簡介本資源是一套面向遙感圖像處理初學(xué)者與科研人員的高光譜數(shù)據(jù)處理MATLAB實踐工具集聚焦圖像融合、降維與分類三大核心任務(wù)解決高光譜數(shù)據(jù)維度高、空間分辨率低、分類精度受限等典型問題適用于環(huán)境監(jiān)測、農(nóng)業(yè)遙感和礦物識別等實際應(yīng)用場景。壓縮包為RAR格式共含3個MATLAB腳本文件.m總大小僅3KB輕量簡潔其中融合模塊實現(xiàn)小波域圖像融合以提升空間-光譜協(xié)同表達能力降維模塊基于PCA完成特征壓縮與噪聲抑制分類模塊集成極大似然法MLA實現(xiàn)統(tǒng)計驅(qū)動的地物識別。目前已有452人學(xué)習(xí)下載代碼結(jié)構(gòu)清晰、注釋完整覆蓋數(shù)據(jù)導(dǎo)入、變換計算、概率建模到結(jié)果可視化全流程可直接運行調(diào)試是理解高光譜處理Pipeline與復(fù)現(xiàn)基礎(chǔ)算法的理想入門參考。1. 從“看見”到“看懂”高光譜圖像處理的本質(zhì)挑戰(zhàn)如果你接觸過遙感、農(nóng)業(yè)監(jiān)測、環(huán)境分析或者軍事偵察那你一定對“高光譜”這個詞不陌生。它聽起來很高大上但說白了就是一種能“看見”更多顏色的相機。我們?nèi)搜壑荒芸吹郊t、綠、藍三個波段而一臺高光譜成像儀能同時采集數(shù)百個連續(xù)的、極其狹窄的光譜波段。這帶來的直接好處是我們能獲得每個像素點的一條完整的光譜曲線就像給每個像素點做了一次“指紋鑒定”。然而這份海量的數(shù)據(jù)財富也帶來了巨大的處理挑戰(zhàn)。想象一下一張普通的RGB圖片每個像素只有3個值R, G, B。而一張高光譜圖像每個像素可能有200個甚至更多的光譜值。這直接導(dǎo)致了所謂的“維度災(zāi)難”——數(shù)據(jù)維度太高但有效的、有標(biāo)簽的樣本卻非常稀少。直接用傳統(tǒng)圖像分類方法去處理就像用一把大錘去繡花不僅效率低下而且效果往往很差模型很容易陷入過擬合學(xué)到的只是噪聲。所以高光譜圖像處理的核心任務(wù)就是如何從這數(shù)百個波段中高效、準(zhǔn)確地“看懂”圖像內(nèi)容比如識別出農(nóng)田里哪塊是玉米哪塊是大豆或者森林里哪些樹木生病了。圍繞這個核心衍生出了三個環(huán)環(huán)相扣的關(guān)鍵技術(shù)降維、圖像融合和高光譜分類。它們不是孤立的而是一個完整的處理鏈條。降維是“瘦身”和“提純”融合是“強強聯(lián)合”分類是最終的“決策判斷”。我處理過不少高光譜項目從農(nóng)業(yè)病蟲害預(yù)警到礦物識別深感這個鏈條中任何一個環(huán)節(jié)處理不當(dāng)都會讓最終結(jié)果大打折扣。接下來我就結(jié)合實戰(zhàn)經(jīng)驗把這幾個技術(shù)掰開揉碎了講清楚。2. 降維給高光譜數(shù)據(jù)“瘦身”與“提純”的藝術(shù)面對成百上千個波段第一步絕不是直接往上沖。降維就是要把數(shù)據(jù)從高維空間映射到一個有意義的低維空間其目的有兩個一是減少計算量二是去除冗余和噪聲保留最具判別性的信息。你可以把它理解為給一本厚厚的書寫摘要既要大幅縮減篇幅又不能丟失核心情節(jié)。2.1 為什么必須降維不僅僅是計算效率很多人認為降維只是為了算得快這其實只對了一半。更關(guān)鍵的原因在于數(shù)據(jù)本身的特性。首先是波段間的高度相關(guān)性。高光譜相鄰波段捕獲的光譜信息非常相似存在大量的冗余。比如第50波段和第51波段反映的地物光譜特征可能幾乎一樣。