论文部分内容阅读
摘 要：随着高光谱遥感在对地观测方面的应用越来越广泛，高光谱遥感探测技术的核心技术—高光谱图像处理技术得到了研究者极大地关注，高光谱图像一般是研究分辨率在数量级范围区间的光谱图像。通过将高光谱的传感器装配在相应的空间仪器上，在电磁波谱观测区域内，对目标区域内数量不等的连续而细分的不同光谱波段同时成像，使得地表的图像和光谱信息可以同时获取，第一次实现了光谱与图像的统一。
关键词：高光谱;图像处理技术;发展
引言：在我国航空航天业快步发展的大背景下，遥感图像在空间分辨率、时间分辨率以及光谱分辨率上取得了长足的进步，逐渐建立起对地面实行大范围、多维度以及高精度的动态观测体系。但同时，多光谱到高光谱图像的转变，也使得数据量激增，传统的人工判读方式已无法满足需求，因此，本文围绕高光谱图像处理技术中的应用和问题分析其发展方向。
一、高光谱图像处理技术的应用和现状
通过高光谱图像对地上物体进行精细分类是高光谱图像遥感技术的应用核心之一，精细化分类的结果是后续制图的基本参考数据，因此，高光谱图像处理技术在土地覆盖调研、环境监测以及资源调查等多个领域将具有重大应用价值。此外，基于高光谱的目标探测技术还在国防安全和公共基础等领域中也有着巨大的发展潜力。
高光譜图像的波段较多，而且相邻波段间必然具有相关性，这就使得观测到的高光谱图像数据存在一定程度地冗余现象，并且信息量大，无疑给图像的后期处理增添了压力，数据的急剧增多引起计算机超负荷工作，性能不匹配。此外，高光谱图像数据收集过程中的噪声也会使数据内的光谱信息“失真”。故而需要对其进行降维，压缩数据的信息量以便提供计算效率，同时对图像的特征进行优化和简化，并最大限度地保留有效信号，压缩噪声。
高光谱图像精细分类中由于数据量大存在着面临维数灾难的问题。与此同时，传统的古典算法多基于像元为分类基本单元算法，未将遥感图像在空间域上的特征考虑在内，从而造成算法不能科学解决同物异谱的问题，这样的分类结果使地物内部很容易产生噪点。
此外，尽管处理高维原始数据的高性能处理元器件得到了迅猛发展，为深入解决高光谱图像数据并行快速处理以及在轨实时数据的提取提供了一定的基础，但仍然面临着高性能元器件技术制约。
二、高光谱图像处理技术的前沿技术和发展趋势
（一）数据降维技术
高光谱图像数据本身的高维度特性带来了海量的基础信息，随之而来的分类器的计算量以及分类器的训练难度级别也呈现出了指数增长。鉴于这种情况，最为方便可行的方法便是对高光谱图像数据进行降维处理。
以提取图像的特征为目的的高光谱图像的降维技术，通过使用低维数据去合理地表述高维数据的特征，该技术在科学地保留了目标图像信息的基本特征同时也压缩了原有图像的海量数据，更加有助于主要信息的识别和提取。目前常见的数据降维算法主要有线性和非线性降维算法两大类，其中线性降维技术的代表包括了独立成分解析、线性判别解析以及多维度变换等算法，但是线性降维容易破坏数据的本来结构而高光谱图像是含有非线性数据的，所以会造成一定的误差，从应用前景来分析，非线性降维技术是趋势，非线性降维技术的前沿技术之一便是等距映射算法技术，根据保持流形上的两个点之间测地线的距离去展幵全局算法，利用图论中数据点间的欧氏距离评估它们相对的测地线距离，然后将其代入多维度算法，从而获得保留测地线距离方面的最优低维度算法映射结果。在保证高光谱数据降维后结果的稳健性以及全局最优性方面等距映射算法展现了极强的优势，引起了众多的关注，但是其复杂的运算流程还有待解决。
（二）基于DSP的图像处理技术
作为专门用于解决不同数字信号的处理算法的而开发的处理器—DSP。科研人员根据低存储、高并行以及多数据单指令的处理器阵列，运用多个数字信号DSP处理器来解决高光谱图像数据的在轨同步处理，满足了实时处理以及存储的要求，该系统以数字信号DSP处理器搜索在轨目标为基础，从系统软硬件两个方面阐述了其设计思路，其在轨同步处理手段依托于取得的完整数据影像，因此可视作实时处理。2014年科研人员探索把多个DSP并行使用尝试处理高光谱图像的异常探测，4片DSP处理器通过总线完成互联，实现了数据总线和存储模块的共享，从而通过分解并行任务，实现计算处理效率得到了4倍的提升。同年，国外利用多核DSP处理器实现了基于正交子的空间投影（OSP）计算方法，同时实现了丰度信息的获取，经过科学对比试验，多核DSP处理器可以在处理能力、编程难度以及能量消耗等诸多条件的约束下保持良好的效果，DSP还能提升高光谱图像算法的计算效率，实现实时地目标探测，未来基于DSP的高光谱图像处理技术是算法研究，将会有较大的应用空间和探索空间，
