韓雪

【摘 要】稀疏表示理論已被廣泛用于圖像分類任務，在遙感圖像領域內高光譜圖像的分類也適用于稀疏表示分類;另一方面，超像素的分割結果對于類特征的提取具有重要的意義，因此將超像素計算與稀疏表示分類相結合可以有效地提高遙感圖像分類的精度。

【關鍵詞】稀疏表示分類;超像素;高光譜圖像

中圖分類號： TP391.41 文獻標識碼： A 文章編號： 2095-2457（2019）26-0122-001

DOI：10.19694/j.cnki.issn2095-2457.2019.26.057

目前，各種遙感數(shù)據呈現(xiàn)海量式的增長，但遙感圖像包含不同波段的矩陣，數(shù)據包含信息更為復雜，其特有的成像機理使人工解譯變得極為困難。對于理解遙感圖像的步驟，正常情況分為兩個宏觀的方面，其一是分類，這個是前提，然后才是理解。雖然這些步驟極為簡單，但是這其中涉及到的技術就很多了，其中圖像分類提取技術最為關鍵，它是核心，通過它，才能進行后面的操作，比如相關知識的表達，和相對應的推理、匹配技術。由于理解較為復雜，因此對于知識的運用程度以及范圍都有著較為嚴格的劃分。當然，關于完成任務的難易程度也會有相應的劃分。根據劃分，遙感圖像的理解被分為兩個部分，其一為低級處理部分，這部分較為簡單，對于技術的要求不是太高，主要是關于圖像輸入、糾正等方面。其二是中級處理部分，相較于前者，這部分對于技術的要求也會相應地提高，主要是關于圖像的分類等方面。最后便是高級處理，這個步驟涉及的技術最多，要求也更為嚴格，因為提煉知識、識別目標等處理流程對于自身綜合素質的要求非常高，所運用的知識更為復雜、繁多。雖然中級處理要求自身素質較低，但是其中的圖像分類確實承上啟下的重要步驟，因為它是遙感圖像理解的關鍵過程。遙感圖像的分類也是有相應的劃分依據的，其中包括光譜、空間、時間等特性。因此，如何對獲取的大量遙感數(shù)據進行自動解譯就變得十分重要。高光譜遙感影像不僅具有普通影像具有的地物圖像信息，而且包含豐富的對應地物類別的光譜信息，因此，利用高光譜影像可實現(xiàn)更離精度的影像分類，滿足實際應用和生產的需要。高光譜的分類也是一項比較復雜的項目，因為它涉及的知識點非常的廣泛，其中既包括統(tǒng)計學的知識，又涉及形態(tài)學理論，對于數(shù)據的敏感度要求較高。

1 稀疏表示分類原理

近年來，信號和圖像處理等領域大多數(shù)使用稀疏模型。該模型主要依附于基或字典中很少量元素的組合來完成，并且組合的方式主要是線性組合。完備圖像稀疏表示是近年來又一新的研究方向和熱點。隨著完備稀疏表示理論的進一步研究和完善，其眾多方法被用于計算機視覺的任務當中：圖像檢索，語義理解，場景分類，目標檢測等，這與遙感影像分類的任務不謀而合，可以相信，超完備圖像稀疏表示理論的研究將會成為圖像關聯(lián)領域的智能化分析和理解的重要手段。遙感圖像地物電磁波輻射的多段測量值構成的光譜特征，經常用來作為衡量遙感圖像分類的基標準。它既可以反映圖像的空間分布信息，又可以顯示出結構信息的紋理特征?；谏鲜霰硎?，它可以作為遙感圖像分類的有益補充，特別是在特征空間這方面。眾多成功的應用中，基于稀疏表示的圖像分類受到了各方面的極大關注。研究表明，從視覺神經元的機理來看，自然圖像是可以稀疏表示的。提出一個基于稀疏表示的分類方法（Sparse Representation based Classification，SRC），此類方法假設測試樣本能被同類目標成功地表示。簡單地說，SRC就是利用訓練樣本之中的固有屬性以及它的線性特征，通過計算得出線性表示系統(tǒng)的重要參數(shù)——稀疏表示系數(shù)，之后再結合訓練樣本計算得出每類的重構誤差，最后再把測試樣本放入最小重構誤差的類別。計算出眾多研究表明自然圖像能夠被稀疏表示，并且稀疏表示理論能夠很好地完成圖像分類任務。

2 超像素計算策略分析

超像素是圖像經過初步劃分，然后得到的同質區(qū)域。其劃分依據主要是紋理、顏色、亮度以及他們的相鄰像素。這種根據特征的相似程度進行的像素分組，可以抽象出圖像的更高層的組合信息，而且一般不會破壞圖像中真實的邊界信息。超像素算法提取了圖像中符合認知規(guī)律的同質區(qū)域，集合了像素的群體特征，為進一步的圖像分析和理解提供了更豐富的知識?，F(xiàn)有的基于像素的處理算法經過超像素操作，可以大大降低其復雜性，還可以節(jié)省大量的時間。由于優(yōu)點明顯，國內外都將其視為關鍵技術。因此，超像素的思想被應用到了許多計算機視覺任務的前期處理中，它對于圖像的分割，圖像識別和分類，以及目標定位等眾多應用都有深遠的意義。

3 基于超像素的高光譜圖像稀疏表示分類原理

稀疏表示分類需要立足于高維復合特征融合與稀疏表示的字典學習并以此為切入點，將解決遙感影像語義特征學習與分類有機的融合并統(tǒng)一起來為基本目標，結合仿真分析和原型實現(xiàn)，系統(tǒng)性地研究遙感圖像分類和描述的核心過程和相應的關鍵問題。一方面，重點對底層特征構建同質超像素的完備集合進行研究，通過對多種分割策略進行對比分析，獲取同質區(qū)域特性為基礎的弱類屬性;超像素計算可以在降維的基礎上進行計算，降低時間消耗。另一方面，利用圖像稀疏表示理論和方法并結合遙感影像的多紋理，多源特點，重點研究具有適應性的稀疏表示模型的構建和最優(yōu)化求解問題，選取少量標記樣本作為訓練的字典，以超像素分割區(qū)域為基礎建立重構矩陣，可以依據鄰近區(qū)域，整體超像素等多樣化的策略定義重構矩陣，利用貪婪匹配方法并尋找最佳稀疏表示系數(shù)，提出實時性比較好、魯棒性比較強的高光譜圖像分類方法。

【參考文獻】

[1]羅學剛，呂俊瑞，彭真明.超像素分割及評價的最新研究進展[J].激光與光電子學進展，2019，56（9）.

[2]李鐵，孫勁光，張新君，et al.基于分層稀疏表示特征學習的高光譜圖像分類研究[J].激光與光電子學進展，2016，53（9）.

[3]盧佳，保文星.基于獨立空譜殘差融合的聯(lián)合稀疏表示高光譜圖像分類[J].計算機工程，2019，45（01）：252-258.