保留所有這些高度相關(guān)的波段對分類器的訓(xùn)練不僅無益反而有害它會引入多重共線性等問題。其次是Hughes現(xiàn)象。這是一個在高維數(shù)據(jù)分析中著名的難題在訓(xùn)練樣本數(shù)量有限的情況下隨著特征維度波段數(shù)的增加分類器的性能會先上升后急劇下降。因為高維空間過于稀疏有限的樣本無法有效地刻畫數(shù)據(jù)的分布分類器會記住噪聲而非規(guī)律。因此我們必須將維度降至一個與樣本數(shù)量相匹配的合理范圍。最后才是計算復(fù)雜度。許多機器學(xué)習(xí)算法如支持向量機SVM的時間復(fù)雜度與特征維度的平方甚至更高次方相關(guān)。直接處理原始波段訓(xùn)練時間可能是無法接受的。2.2 主流降維方法實戰(zhàn)選型與避坑降維方法主要分兩大類特征選擇和特征提取。特征選擇是從原始波段中直接挑選出一個子集。它簡單直觀保留了物理意義你知道選的是哪個波段。常用方法有方差選擇剔除方差接近于0的波段信息量少。相關(guān)系數(shù)法保留與其他波段相關(guān)性低的波段獨特性強?；跊Q策樹/隨機森林的特征重要性排序這是一個非常實用的方法。訓(xùn)練一個隨機森林分類器即使在小樣本上它可以輸出每個波段對于分類結(jié)果的重要性評分。你可以根據(jù)評分從高到低選擇Top-N個波段。注意特征選擇方法雖然簡單但可能丟失波段間組合才能表達的信息。例如某個波段單獨看判別力不強但與另一個波段組合后如計算比值判別力極強這種方法就可能漏掉。特征提取是通過某種變換將原始高維數(shù)據(jù)投影到一個新的低維空間。新特征稱為成分或分量是原始波段的線性或非線性組合通常不再具有直接的物理意義但信息壓縮效率更高。主成分分析這是最經(jīng)典、最常用的線性方法。PCA的目標(biāo)是找到數(shù)據(jù)方差最大的方向主成分用少數(shù)幾個主成分就能解釋絕大部分?jǐn)?shù)據(jù)方差。它的計算穩(wěn)定能有效去除噪聲但它是無監(jiān)督的沒有利用類別標(biāo)簽信息生成的主成分不一定最有利于分類。線性判別分析這是一種有監(jiān)督的線性方法。LDA的目標(biāo)是找到一個投影方向使得不同類別的樣本在該方向上的投影盡可能分開同一類別的樣本盡可能聚集。因此對于分類任務(wù)LDA提取的特征往往比PCA更具判別力。流形學(xué)習(xí)例如t-SNE、等距映射。這類方法假設(shè)高維數(shù)據(jù)實際上分布在一個低維流形上試圖在降維后保持?jǐn)?shù)據(jù)點之間的局部或全局結(jié)構(gòu)關(guān)系。它們可視化效果極佳常用于數(shù)據(jù)探索但由于計算復(fù)雜且通常不能給出顯式的變換矩陣較少直接用于后續(xù)分類的預(yù)處理。實戰(zhàn)心得與避坑指南不要迷信PCA在很多教程里PCA是默認第一步。但在實際分類任務(wù)中有監(jiān)督的降維方法如LDA通常比無監(jiān)督的如PCA效果更好因為它利用了已知的標(biāo)簽信息來指導(dǎo)特征提取。我做過一個農(nóng)作物分類項目使用PCA前10個成分的分類精度是85%而使用LDA前5個成分的精度就達到了89%。注意“信息泄露”在使用有監(jiān)督降維方法如LDA或基于模型的特征選擇如隨機森林重要性時必須嚴(yán)格在訓(xùn)練集上進行擬合/訓(xùn)練然后用擬合好的模型去變換驗證集和測試集。絕對不能在整個數(shù)據(jù)集上先做降維再劃分訓(xùn)練測試集這會導(dǎo)致嚴(yán)重的過擬合和樂觀的性能估計。降維后務(wù)必可視化將降維后的數(shù)據(jù)如前兩個主成分或判別分量用散點圖畫出來用顏色區(qū)分不同類別。