱特征，从而可以精确的获取相关农业信息。比如，农作 物叶子面积大小、叶子中叶绿素含量、叶子整体含水量等相关物理参数，从而预 测农作物的生长状况和能达到的产量。 (2) 高光谱遥感技术也应用到环境监测领域中3，它能够及时有效地发现土 壤污染物，水体的污染物，大气的污染物。近年来随着工业科技的不断发展，人 类生活环境遭到各种破坏与污染， 最典型的是工业废水的排放， 渗入到土地深层， 对农作物产生严重的伤害；工业气体的排放，如近年来空气中的 PM2.5，严重伤 害呼吸道系统，危害人类的健康。 (3) 在资源勘探领域中，对山脉结构的探测，矿石的勘探。使用高光谱对大 地表面的油气渗漏探测，分析地表矿物质的腐蚀、周围植物的变化，判断其对周 围环境带来的影响4；海洋资源非常丰富，利用其技术对海洋石油的勘探，例如 我国现在对南海石油天然气等资源的勘探。 (4) 在军事领域中，主要应用在如何揭示敌方伪装和隐藏目标，这是现代军 事侦查面临的困难之一5，通过高光谱图像目标的检测对周围环境里各种物质光 谱信息定理分析，从而实现真实目标与伪装目标的检测与分类，提高军事侦查效 率。 高光谱应用技术不仅仅在这些领域中有所应用，在其他领域中也广泛得到 应用。如人类对外太空的探索，那些探测卫星所携带的成像光谱仪能够拍摄到遥 远的外太空6；在自然灾害方面7，如我国对 2010 年玉树地震、2014 年鲁甸地 震都动用了高光谱遥感卫星；2014 年马航飞机的失事也动用了遥感卫星来搜救。 本文研究的高光谱伪装物的识别与分类，在军事应用领域具有重大意义。 伪装技术成为军事作战中不可缺少的部分。 现在伪装技术越来越高端， 利用声学、 热成像技术、电磁干扰等技术手段，改变真实目标原有属性，以假乱真，迷惑敌 人，躲过对方的侦查，尽最大程度保护自己。现代伪装技术可分为：植被、军事 迷彩、烟雾、灯光、噪声和电磁干扰等伪装技术，因此可以实施各种伪装技术来 万方数据 杭州电子科技大学硕士学位论文 2 模仿、降低甚至消除真实目标与背景的不同，实现隐藏目标的效果。随着科学技 术的不断发展和各国对伪装材料研制投入资金不断增加， 各式各样的伪装和隐身 器材相继问世。当代的隐形技术已成为主流伪装技术，隐形飞机、隐形坦克和隐 形舰艇等出现8，这些都是当今世界最先进的科技伪装成果。所以本文利用高光 谱遥感影像来对军事伪装目标的检测与分类具有重要的意义， 有利于高效精确的 打击目标，降低自己指挥失误的概率。 1.2 高光谱遥感概述及国内外研究现状 1.2.1 高光谱遥感概述 高光谱遥感图像是具有较高维数和光谱分辨率的新型光谱数据图像。它是 光谱成像仪在高空中对地面信息的采集，它能够采集包括紫外线、近红外、短波 红外和可见光等大范围电磁波谱的数据，并能够获取很多波段数据，其中每个波 段都含有较窄波段图像数据，并且这些较窄波段是连续的。高光谱遥感技术是光 谱技术和成像技术有机的结合体，因此，高光谱遥感技术又被称作为光谱成像技 术19-10。它可以对成像地物目标采集几十到几百个光谱波段信息，地物的光谱 特征可以从空间、光谱和辐射三个方面来反映。光谱成像仪能够记录成像区域中 各个地物在各个波段光谱曲线的形态，把它们组合成一条连续的光谱曲线。高光 谱遥感成像的概念图，如图 1.1 所示10： 图 1.1 高光谱遥感成像概念图 万方数据 杭州电子科技大学硕士学位论文 3 高光谱遥感成像仪对地物特征成像的时候，对每个像素都会产生连续几十 个到上百个光谱波段，因此遥感数据的光谱分辨率达到纳米数量级。