孟凡春

摘 要：隨著高光譜遙感在對(duì)地觀測(cè)方面的應(yīng)用越來越廣泛，高光譜遙感探測(cè)技術(shù)的核心技術(shù)—高光譜圖像處理技術(shù)得到了研究者極大地關(guān)注，高光譜圖像一般是研究分辨率在數(shù)量級(jí)范圍區(qū)間的光譜圖像。通過將高光譜的傳感器裝配在相應(yīng)的空間儀器上，在電磁波譜觀測(cè)區(qū)域內(nèi)，對(duì)目標(biāo)區(qū)域內(nèi)數(shù)量不等的連續(xù)而細(xì)分的不同光譜波段同時(shí)成像，使得地表的圖像和光譜信息可以同時(shí)獲取，第一次實(shí)現(xiàn)了光譜與圖像的統(tǒng)一。

關(guān)鍵詞：高光譜;圖像處理技術(shù);發(fā)展

引言：在我國(guó)航空航天業(yè)快步發(fā)展的大背景下，遙感圖像在空間分辨率、時(shí)間分辨率以及光譜分辨率上取得了長(zhǎng)足的進(jìn)步，逐漸建立起對(duì)地面實(shí)行大范圍、多維度以及高精度的動(dòng)態(tài)觀測(cè)體系。但同時(shí)，多光譜到高光譜圖像的轉(zhuǎn)變，也使得數(shù)據(jù)量激增，傳統(tǒng)的人工判讀方式已無法滿足需求，因此，本文圍繞高光譜圖像處理技術(shù)中的應(yīng)用和問題分析其發(fā)展方向。

一、高光譜圖像處理技術(shù)的應(yīng)用和現(xiàn)狀

通過高光譜圖像對(duì)地上物體進(jìn)行精細(xì)分類是高光譜圖像遙感技術(shù)的應(yīng)用核心之一，精細(xì)化分類的結(jié)果是后續(xù)制圖的基本參考數(shù)據(jù)，因此，高光譜圖像處理技術(shù)在土地覆蓋調(diào)研、環(huán)境監(jiān)測(cè)以及資源調(diào)查等多個(gè)領(lǐng)域?qū)⒕哂兄卮髴?yīng)用價(jià)值。此外，基于高光譜的目標(biāo)探測(cè)技術(shù)還在國(guó)防安全和公共基礎(chǔ)等領(lǐng)域中也有著巨大的發(fā)展?jié)摿Α?/p>

高光譜圖像的波段較多，而且相鄰波段間必然具有相關(guān)性，這就使得觀測(cè)到的高光譜圖像數(shù)據(jù)存在一定程度地冗余現(xiàn)象，并且信息量大，無疑給圖像的后期處理增添了壓力，數(shù)據(jù)的急劇增多引起計(jì)算機(jī)超負(fù)荷工作，性能不匹配。此外，高光譜圖像數(shù)據(jù)收集過程中的噪聲也會(huì)使數(shù)據(jù)內(nèi)的光譜信息“失真”。故而需要對(duì)其進(jìn)行降維，壓縮數(shù)據(jù)的信息量以便提供計(jì)算效率，同時(shí)對(duì)圖像的特征進(jìn)行優(yōu)化和簡(jiǎn)化，并最大限度地保留有效信號(hào)，壓縮噪聲。

高光譜圖像精細(xì)分類中由于數(shù)據(jù)量大存在著面臨維數(shù)災(zāi)難的問題。與此同時(shí)，傳統(tǒng)的古典算法多基于像元為分類基本單元算法，未將遙感圖像在空間域上的特征考慮在內(nèi)，從而造成算法不能科學(xué)解決同物異譜的問題，這樣的分類結(jié)果使地物內(nèi)部很容易產(chǎn)生噪點(diǎn)。

此外，盡管處理高維原始數(shù)據(jù)的高性能處理元器件得到了迅猛發(fā)展，為深入解決高光譜圖像數(shù)據(jù)并行快速處理以及在軌實(shí)時(shí)數(shù)據(jù)的提取提供了一定的基礎(chǔ)，但仍然面臨著高性能元器件技術(shù)制約。

二、高光譜圖像處理技術(shù)的前沿技術(shù)和發(fā)展趨勢(shì)

（一）數(shù)據(jù)降維技術(shù)

高光譜圖像數(shù)據(jù)本身的高維度特性帶來了海量的基礎(chǔ)信息，隨之而來的分類器的計(jì)算量以及分類器的訓(xùn)練難度級(jí)別也呈現(xiàn)出了指數(shù)增長(zhǎng)。鑒于這種情況，最為方便可行的方法便是對(duì)高光譜圖像數(shù)據(jù)進(jìn)行降維處理。

以提取圖像的特征為目的的高光譜圖像的降維技術(shù)，通過使用低維數(shù)據(jù)去合理地表述高維數(shù)據(jù)的特征，該技術(shù)在科學(xué)地保留了目標(biāo)圖像信息的基本特征同時(shí)也壓縮了原有圖像的海量數(shù)據(jù)，更加有助于主要信息的識(shí)別和提取。目前常見的數(shù)據(jù)降維算法主要有線性和非線性降維算法兩大類，其中線性降維技術(shù)的代表包括了獨(dú)立成分解析、線性判別解析以及多維度變換等算法，但是線性降維容易破壞數(shù)據(jù)的本來結(jié)構(gòu)而高光譜圖像是含有非線性數(shù)據(jù)的，所以會(huì)造成一定的誤差，從應(yīng)用前景來分析，非線性降維技術(shù)是趨勢(shì)，非線性降維技術(shù)的前沿技術(shù)之一便是等距映射算法技術(shù)，根據(jù)保持流形上的兩個(gè)點(diǎn)之間測(cè)地線的距離去展幵全局算法，利用圖論中數(shù)據(jù)點(diǎn)間的歐氏距離評(píng)估它們相對(duì)的測(cè)地線距離，然后將其代入多維度算法，從而獲得保留測(cè)地線距離方面的最優(yōu)低維度算法映射結(jié)果。在保證高光譜數(shù)據(jù)降維后結(jié)果的穩(wěn)健性以及全局最優(yōu)性方面等距映射算法展現(xiàn)了極強(qiáng)的優(yōu)勢(shì)，引起了眾多的關(guān)注，但是其復(fù)雜的運(yùn)算流程還有待解決。