這能直觀地看到各類別的可分性是檢驗降維效果最快速的方法。如果各類別點還混雜在一起說明當(dāng)前的降維方法或參數(shù)可能不合適。維度不是越低越好需要通過交叉驗證來確定最佳降維維度?？梢援嬕粭l“維度-分類精度”曲線找到精度開始平穩(wěn)或下降的拐點那個點對應(yīng)的維度通常就是比較合適的。3. 圖像融合讓高光譜“既見樹木又見森林”降維解決了數(shù)據(jù)“臃腫”的問題但高光譜圖像本身還有一個固有短板空間分辨率通常較低。這是因為在有限的傳感器尺寸和能量約束下要獲取數(shù)百個波段的光譜信息往往需要在空間分辨率上做出妥協(xié)。結(jié)果就是高光譜圖像能清晰地分辨不同地物的光譜差異“看懂”材質(zhì)但物體的邊界、紋理等空間細節(jié)卻很模糊。這時就需要引入圖像融合技術(shù)。它的核心思想是將一幅具有高光譜分辨率但低空間分辨率的高光譜圖像與一幅具有高空間分辨率但低光譜分辨率的多光譜或全色圖像進行結(jié)合生成一幅同時具有高光譜分辨率和高空間分辨率的圖像。簡單說就是“強強聯(lián)合”取長補短。3.1 融合的層次與主流算法剖析根據(jù)融合處理發(fā)生在信息抽象的不同階段可以分為像素級、特征級和決策級融合。在高光譜領(lǐng)域像素級融合最為常見因為它能直接生成一幅增強的圖像供后續(xù)分類等任務(wù)使用。1. 成分替換類方法這是最直觀、歷史最悠久的一類方法以Gram-Schmidt (GS)和主成分分析替換為代表。流程先對低空間分辨率的高光譜圖像進行空間上采樣插值使其尺寸與高空間分辨率圖像匹配。然后對高光譜圖像進行PCA變換用高空間分辨率圖像或其某個分量替換掉第一主成分PC1因為PC1通常包含了最多的空間結(jié)構(gòu)信息。最后進行PCA逆變換得到融合圖像。優(yōu)點計算簡單、速度快能較好地保持光譜信息。缺點融合效果嚴(yán)重依賴于替換的成分是否匹配。如果高分辨率圖像與PC1的空間信息不完全一致會導(dǎo)致光譜扭曲。實戰(zhàn)技巧在替換前通常會對高分辨率圖像進行直方圖匹配使其灰度分布與待替換的PC1分量相似這能在一定程度上減輕光譜失真。2. 多分辨率分析類方法這類方法基于多尺度變換如小波變換、輪廓波變換等。流程將高分辨率圖像進行多尺度分解得到低頻子帶近似信息和高頻子帶細節(jié)信息。同時將高光譜圖像的每個波段也進行同樣尺度的分解。然后用高光譜圖像的低頻子帶包含光譜信息替換掉高分辨率圖像的低頻子帶而保留高分辨率圖像的高頻子帶包含空間細節(jié)。最后進行逆變換得到融合后的各個波段。優(yōu)點在理論框架上更優(yōu)美能更精細地分離和融合光譜與空間信息。缺點計算量相對較大并且存在邊界效應(yīng)、需要選擇合適的小波基和分解層數(shù)等參數(shù)。實戰(zhàn)心得對于紋理復(fù)雜、邊緣豐富的場景如城市建筑多分辨率分析方法在空間細節(jié)保持上往往優(yōu)于成分替換法。3. 基于深度學(xué)習(xí)的端到端融合這是當(dāng)前的研究熱點。通過設(shè)計一個卷積神經(jīng)網(wǎng)絡(luò)以低分辨率高光譜圖像和高分辨率圖像作為輸入直接輸出高分辨率高光譜圖像。代表性網(wǎng)絡(luò)如殘差網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)被廣泛應(yīng)用。網(wǎng)絡(luò)會在大量成對數(shù)據(jù)上學(xué)習(xí)從“低空間分辨率高光譜”到“高空間分辨率高光譜”的映射關(guān)系。