当遥感的光 谱分辨率数量级达到 1 10范围内称为多光谱遥感（Multispectral Remote Sensing） ，此类遥感一般只在近红外和可见光光谱区域内有几个波段；当遥感的 光谱分辨率数量级达到 2 10范围内称为高光谱遥感（Hyperspectral Remote Sensing） ，此类遥感可在可见光和近红外光谱区域有几十甚至几百个的波段；而 当光谱分辨率数量级达到 3 10时，此时的高光谱遥感被称为超高光谱，波段数 以千计11。 高光谱数据是一个三维数据立方体，包含着丰富的信息，每一层数据对应 着一个波段的场景图像，每个像素点对应一序列连续的光谱波段，从而形成一条 光谱曲线，每种地物都会有相应的光谱曲线特征，如图 1.2 所示。通过光谱成像 技术可以记录同一场景中不同空间位置对地物辐射的光谱曲线， 如图 1.3 所示6。 同种地物在各个波段上的辐射特征和反射特征差异很大， 主要是因为同一种物质 因为大气的影响或者拍摄的角度不同，其光谱特征曲线会有一定的差异性。通过 光谱目标的差异来进行地物判别和目标检测， 对高光谱数据可以选择不同波段的 图像来获取有用的信息，这样大大提高了图像的利用率。 图 1.2 高光谱数据立方体 高光谱图像不仅描述了场景中的二维空间影像信息，还能获得高分辨率的 光谱信息，即图谱合一，相比传统多光谱图像，图像信息更加的丰富11-12。通过 对高光谱图像目标数据的光谱与空间特征分析， 能够较高的分辨出地物目标等相 关信息。这使得高光谱遥感影像对军事目标侦察、军事目标的识别和对军事战场 中态势的评估都有重要的意义。相对于多光谱而言，高光谱波段数目多，谱带较 窄，光谱分辨率更高，然而光谱分辨率高的同时导致空间分辨率降低，但不影响 其对伪装物的识别与分类。 万方数据 杭州电子科技大学硕士学位论文 4 图 1.3 光谱波段层和光谱曲线 1.2.2 高光谱遥感国内外研究现状 高光谱遥感影像技术是上世纪 80 年代发展的新型成像技术， 由美国在 1983 年用航空成像光谱仪拍摄的首幅高光谱图像， 标志着世界上第一代高光谱传感器 的诞生。 随后在 19851987 年期间， 美国航天管理局和国家航空局共同设计出了 AIS-2， 该光谱仪的覆盖范围是 1.22.4um。 第二代高光谱成像仪的代表13-14 1987 年由美国宇航局（NASA）喷气推进实验室研制成功的航空可见光和红外光成像 光谱仪（AVIRIS） 。与第一代光谱仪的区别在于，AVIRIS 采用的是扫描线阵列 成像，光谱范围在 0.42.5um之间，光谱分辨率达到 0.01um。随着第二代光谱 仪的出现，世界上各个国家相继的投入资金，开始研究成像光谱仪。比如，澳大 利亚 Hymap 光谱仪、加拿大研制的荧光线成像仪、日本的 ADEOS-II 和德国的 反射光学系统成像光谱仪等一系列光谱仪。 随着时间的推移第三代高光谱成像光 谱仪克里斯特里尔傅立叶变换高光谱成像仪 （FTHSI） 研制出来15， 并投之使用。 跟前两代成像光谱仪相比，其重量轻，仅 35 千克，光谱范围达到了纳米级别， 在 0.41.05um之间，光谱分辨率达到 210nm。2008 年 10 月美国发射的月球 矿物填图仪（M3, Moon Mineralogy Mapper）是第一个高分辨率对太阳系全星球 覆盖的成像光谱仪1116。 我国在研究方面起步较晚，但是发展非常迅速，我国于 1991 年成功研制出 64 波段可见光和近红外模块机载成像光谱仪。