（三）基于高性能计算的图像处理技术
在利用高性能计算解决高光谱图像领域方面，当前处理芯片的研发朝着智能化的方向前进，尤其是依托深度学习算法的加速处理芯片，NVIDIA公司推出了有助于人工智能及深度学习的Tesla P100，和面向深度学习的DGX-1超级计算机。IBM公司发布了类脑超算平台 TrueNorth，该设备的处理能力约等于一千六百万个神经元和及四十亿个神经键，而能耗仅低到为2.5W。 我国计算技术的研究所也成功研制了寒武纪计算专用加速芯片，该芯片是面向机器进行学习的，寒武纪一号的强悍性能性能超过市场主流基于CPU核处理的100倍，而面积和功耗则仅为传统CPU的1/10，效能提升可了三个数量级。可以预见，未来将突破传统的基于冯诺依曼架构的处理和存储相分离体系，面向支持人工智能算法的低功耗、高性能处理芯片将开始发挥出巨大的研究潜力，并终将在高光谱图像图像处理和信息处理领域做出重要贡献。
三、总结
作为 21世纪末对地观测领域的技术突破，高光谱遥感技术为国民经济社会的建设、可持续发展以及国防安全建设中做出了巨大贡献，但是，目前的高光谱遥感技术仍然要应对数据冗余大、不能在轨同时调整、信息处理和服务时效性差的挑战，通过不断探索高光谱图像降维技术、基于DSP的图像处理技术以及发展高性能处理器件，未来高光谱图像处理必将发挥出更大的价值。
参考文献：
[1]张建伟，陈允杰.高光谱图像分类方法综述[J].南京信息工程大学学报（自然科学版），2019（01）
[2]姜博厚，基于深度学习的高光谱图像超分辨处理方法[J].信息与电脑（理论版），2019，22：
[3]姚本佐，何芳.空谱特征分层融合的高光谱图像特征提取[J]. 国土资源遥感.2019，03：59-64.
关键词：高光谱;图像处理技术;发展
引言：在我国航空航天业快步发展的大背景下，遥感图像在空间分辨率、时间分辨率以及光谱分辨率上取得了长足的进步，逐渐建立起对地面实行大范围、多维度以及高精度的动态观测体系。但同时，多光谱到高光谱图像的转变，也使得数据量激增，传统的人工判读方式已无法满足需求，因此，本文围绕高光谱图像处理技术中的应用和问题分析其发展方向。
一、高光谱图像处理技术的应用和现状
通过高光谱图像对地上物体进行精细分类是高光谱图像遥感技术的应用核心之一，精细化分类的结果是后续制图的基本参考数据，因此，高光谱图像处理技术在土地覆盖调研、环境监测以及资源调查等多个领域将具有重大应用价值。此外，基于高光谱的目标探测技术还在国防安全和公共基础等领域中也有着巨大的发展潜力。
高光譜图像的波段较多，而且相邻波段间必然具有相关性，这就使得观测到的高光谱图像数据存在一定程度地冗余现象，并且信息量大，无疑给图像的后期处理增添了压力，数据的急剧增多引起计算机超负荷工作，性能不匹配。此外，高光谱图像数据收集过程中的噪声也会使数据内的光谱信息“失真”。故而需要对其进行降维，压缩数据的信息量以便提供计算效率，同时对图像的特征进行优化和简化，并最大限度地保留有效信号，压缩噪声。
高光谱图像精细分类中由于数据量大存在着面临维数灾难的问题。与此同时，传统的古典算法多基于像元为分类基本单元算法，未将遥感图像在空间域上的特征考虑在内，从而造成算法不能科学解决同物异谱的问题，这样的分类结果使地物内部很容易产生噪点。
此外，尽管处理高维原始数据的高性能处理元器件得到了迅猛发展，为深入解决高光谱图像数据并行快速处理以及在轨实时数据的提取提供了一定的基础，但仍然面临着高性能元器件技术制约。
二、高光谱图像处理技术的前沿技术和发展趋势