優(yōu)點能夠?qū)W習(xí)復(fù)雜的非線性映射融合效果潛力巨大且是端到端優(yōu)化避免了傳統(tǒng)方法中多步驟帶來的誤差累積。缺點需要大量的成對訓(xùn)練數(shù)據(jù)同一場景的高低分辨率圖像這在現(xiàn)實中很難獲取模型訓(xùn)練復(fù)雜調(diào)參困難可解釋性較差。避坑指南如果沒有足夠的真實成對數(shù)據(jù)可以考慮使用模擬退化的方法來構(gòu)造訓(xùn)練集將已有的高分辨率多光譜圖像視為“高光譜”通過光譜響應(yīng)函數(shù)模擬然后對其做空間下采樣和模糊來生成“低分辨率高光譜圖像”用這對數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)。但這種方法的效果上限受限于模擬過程的真實性。3.2 融合質(zhì)量評價不能只看“好看”融合后的圖像看起來更清晰了但如何定量評價其好壞需要從光譜保真度和空間細節(jié)注入度兩個方面衡量。光譜保真度衡量融合圖像的光譜信息與原始高光譜圖像的一致性。常用指標(biāo)有均方根誤差值越小越好。光譜角制圖計算融合前后每個像素光譜向量之間的夾角夾角越小光譜失真越小。通用圖像質(zhì)量指數(shù)綜合考慮相關(guān)性、亮度失真和對比度失真。空間細節(jié)注入度衡量融合圖像從高分辨率圖像中繼承了多少空間細節(jié)。常用指標(biāo)是計算融合圖像與高分辨率圖像在高頻分量上的相關(guān)性如空間頻率、平均梯度等值越大通常表示空間細節(jié)越豐富。重要提示絕對不要只憑肉眼觀察來判斷融合效果。人眼對空間細節(jié)增強非常敏感很容易覺得“更清晰”的就是好的而忽略細微的光譜失真。但在高光譜分類中光譜失真可能直接導(dǎo)致地物識別錯誤。因此必須結(jié)合定量指標(biāo)和后續(xù)分類任務(wù)的精度提升來綜合評估。4. 高光譜分類光譜“指紋”的終極識別經(jīng)過降維和融合的預(yù)處理我們得到了“精煉”過的高光譜數(shù)據(jù)最終任務(wù)就是分類——為每個像素打上類別標(biāo)簽。高光譜分類可以看作是一個典型的模式識別問題但其核心在于利用獨特的光譜特征。4.1 經(jīng)典分類器在高光譜場景下的適用性分析支持向量機在深度學(xué)習(xí)興起前SVM是高光譜分類的“黃金標(biāo)準(zhǔn)”。其核心思想是尋找一個最優(yōu)超平面使得不同類別樣本之間的間隔最大化。對于線性不可分的情況通過核函數(shù)如徑向基核RBF將數(shù)據(jù)映射到高維空間使其線性可分。優(yōu)點在小樣本情況下表現(xiàn)依然穩(wěn)健非常適合高光譜數(shù)據(jù)標(biāo)簽稀缺的特點通過核技巧能處理非線性問題。缺點對大規(guī)模數(shù)據(jù)訓(xùn)練速度慢核函數(shù)和參數(shù)如RBF的gamma和懲罰系數(shù)C的選擇對結(jié)果影響很大需要仔細調(diào)參。實戰(zhàn)調(diào)參通常使用網(wǎng)格搜索配合交叉驗證來尋找最優(yōu)的C和gamma。一個經(jīng)驗是先從較粗的網(wǎng)格如C[0.1, 1, 10], gamma[0.01, 0.1, 1]開始找到精度較高的區(qū)域后再細化搜索。隨機森林一種集成學(xué)習(xí)算法通過構(gòu)建多棵決策樹并綜合它們的投票結(jié)果來進行分類。優(yōu)點能夠處理高維數(shù)據(jù)且對參數(shù)不敏感訓(xùn)練速度快可以輸出特征重要性可用于指導(dǎo)降維或特征選擇不易過擬合。缺點對于類別極度不均衡的數(shù)據(jù)可能偏向多數(shù)類模型的可解釋性比單棵決策樹差。