（二）基于DSP的圖像處理技術(shù)

作為專門用于解決不同數(shù)字信號(hào)的處理算法的而開發(fā)的處理器—DSP?？蒲腥藛T根據(jù)低存儲(chǔ)、高并行以及多數(shù)據(jù)單指令的處理器陣列，運(yùn)用多個(gè)數(shù)字信號(hào)DSP處理器來解決高光譜圖像數(shù)據(jù)的在軌同步處理，滿足了實(shí)時(shí)處理以及存儲(chǔ)的要求，該系統(tǒng)以數(shù)字信號(hào)DSP處理器搜索在軌目標(biāo)為基礎(chǔ)，從系統(tǒng)軟硬件兩個(gè)方面闡述了其設(shè)計(jì)思路，其在軌同步處理手段依托于取得的完整數(shù)據(jù)影像，因此可視作實(shí)時(shí)處理。2014年科研人員探索把多個(gè)DSP并行使用嘗試處理高光譜圖像的異常探測(cè)，4片DSP處理器通過總線完成互聯(lián)，實(shí)現(xiàn)了數(shù)據(jù)總線和存儲(chǔ)模塊的共享，從而通過分解并行任務(wù)，實(shí)現(xiàn)計(jì)算處理效率得到了4倍的提升。同年，國(guó)外利用多核DSP處理器實(shí)現(xiàn)了基于正交子的空間投影（OSP）計(jì)算方法，同時(shí)實(shí)現(xiàn)了豐度信息的獲取，經(jīng)過科學(xué)對(duì)比試驗(yàn)，多核DSP處理器可以在處理能力、編程難度以及能量消耗等諸多條件的約束下保持良好的效果，DSP還能提升高光譜圖像算法的計(jì)算效率，實(shí)現(xiàn)實(shí)時(shí)地目標(biāo)探測(cè)，未來基于DSP的高光譜圖像處理技術(shù)是算法研究，將會(huì)有較大的應(yīng)用空間和探索空間，

（三）基于高性能計(jì)算的圖像處理技術(shù)

在利用高性能計(jì)算解決高光譜圖像領(lǐng)域方面，當(dāng)前處理芯片的研發(fā)朝著智能化的方向前進(jìn)，尤其是依托深度學(xué)習(xí)算法的加速處理芯片，NVIDIA公司推出了有助于人工智能及深度學(xué)習(xí)的Tesla P100，和面向深度學(xué)習(xí)的DGX-1超級(jí)計(jì)算機(jī)。IBM公司發(fā)布了類腦超算平臺(tái) TrueNorth，該設(shè)備的處理能力約等于一千六百萬個(gè)神經(jīng)元和及四十億個(gè)神經(jīng)鍵，而能耗僅低到為2.5W。 我國(guó)計(jì)算技術(shù)的研究所也成功研制了寒武紀(jì)計(jì)算專用加速芯片，該芯片是面向機(jī)器進(jìn)行學(xué)習(xí)的，寒武紀(jì)一號(hào)的強(qiáng)悍性能性能超過市場(chǎng)主流基于CPU核處理的100倍，而面積和功耗則僅為傳統(tǒng)CPU的1/10，效能提升可了三個(gè)數(shù)量級(jí)?？梢灶A(yù)見，未來將突破傳統(tǒng)的基于馮諾依曼架構(gòu)的處理和存儲(chǔ)相分離體系，面向支持人工智能算法的低功耗、高性能處理芯片將開始發(fā)揮出巨大的研究潛力，并終將在高光譜圖像圖像處理和信息處理領(lǐng)域做出重要貢獻(xiàn)。

三、總結(jié)

作為 21世紀(jì)末對(duì)地觀測(cè)領(lǐng)域的技術(shù)突破，高光譜遙感技術(shù)為國(guó)民經(jīng)濟(jì)社會(huì)的建設(shè)、可持續(xù)發(fā)展以及國(guó)防安全建設(shè)中做出了巨大貢獻(xiàn)，但是，目前的高光譜遙感技術(shù)仍然要應(yīng)對(duì)數(shù)據(jù)冗余大、不能在軌同時(shí)調(diào)整、信息處理和服務(wù)時(shí)效性差的挑戰(zhàn)，通過不斷探索高光譜圖像降維技術(shù)、基于DSP的圖像處理技術(shù)以及發(fā)展高性能處理器件，未來高光譜圖像處理必將發(fā)揮出更大的價(jià)值。

參考文獻(xiàn)：

[1]張建偉，陳允杰.高光譜圖像分類方法綜述[J].南京信息工程大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（01）

[2]姜博厚，基于深度學(xué)習(xí)的高光譜圖像超分辨處理方法[J].信息與電腦（理論版），2019，22：

[3]姚本佐，何芳.空譜特征分層融合的高光譜圖像特征提取[J]. 國(guó)土資源遙感.2019，03：59-64.