高光譜遙感影像分類的特點：
- 特徵空間維數高，數據相關性強，冗餘度高，運算時間長；
- 要求的訓練樣本多；
- 可用於分類的特徵多，既包括直接光譜向量，還可以計算植被指數、光譜吸收指數、導數光譜、紋理特徵、形狀指數等派生特徵
- 圖像的二階統計特徵在識別中的重要性增加
分類採用的策略：
- 以訓練樣本爲依據的監督分類與非監督分類
- 以分類特徵輸入爲依據的分類策略
- 以像元構成假設爲前提的硬分類和軟分類
- 以基本操作單元爲基礎的像素級分類和對象級分類
- 以分類器數量爲區分準則的單分類器和多分類器集成
![分類策略圖]()
高光譜影像分類的挑戰
- 維數災難的挑戰。在特定的分類器和訓練樣本條件下，高光譜影像的分類精度會隨着特徵維數的增大而呈現先增後減的趨勢，分類器的泛化能力會隨着維數的增大而變弱；
- 非線性數據結構的挑戰。信號的高維特性、不確定性、信號冗餘以及地表物體的異質性等導致了高光譜數據結構的高度非線性，一些基於統計模式識別理論的分類模型難以直接對原始高維數據進行分類識別；
- 不適定問題的挑戰 (Shahshahani 和Landgrebe, 1994)。在統計學習中，由於已標記樣本有限和樣本質量不均一，統計模型往往不足以表達高光譜影像的數據分佈，模型參數無法估計或估計不準確；
- 空間同質性和異質性問題的挑戰。實地表物體的分佈呈現區域性，相鄰位置通常代表相同的物體。然而，逐像素的分類結果往往與此相違背，空間先驗知識沒有在分類問題中發揮作用。因此，需要引入空間上下文、紋理、語義、對象、形狀等特徵和知識，以提高分類精度。
解決方案
- 核變換技術：可以很好地解決“複雜非線性數據結構”的問題
- 特徵挖掘技術：能夠尋找出有效特徵集，在一定程度上緩解“維數災難”現象
- 半監督學習和主動學習用於高光譜影像分類：解決高光譜影像處理的 “ 不適定 ” 問題
- 光譜–空間分類：可以綜合利用光譜和空間特徵，很好地解決高光譜分類中“空間同質性與異質性”問題
- 稀疏表達：將高維信號表示成少數字典原子及其係數的線性組合，在去噪的同時發掘數據本源並對其進行有效表徵，傳遞字典原子的類別信息，依據最小重構誤差可實現較準確的信號分類
- 多分類器集成：可以解決單一分類器泛化性能差、選擇分類器主觀性強等問題
參考資料
論文：高光譜遙感影像分類研究進展_杜培軍