實戰(zhàn)技巧RF的兩個關(guān)鍵參數(shù)是n_estimators樹的數(shù)量和max_features每棵樹分裂時考慮的最大特征數(shù)。通常樹的數(shù)量越多越好但計算成本增加max_features可以設(shè)為特征總數(shù)的平方根或?qū)?shù)。K-最近鄰一個非常簡單的惰性學(xué)習(xí)算法根據(jù)待分類像素在特征空間中K個最近鄰樣本的類別來決定其類別。優(yōu)點原理簡單無需訓(xùn)練對數(shù)據(jù)的分布沒有假設(shè)。缺點計算量大需要計算與所有訓(xùn)練樣本的距離對高維數(shù)據(jù)敏感維度災(zāi)難需要妥善選擇距離度量如歐氏距離、馬氏距離和K值。適用場景通常作為性能比較的基線模型或在數(shù)據(jù)分布非常不規(guī)則時嘗試。4.2 深度學(xué)習(xí)從像素光譜到空譜聯(lián)合建模深度學(xué)習(xí)徹底改變了高光譜分類的范式它能夠自動從數(shù)據(jù)中學(xué)習(xí)多層次的特征表示?；诠庾V的神經(jīng)網(wǎng)絡(luò)早期工作將每個像素的光譜曲線視為一維向量輸入到全連接網(wǎng)絡(luò)或一維卷積網(wǎng)絡(luò)中學(xué)習(xí)。這純粹利用了光譜信息。局限完全忽略了像素之間的空間上下文關(guān)系。在圖像中相鄰像素很可能屬于同一類別?？兆V聯(lián)合分類網(wǎng)絡(luò)這是當(dāng)前的主流方向。核心思想是以目標(biāo)像素為中心截取一個小的圖像塊如7x7或9x9將這個三維數(shù)據(jù)塊空間寬度 x 空間高度 x 光譜波段輸入網(wǎng)絡(luò)。這樣網(wǎng)絡(luò)能同時學(xué)習(xí)局部空間紋理和光譜特征。二維CNN將光譜波段視為通道使用2D-CNN處理空間信息。但這種方式對不同波段同等對待可能無法充分挖掘光譜維的序列相關(guān)性。三維CNN直接使用3D卷積核同時在空間和光譜維度上進行卷積能更好地捕捉空譜聯(lián)合特征但參數(shù)量和計算量巨大?；旌暇W(wǎng)絡(luò)更流行的架構(gòu)是2D/3D混合CNN或CNN-RNN混合網(wǎng)絡(luò)。例如先用幾個3D卷積層提取淺層的空譜特征然后將其“壓平”成2D特征圖再用2D卷積層提取更深層的空間特征。或者用CNN提取空間特征后再用RNN或Transformer來處理光譜序列信息。實戰(zhàn)中的深度學(xué)習(xí)避坑經(jīng)驗數(shù)據(jù)準(zhǔn)備是關(guān)鍵構(gòu)建以每個有標(biāo)簽像素為中心的圖像塊時要確保塊的大小能覆蓋足夠的地物上下文又不能太大以至于包含過多異質(zhì)信息。通常需要根據(jù)圖像的空間分辨率來實驗確定。樣本不均衡是常態(tài)高光譜數(shù)據(jù)中各類別的樣本數(shù)往往差異巨大。必須使用加權(quán)交叉熵損失函數(shù)、過采樣/欠采樣或數(shù)據(jù)增強如對少數(shù)類樣本進行旋轉(zhuǎn)、鏡像等策略來緩解。小心過擬合高光譜標(biāo)注數(shù)據(jù)少深度學(xué)習(xí)模型容量大極易過擬合。除了使用Dropout、權(quán)重衰減外遷移學(xué)習(xí)是一個有效策略。可以使用在大型自然圖像數(shù)據(jù)集上預(yù)訓(xùn)練的模型如ResNet作為空間特征提取器僅微調(diào)最后幾層。不要忽視經(jīng)典方法對于小樣本數(shù)據(jù)集經(jīng)過精心調(diào)參的SVM性能可能仍然優(yōu)于一個未經(jīng)充分優(yōu)化的深度學(xué)習(xí)模型。