在“九五”期间，中国科学院上 万方数据 杭州电子科技大学硕士学位论文 5 海技术物理研究所研制的机载推帚式成像光谱仪和航空成像光谱仪（OMIS）都 成功投入商业运营，并且向马来西亚出口了 OMIS-II，实现我国机载成像仪的对 外出口零突破。 中国科学院长春光学精密机械与物理研究所也取得了重要研究成 果，研制出 224 波段高分辨率的光谱成像仪17，光谱覆盖范围 400850nm。 从 21 世纪初，我国在航天事业取得了重大的成就，高光谱成像仪也运用在 这些航天飞行器中。 2002 年 3 月我国载人航天计划中发射的第三艘试验飞船 “神 舟三号”中，搭载了一台我国自行研制的中分辨率成像光谱仪18。2007 年 10 月 24 日我国发射的“嫦娥-1”探月卫星上，成像光谱仪也作为一种主要载荷进入月 球轨道19，这是我国的第一台基于傅里叶变换的航天干涉成像光谱仪，它具有 光谱分辨率高的特点。2008 年发射的环境与减灾小卫星（HJ-1）19，也搭载一 台工作在可见光和近红外光谱区（0.450.95um） 、具有 128 个波段、光谱分辨 率为 5nm的高光谱成像仪20。 2011 年 9 月 29 日 21 时 16 分 3 秒在酒泉卫星发射中心发射的“天宫一号” 携带了我国最新研究出的高光谱成像仪。 新的高光谱成像仪由中科院长春精密机 械与物理研究所以及上海技术物理研究所共同研制21，是目前我国空间分辨率 和光谱综合指标最高的空间光谱成像设备，在空间分辨率、波段范围、数目以及 地物分类等方面都达到国际同类遥感器的先进水平。 1.2.3 高光谱异常检测算法研究现状 在高光谱异常检测算法介绍之前，首先介绍什么是高光谱异常。所谓的高 光谱异常是指由地物特征造成光谱的异常。 在与相邻的像素点存在区域的光谱差 异，我们称之为局部光谱异常；而对整幅高光谱图像而言，它与整幅图像其它光 谱之间存在差异，我们称之为全局异常。这些异常像素点在整幅图像中所占比例 小。高光谱异常检测实际上就是对偏离背景分布程度越大的像素点进行异常检 测。 我国对高光谱异常检测研究较晚， 但是国外相关领域的研究已经有很长时间。 在 20 世纪 90 年代，国外专门成立了高光谱异常检测的研究组6，如美国马里兰 大学的图像处理和遥感信号实验室，麻省理工学院的林肯实验室以及一些海军、 空军等研究机构，他们在国际学术期刊上发表相关综述性论文，对高光谱异常检 测的研究起到了推动性的发展。 在童庆禧编写的高光谱遥感原理、技术与应用22中对异常检测算法有所 介绍。如基于特征确认概率分析的目标识别，该方法是去除物质的包络线光谱， 消除反射率转换中的误差，突出目标的特征，对矿物质识别具有突出其吸收特征 的重要功能23。该方法已对美国内华达和加利福尼亚交界死谷地区的明矾石和 高岭石进行分析与识别。一般情况下，高光谱图像的每个像元是由多种不同物质 组成，并且每个光谱像元是不同物质光谱按照不同成份线性组合而成。根据高光 万方数据 杭州电子科技大学硕士学位论文 6 谱图像像元的独有特点， 可以利用凸面几何投影变换方法对高光谱图像中的目标 进行检测。凸面几何体的任何顶点均代表一种纯净地物，而非纯净像元处在凸面 几何体的外表面或内部。该投影变换是正交子空间投影，它可以把像元光谱矢量 投影到正交于想压制特征的子空间上， 这样可以根据人们的需要去压制某些特征 从而突显某些特征。在仅知道感兴趣目标光谱而不知道背景的条件下，可以使用 约束能量最小化算法对目标进行探测24，能够突出地物目标信息而抑制非感兴 趣地物信息（背景） 。 随着异常检测算法的研究，国外专家和研究学者提出了很多异常检测算法。 