（一）数据降维技术
高光谱图像数据本身的高维度特性带来了海量的基础信息，随之而来的分类器的计算量以及分类器的训练难度级别也呈现出了指数增长。鉴于这种情况，最为方便可行的方法便是对高光谱图像数据进行降维处理。
以提取图像的特征为目的的高光谱图像的降维技术，通过使用低维数据去合理地表述高维数据的特征，该技术在科学地保留了目标图像信息的基本特征同时也压缩了原有图像的海量数据，更加有助于主要信息的识别和提取。目前常见的数据降维算法主要有线性和非线性降维算法两大类，其中线性降维技术的代表包括了独立成分解析、线性判别解析以及多维度变换等算法，但是线性降维容易破坏数据的本来结构而高光谱图像是含有非线性数据的，所以会造成一定的误差，从应用前景来分析，非线性降维技术是趋势，非线性降维技术的前沿技术之一便是等距映射算法技术，根据保持流形上的两个点之间测地线的距离去展幵全局算法，利用图论中数据点间的欧氏距离评估它们相对的测地线距离，然后将其代入多维度算法，从而获得保留测地线距离方面的最优低维度算法映射结果。在保证高光谱数据降维后结果的稳健性以及全局最优性方面等距映射算法展现了极强的优势，引起了众多的关注，但是其复杂的运算流程还有待解决。
（二）基于DSP的图像处理技术
作为专门用于解决不同数字信号的处理算法的而开发的处理器—DSP。科研人员根据低存储、高并行以及多数据单指令的处理器阵列，运用多个数字信号DSP处理器来解决高光谱图像数据的在轨同步处理，满足了实时处理以及存储的要求，该系统以数字信号DSP处理器搜索在轨目标为基础，从系统软硬件两个方面阐述了其设计思路，其在轨同步处理手段依托于取得的完整数据影像，因此可视作实时处理。2014年科研人员探索把多个DSP并行使用尝试处理高光谱图像的异常探测，4片DSP处理器通过总线完成互联，实现了数据总线和存储模块的共享，从而通过分解并行任务，实现计算处理效率得到了4倍的提升。同年，国外利用多核DSP处理器实现了基于正交子的空间投影（OSP）计算方法，同时实现了丰度信息的获取，经过科学对比试验，多核DSP处理器可以在处理能力、编程难度以及能量消耗等诸多条件的约束下保持良好的效果，DSP还能提升高光谱图像算法的计算效率，实现实时地目标探测，未来基于DSP的高光谱图像处理技术是算法研究，将会有较大的应用空间和探索空间，
（三）基于高性能计算的图像处理技术
在利用高性能计算解决高光谱图像领域方面，当前处理芯片的研发朝着智能化的方向前进，尤其是依托深度学习算法的加速处理芯片，NVIDIA公司推出了有助于人工智能及深度学习的Tesla P100，和面向深度学习的DGX-1超级计算机。IBM公司发布了类脑超算平台 TrueNorth，该设备的处理能力约等于一千六百万个神经元和及四十亿个神经键，而能耗仅低到为2.5W。 我国计算技术的研究所也成功研制了寒武纪计算专用加速芯片，该芯片是面向机器进行学习的，寒武纪一号的强悍性能性能超过市场主流基于CPU核处理的100倍，而面积和功耗则仅为传统CPU的1/10，效能提升可了三个数量级。可以预见，未来将突破传统的基于冯诺依曼架构的处理和存储相分离体系，面向支持人工智能算法的低功耗、高性能处理芯片将开始发挥出巨大的研究潜力，并终将在高光谱图像图像处理和信息处理领域做出重要贡献。
三、总结
作为 21世纪末对地观测领域的技术突破，高光谱遥感技术为国民经济社会的建设、可持续发展以及国防安全建设中做出了巨大贡献，但是，目前的高光谱遥感技术仍然要应对数据冗余大、不能在轨同时调整、信息处理和服务时效性差的挑战，通过不断探索高光谱图像降维技术、基于DSP的图像处理技术以及发展高性能处理器件，未来高光谱图像处理必将发挥出更大的价值。
参考文献：
[1]张建伟，陈允杰.高光谱图像分类方法综述[J].南京信息工程大学学报（自然科学版），2019（01）
[2]姜博厚，基于深度学习的高光谱图像超分辨处理方法[J].信息与电脑（理论版），2019，22：
[3]姚本佐，何芳.空谱特征分层融合的高光谱图像特征提取[J]. 国土资源遥感.2019，03：59-64.