深度學(xué)習(xí)并非萬能其優(yōu)勢在于大數(shù)據(jù)驅(qū)動下的特征自動學(xué)習(xí)。5. 一個完整的實戰(zhàn)流程與效果對比理論說了這么多我們用一個簡化的模擬流程來看看這些技術(shù)如何串聯(lián)起來并對比不同選擇的效果。假設(shè)我們有一個經(jīng)典的公開數(shù)據(jù)集如Indian Pines或Pavia University。步驟一數(shù)據(jù)讀取與預(yù)處理加載高光譜圖像數(shù)據(jù)和對應(yīng)的地面真實標(biāo)簽圖。檢查數(shù)據(jù)通常會發(fā)現(xiàn)某些波段噪聲較大特別是水汽吸收波段需要先將其剔除。然后對剩余波段進行歸一化將像素值縮放到[0, 1]或進行標(biāo)準(zhǔn)正態(tài)化以加速模型收斂并提高穩(wěn)定性。步驟二數(shù)據(jù)集劃分這是一個極易出錯的關(guān)鍵步驟。必須確保劃分的隨機性和分布一致性。不能簡單地按順序劃分因為相鄰像素高度相關(guān)。正確做法是根據(jù)標(biāo)簽圖將每個類別的像素索引打亂然后按比例如20%訓(xùn)練80%測試隨機抽取。確保訓(xùn)練集和測試集來自圖像的不同空間區(qū)域以評估模型的泛化能力。步驟三降維處理我們對比兩種方案方案A無監(jiān)督對全體數(shù)據(jù)僅用訓(xùn)練集擬合進行PCA保留前30個主成分累計貢獻率超過99.5%。方案B有監(jiān)督使用訓(xùn)練集數(shù)據(jù)擬合一個LDA模型將維度降至類別數(shù)-1維即如果共有16類則降至15維。步驟四分類器訓(xùn)練與評估在不進行融合的情況下分別將方案A和方案B得到的低維特征輸入到分類器中。我們選擇SVMRBF核和隨機森林進行對比。在訓(xùn)練集上使用5折交叉驗證網(wǎng)格搜索為SVM尋找最優(yōu)的(C, gamma)為RF尋找最優(yōu)的(n_estimators, max_features)。用最優(yōu)參數(shù)在完整訓(xùn)練集上重新訓(xùn)練模型。在獨立的測試集上評估模型記錄總體分類精度、平均分類精度和Kappa系數(shù)。模擬結(jié)果對比分析基于典型經(jīng)驗降維方案分類器總體精度優(yōu)點缺點PCA (30維)SVM~85%穩(wěn)定光譜信息保持好特征判別性可能非最優(yōu)LDA (15維)SVM~89%特征判別性強維度更低依賴標(biāo)簽質(zhì)量可能過擬合訓(xùn)練集分布PCA (30維)RF~87%訓(xùn)練快提供特征重要性對少數(shù)類可能識別不佳LDA (15維)RF~88%綜合表現(xiàn)均衡模型可解釋性稍弱從這個簡單的對比可以看出有監(jiān)督降維LDA結(jié)合SVM在這個小樣本場景下展現(xiàn)了優(yōu)勢。RF表現(xiàn)也很穩(wěn)健且訓(xùn)練更快。步驟五引入圖像融合如果有多光譜/全色數(shù)據(jù)假設(shè)我們獲得了同一區(qū)域的空間分辨率更高的多光譜圖像。我們采用GS融合方法將低分辨率高光譜圖像上采樣至與多光譜圖像相同尺寸。對高光譜圖像進行PCA變換。將多光譜圖像的第一個波段或通過PCA提取其第一主成分進行直方圖匹配使其與高光譜圖像的第一主成分統(tǒng)計特性一致。用匹配后的高分辨率圖像替換第一主成分。進行PCA逆變換得到融合后的高光譜圖像。步驟六融合后分類對融合后的圖像重復(fù)步驟二到四劃分?jǐn)?shù)據(jù)集時需確?？