其中典型的异常检测算法有自适应子空间异常检测算法25，该方法利用高光谱 图像中自身携带的数据对噪声协方差矩阵参数进行估计， 在图形某个子空间上对 数据进行处理。正交子空间投影算法26是由美国马里兰大学遥感信号与图像处 理实验室 C. I. Chang 等人提出来的，这种方法直接对原始图像数据进行操作， 能够同时减少数据维数，压制不感兴趣的奇异特征，并能检测出感兴趣的非奇异 特征27-30该方法是将每个像素向量投影到不需要的特征正交子空间上， 其子空间 对不需要的奇异特征值是正交的。Reed 与 Xiaoli Yu 提出的经典 RX 异常检测算 法31，该方法是在高光谱图像数据必须假设服从局部的正态分布，而这种假设 与实际光谱数据分布情况并不完全一样，与实际情况存在较大差异，同时 RX 算 法进行图像的异物检测时，需要对样本协方差进行计算，而样本协方差矩阵维数 随着光谱波段数目的增加而迅速增加，这给运算带来很大的计算量。RX 算子直 接异常检测会出现较高的虚警率。为了降低虚警率，更好的对目标检测，有些研 究人员提出了基于非线性核映射的异常检测算法，如核 RX 算法。本文也在此算 法的基础上提出一个加权组合核 RX 异常检测算法。Chang 等人32在 RX 算法基 础上，利用匹配滤波算法原理33构造一系列改进算法，如后文第二章提到的 UTD、NRXD、MRXD 和利用相关矩阵提出的 CRNRXD、CRMRXD 等算法。 异常检测技术是一个难点，到目前为止没有任何一种异常检测方法能够适 用于大部分的高光谱图像的异常检测。在方法的创新方面，大多数是在先前研究 人员的基础上进行改进。从最近几年国内外文献中查找，在这个领域中没有看到 最新的研究方法和创新性的突破。 1.2.4 高光谱分类算法研究现状 传统的分类方法是根据有无先验信息，分类算法分为非监督分类和监督分 类。非监督分类不需要任何的先验信息，只凭地物光谱特征分布和特征统计的差 别自动的进行地物分类34。常用的非监督分类算法有六面体平行法、分裂法、K 均值、等混合距离法、逐步聚类法等，这些分类方法操作简单，但是由于实际地 物光谱受到其他因素的干扰，在一定的范围内会有变化，并且同一地物可能因为 万方数据 杭州电子科技大学硕士学位论文 7 光照角度不同，光谱相似性有一定差异；一定程度上不同地物也可能存在相似特 性，这样影响无先验信息的分类算法得到的分类精度。 对于监督分类需要先验知识，即需要训练样本。用已知的训练样本对分类 器进行训练，用训练好的分类器完成地物的分类。监督分类的分类方法有 KNN 分类器、贝叶斯分类器、最大似然法、最小距离法、神经网络法、Fisher 分类器， 还有本文将要用到的 AdaBoost （Adaptibe Boosting） 分类算法和支持向量机(SVM, Support Vector Machine)分类算法35-39。 图 1.4 是非监督分类与监督分类区别流程 图。 图 1.4 非监督分类与监督分类区别 无论是监督分类还是非监督分类都是根据地物光谱特性的唯一的属性特征 进行分类，并且采用统计方法。由于受到高光谱数据分辨率和大多数图像像元是 混合像元等因素限制，导致分类模糊。而且存在同物异谱和异物同谱的现象，难 以确定其属于哪一类地物，从而导致错分、漏分等情况的出现，因此科学研究人 员不断尝试新方法、改善原有旧方法，达到提高分类精确度目的。目前高光谱图 像分类更趋向于智能化、自动化等方向发展。从单一分类方法向复合分类方法发 展。单一分类方法往往不能对所有类别进行有效识别，复合分类方法通过