高光譜圖像處理技術的前沿技術和發展趨勢

孟凡春

摘要：隨著高光譜遙感在對地觀測方面的應用越來越廣泛，高光譜遙感探測技術的核心技術—高光譜圖像處理技術得到了研究者極大地關注，高光譜圖像一般是研究分辨率在數量級范圍區間的光譜圖像。通過將高光譜的傳感器裝配在相應的空間儀器上，在電磁波譜觀測區域內，對目標區域內數量不等的連續而細分的不同光譜波段同時成像，使得地表的圖像和光譜信息可以同時獲取，第一次實現了光譜與圖像的統一。

關鍵詞：高光譜;圖像處理技術;發展

引言：在我國航空航天業快步發展的大背景下，遙感圖像在空間分辨率、時間分辨率以及光譜分辨率上取得了長足的進步，逐漸建立起對地面實行大范圍、多維度以及高精度的動態觀測體系。但同時，多光譜到高光譜圖像的轉變，也使得數據量激增，傳統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中的應用和問題分析其發展方向。

一、高光譜圖像處理技術的應用和現狀

通過高光譜圖像對地上物體進行精細分類是高光譜圖像遙感技術的應用核心之一，精細化分類的結果是后續制圖的基本參考數據，因此，高光譜圖像處理技術在土地覆蓋調研、環境監測以及資源調查等多個領域將具有重大應用價值。此外，基于高光譜的目標探測技術還在國防安全和公共基礎等領域中也有著巨大的發展潛力。

高光譜圖像的波段較多，而且相鄰波段間必然具有相關性，這就使得觀測到的高光譜圖像數據存在一定程度地冗余現象，并且信息量大，無疑給圖像的后期處理增添了壓力，數據的急劇增多引起計算機超負荷工作，性能不匹配。此外，高光譜圖像數據收集過程中的噪聲也會使數據內的光譜信息“失真”。故而需要對其進行降維，壓縮數據的信息量以便提供計算效率，同時對圖像的特征進行優化和簡化，并最大限度地保留有效信號，壓縮噪聲。

高光譜圖像精細分類中由于數據量大存在著面臨維數災難的問題。與此同時，傳統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，從而造成算法不能科學解決同物異譜的問題，這樣的分類結果使地物內部很容易產生噪點。

此外，盡管處理高維原始數據的高性能處理元器件得到了迅猛發展，為深入解決高光譜圖像數據并行快速處理以及在軌實時數據的提取提供了一定的基礎，但仍然面臨著高性能元器件技術制約。

二、高光譜圖像處理技術的前沿技術和發展趨勢

（一）數據降維技術

高光譜圖像數據本身的高維度特性帶來了海量的基礎信息，隨之而來的分類器的計算量以及分類器的訓練難度級別也呈現出了指數增長。鑒于這種情況，最為方便可行的方法便是對高光譜圖像數據進行降維處理。

以提取圖像的特征為目的的高光譜圖像的降維技術，通過使用低維數據去合理地表述高維數據的特征，該技術在科學地保留了目標圖像信息的基本特征同時也壓縮了原有圖像的海量數據，更加有助于主要信息的識別和提取。目前常見的數據降維算法主要有線性和非線性降維算法兩大類，其中線性降維技術的代表包括了獨立成分解析、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據的本來結構而高光譜圖像是含有非線性數據的，所以會造成一定的誤差，從應用前景來分析，非線性降維技術是趨勢，非線性降維技術的前沿技術之一便是等距映射算法技術，根據保持流形上的兩個點之間測地線的距離去展幵全局算法，利用圖論中數據點間的歐氏距離評估它們相對的測地線距離，然后將其代入多維度算法，從而獲得保留測地線距離方面的最優低維度算法映射結果。在保證高光譜數據降維后結果的穩健性以及全局最優性方面等距映射算法展現了極強的優勢，引起了眾多的關注，但是其復雜的運算流程還有待解決。

（二）基于DSP的圖像處理技術

作為專門用于解決不同數字信號的處理算法的而開發的處理器—DSP。科研人員根據低存儲、高并行以及多數據單指令的處理器陣列，運用多個數字信號DSP處理器來解決高光譜圖像數據的在軌同步處理，滿足了實時處理以及存儲的要求，該系統以數字信號DSP處理器搜索在軌目標為基礎，從系統軟硬件兩個方面闡述了其設計思路，其在軌同步處理手段依托于取得的完整數據影像，因此可視作實時處理。2014年科研人員探索把多個DSP并行使用嘗試處理高光譜圖像的異常探測，4片DSP處理器通過總線完成互聯，實現了數據總線和存儲模塊的共享，從而通過分解并行任務，實現計算處理效率得到了4倍的提升。同年，國外利用多核DSP處理器實現了基于正交子的空間投影（OSP）計算方法，同時實現了豐度信息的獲取，經過科學對比試驗，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算效率，實現實時地目標探測，未來基于DSP的高光譜圖像處理技術是算法研究，將會有較大的應用空間和探索空間，

（三）基于高性能計算的圖像處理技術

在利用高性能計算解決高光譜圖像領域方面，當前處理芯片的研發朝著智能化的方向前進，尤其是依托深度學習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習的Tesla P100，和面向深度學習的DGX-1超級計算機。IBM公司發布了類腦超算平臺 TrueNorth，該設備的處理能力約等于一千六百萬個神經元和及四十億個神經鍵，而能耗僅低到為2.5W。 我國計算技術的研究所也成功研制了寒武紀計算專用加速芯片，該芯片是面向機器進行學習的，寒武紀一號的強悍性能性能超過市場主流基于CPU核處理的100倍，而面積和功耗則僅為傳統CPU的1/10，效能提升可了三個數量級。可以預見，未來將突破傳統的基于馮諾依曼架構的處理和存儲相分離體系，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域做出重要貢獻。

總結

作為 21世紀末對地觀測領域的技術突破，高光譜遙感技術為國民經濟社會的建設、可持續發展以及國防安全建設中做出了巨大貢獻，但是，目前的高光譜遙感技術仍然要應對數據冗余大、不能在軌同時調整、信息處理和服務時效性差的挑戰，通過不斷探索高光譜圖像降維技術、基于DSP的圖像處理技術以及發展高性能處理器件，未來高光譜圖像處理必將發揮出更大的價值。

參考文獻：

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

[2]姜博厚，基于深度學習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]. 國土資源遙感.2019，03：59-64