高光譜成像遙感技術可獲取地物的光譜、輻射和空間信息，在國民經(jīng)濟的各個領域得到廣泛的應用。但其狹窄的波段間距帶來豐富光譜信息的同時，也帶來了信息冗余，增加了數(shù)據(jù)處理的難度。因此，高光譜遙感數(shù)據(jù)在進行實際應用前，需要進行波段選擇并提取光譜特征，降低數(shù)據(jù)維數(shù)。

當前高光譜遙感圖像波段選擇采用的策略主要包括：

（1）以評價準則為依據(jù)的波段選擇

（2）以特征選擇方式為依據(jù)的波段選擇

（3）以訓練樣本為依據(jù)的波段選擇

（4）以與應用模型的關系為依據(jù)的波段選擇

一、以評價準則為依據(jù)的波段選擇

從波段選擇采用的評價準則來看，高光譜遙感圖像的波段選擇方案包括：

（1）以信息量作為波段選擇的標準，選擇信息總量最大的波段子集，通常采用信息熵、互信息、交叉熵、聯(lián)合信息熵、信息散度、方差、協(xié)方差矩陣特征值等來構建信息量的評價指標。需要注意的是，噪聲對基于信息論的這些指標的影響較大，噪聲大的波段會導致較大的方差，同時也會降低與其他波段的相關性而被誤選，但這些受到噪聲或者異常影響的波段往往具有較低的魯棒性和可靠性。

（2）以類別可分性作為波段選擇標準，期望選取的波段子集有利于研究地物的分類識別。衡量類間可分性大小常以距離來度量，典型的度量指標有離散度、B距離（Bhattacharyya distance）、JM距離（Jeffreys Matusita distance）等。

以波段間的相關度作為波段選擇的標準，選擇相關性最弱的波段子集，以減小信息冗余，常用光譜相關系數(shù)、光譜角、光譜信息散度和正交投影散度等作為度量指標。

二、以特征選擇方式為依據(jù)的波段選擇

本研究所用遙感數(shù)據(jù)以谷歌地球引擎（GEE）為分析平臺。這是由谷歌、卡內基梅隆大學和美國地質調查局聯(lián)合開發(fā)的基于云計算的地理信息處理系統(tǒng)。此平臺提供了大量影像數(shù)據(jù)，通過依靠Google的高性能集群服務器對影像進行在線可視化處理，信息提取十分快捷。本研究所用的衛(wèi)星數(shù)據(jù)源為陸地衛(wèi)星地表反射率數(shù)據(jù)（LSR）系列數(shù)據(jù)和哨兵二號多光譜2a級數(shù)據(jù)集。

LSR系列數(shù)據(jù)包含陸地衛(wèi)星專題制圖儀（TM）、陸地衛(wèi)星增強型專題制圖儀（ETM+）、陸地衛(wèi)星陸地成像儀（OLI）影像，時間分辨率為16d，空間分辨率為30m，均包含3個可見光波段及一個近紅外波段。LSR數(shù)據(jù)產(chǎn)品是通過陸地衛(wèi)星生態(tài)系統(tǒng)擾動自適應處理系統(tǒng)（LEDAPS）處理，利用大氣表觀反射率（TOA）和亮溫（BT）數(shù)據(jù)，對太陽光譜輻射傳輸模型（6S）中的衛(wèi)星信號進行二次模擬，生成地表反射率（SR）數(shù)據(jù)。SR數(shù)據(jù)已經(jīng)過輻射定標、大氣校正等處理，最大限度地消除了大氣散射、吸收、反射引起的誤差。Sentinel-2MSIlevel-2a數(shù)據(jù)集為經(jīng)過處理后的大氣底層反射影像，時間分辨率5d，共7個波段，其中4個可見光及1個近紅外波段的空間分辨率為10m，短波紅外和1個紅邊波段的空間分辨率為20m

三、以訓練樣本為依據(jù)的波段選擇

根據(jù)是否依靠樣本先驗信息，將高光譜圖像波段選擇分為監(jiān)督波段選擇和非監(jiān)督波段選擇。監(jiān)督波段選擇利用標記的訓練樣本參與波段選擇過程，使得選出的波段子集具有較好的實際應用性能。但因訓練樣本需要進行實地調查，其獲得的成本高，耗時費力，有時甚至無法獲得，使得監(jiān)督波段選擇的使用受限。非監(jiān)督波段選擇不需要除影像本身之外的其他先驗性的訓練樣本信息，只根據(jù)影像本身的特點進行選擇，在樣本難以獲得的情況下更具實用性。由于沒有標記樣本而無法獲得高光譜圖像的準確信息，非監(jiān)督波段選擇一般以波段信息量和波段間的相關性為準則來進行選擇。同時，這些波段容易受到噪聲或者異常的影響，往往具有較低的魯棒性和可靠性。此外，非監(jiān)督波段選擇技術一般并不針對特定的應用，因此選擇的波段子集的實際應用效果較有監(jiān)督選擇的波段子集差。

四、以與應用模型的關系為依據(jù)的波段選擇

依據(jù)波段選擇與應用模型學習算法的關系，高光譜遙感圖像的波段選擇分為：

（1）過濾式波段選擇，該方法先按評價指標對高光譜數(shù)據(jù)進行波段搜索，然后再訓練模型學習器，波段選擇過程與應用模型的學習算法無關，二者之間相互獨立。這種方法相當于先用波段選擇過程對數(shù)據(jù)進行“過濾”，再用過濾后的特征來訓練模型，特點是計算量小，速度快，但波段選擇結果與應用模型所需性能偏差較大。

（2）封裝式波段選擇，該方法將應用模型的建立與波段搜索的過程結合起來，利用模型學習算法的訓練準確率作為波段子集的評價準則，因而應用模型性能精度較高，波段選擇結果偏差小，但每次波段子集評價都需要重新訓練學習器，運算復雜度高，計算開銷大，不適用于大規(guī)模數(shù)據(jù)集。

（3）嵌入式波段選擇，該方法在應用模型學習器的訓練過程中通過優(yōu)化目標函數(shù)自動完成波段選擇。其性能介于過濾式和封裝式法之間，相對于封裝式法，嵌入式法避免了評估每一個波段子集對學習器進行的重復訓練；相對于過濾式法，嵌入式法的波段選擇結果與應用模型適應性更好。但嵌入式法性能的優(yōu)劣依賴于參數(shù)調整，且目標函數(shù)構造較困難。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯黃昊宇