臻g對應(yīng)。你會發(fā)現(xiàn)由于空間細節(jié)的增強分類結(jié)果圖上的“椒鹽噪聲”孤立的錯分像素會顯著減少地物邊界變得更加清晰光滑總體分類精度和Kappa系數(shù)通常會有2-5個百分點的提升特別是對于幾何形狀規(guī)則、邊界清晰的地物如建筑物、道路改善明顯。6. 項目中的常見陷阱與進階思考走完整個流程你可能會覺得高光譜處理不過如此。但在真實的工程項目中從實驗室到落地還有無數(shù)個坑等著你。陷阱一標(biāo)簽噪聲與不確定性地面真實數(shù)據(jù)往往通過人工標(biāo)注或GPS實地測量獲得不可避免地存在誤差。一個像素可能包含混合地物混合像元卻被標(biāo)為單一類別。這種標(biāo)簽噪聲對監(jiān)督學(xué)習(xí)方法是致命的。對策包括使用對噪聲魯棒的算法如RF比SVM更魯棒嘗試半監(jiān)督或主動學(xué)習(xí)用少量干凈標(biāo)簽數(shù)據(jù)引導(dǎo)模型在標(biāo)注階段投入更多資源進行質(zhì)量控制。陷阱二光照與大氣影響同一地物在不同時間、不同天氣條件下采集的光譜曲線會有差異。這嚴(yán)重影響了模型的泛化能力。解決方案是進行大氣校正將傳感器接收的輻射值轉(zhuǎn)換為地表反射率。更實用的工程方法是進行數(shù)據(jù)標(biāo)準(zhǔn)化并盡可能在模型訓(xùn)練中引入來自不同時間、不同條件的數(shù)據(jù)增強模型的魯棒性。陷阱三模型部署與效率在實驗室用Python跑通一個3D-CNN模型可能精度很高但將其部署到衛(wèi)星或無人機上的嵌入式設(shè)備進行實時處理則是另一回事。必須考慮模型的計算復(fù)雜度、內(nèi)存占用和功耗。這時模型輕量化技術(shù)如知識蒸餾、模型剪枝、量化和高效網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計如MobileNet, ShuffleNet的變體就變得至關(guān)重要。進階思考走向端到端與無監(jiān)督當(dāng)前的研究前沿正在試圖打破“降維-融合-分類”的流水線探索端到端的解決方案。例如設(shè)計一個統(tǒng)一的深度學(xué)習(xí)網(wǎng)絡(luò)以原始高光譜圖像和輔助高分辨率圖像為輸入直接輸出分類圖讓網(wǎng)絡(luò)自己學(xué)習(xí)如何最優(yōu)地融合與表征特征。另一方面由于標(biāo)注成本高昂無監(jiān)督/自監(jiān)督學(xué)習(xí)在高光譜領(lǐng)域備受關(guān)注通過設(shè)計 pretext task如圖像修復(fù)、波段預(yù)測讓模型從海量無標(biāo)簽數(shù)據(jù)中學(xué)習(xí)通用的空譜特征表示再用于下游的分類任務(wù)這是一個極具潛力的方向。處理高光譜數(shù)據(jù)就像一位偵探在分析復(fù)雜的線索。降維是篩選出關(guān)鍵證據(jù)融合是結(jié)合目擊者報告和現(xiàn)場物證分類則是最終做出判斷。這個過程沒有一成不變的“銀彈”需要根據(jù)具體的數(shù)據(jù)特點、任務(wù)需求和計算資源靈活地選擇和組合這些工具。我個人的體會是永遠不要忽視數(shù)據(jù)本身的質(zhì)量和預(yù)處理這往往比追求最復(fù)雜的模型更能提升最終效果。先從經(jīng)典的SVMPCA/LDA流程開始建立性能基線再逐步引入更復(fù)雜的技術(shù)并用嚴(yán)格的實驗如交叉驗證、獨立測試集來驗證每一步的收益這才是穩(wěn)健的工程實踐之道。本文還有配套的精品資源點擊獲取