高光譜圖像波段選擇的三大挑戰

高光譜遙感數據在進行實際應用前，需要進行波段選擇并提取光譜特征，降低數據維數。雖然波段選擇明顯地減小了高光譜圖像數據處理量，在后續應用任務中基本能夠取得較好的效果，但仍然面臨一些問題與挑戰。本文進行了簡單總結高光譜圖像波段選擇的三大挑戰，亟待提出有效的解決方案。

波段選擇算法的泛化能力

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適應變化的能力。根據變化對象的不同，泛化能力可分為針對樣本的泛化和針對任務的泛化。前者對于不同的輸入樣本，算法選擇的波段在當前任務上都能取得較好的結果。樣本在監督學習中占有非常重要的地位，訓練樣本所包含的信息及其在數據中的分布直接影響著模型的性能和泛化能力。但高光譜圖像大規模標記樣本庫的建立十分困難，對于小樣本應用任務問題，由于可供算法學習的訓練樣本相對較少，算法容易出現過擬合的現象，使模型泛化能力下降，對未知樣本的波段選擇結果將會受到影響。針對任務的泛化是指對于同種類的不同應用任務，如分類里邊的農作物分類、樹木分類、礦物分類等不同任務，參數反演里的植物葉綠素反演、土壤重金屬物定量反演、水質參數反演等不同任務，目標探測里邊的特殊植物探測、建筑物探測、飛機探測等不同任務，算法選擇的波段均有較好的效果，即波段選擇算法模型對于同類型的多任務是泛化的。

現有波段選擇算法都是針對單一的、特定的高光譜圖像解譯任務設定的，對于具有相同規律的不同應用任務或當數據類型和處理對象發生變化時，原有的波段選擇算法模型不能繼續給出合適的選擇結果。針對不同的應用任務，如何將原有的波段選擇算法很好地移植；針對數據類型和對象的多樣化，如何使波段選擇算法具有良好的適應性，成為波段選擇算法面臨的一項重要挑戰?？赏ㄟ^深度學習生成對抗網絡生成的虛擬圖像以增加訓練數據，并根據樣本可能的變化做出相應的調整，解決樣本泛化的問題。采用遷移學習將已取得良好性能的網絡模型結構應用到相近的應用任務中，通過參數微調等方法提高算法對不同任務的泛化能力。

波段數量的確定

高光譜圖像波段選擇數量的確定，目前還沒有統一的標準。較普遍的一種方法是在進行波段選擇之前，人為確定一個波段數量N，在執行波段選擇模型過程中選擇滿足判斷標準的前N個波段S10]。這種波段個數確定的方法，通常沒有理論依據支撐，多數靠研究者的經驗。另一種觀點認為，高光譜圖像總體特征維數隨圖像中地物類別數線性增加，因此以類別的數量作為光譜波段的選擇數量1。也有研究者提出了漸進式波段數量確定法4.1]，即通過擴展或減少波段數量來漸進地選擇波段，這種漸進式波段確定過程是通過各種應用確定的條件來停止的。

總的來說，當選擇較少數量的波段時，波段之間的區別較大，相關性小，但部分特征信息可能被遺漏。當選擇較大數量的波段時，波段之間高度相關，部分波段提供的是冗余重復信息。如何確定使應用任務性能優良、計算時間短、復雜性低的波段數量仍然是一個具有挑戰性的問題?？芍攸c研究嵌入式特征選擇方法，將波段個數的確定與任務的性能結合起來，通過網絡模型迭代訓練、反向傳播等算法使二者在性能上達到平衡。

所選波段的物理意義

當前以光譜來區分地物時，是通過其完整波形進行判斷的。但地物光譜中真正具有識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的屬性、成分、形狀及所處環境因素密切相關0叫。因此，波段選擇的每個波段都對應一定的光譜診斷特征，選定的波段組合能區分特定的地物類別。但對這種波段和光譜診斷特征對應關系、波段組合和地物特征對應關系的研究并不深入，甚至是不清楚的。當前的研究更側重于將波段選擇作為復雜的數學問題建模求解，未來的研究應更注重波段組合所代表的物理含義，將所選波段與其在實際應用中的貢獻聯系起來。深入探索地物光學特性、地物電磁反射與波段之間的關系，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用領域的日益廣泛，繼續引入智能搜索、優化算法和深度學習等領域的新理論、新模型，發展更先進、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的主流發展方向。