Overview and prospects of intelligent classification of hyperspectral images
Mingyi He, Qiang Li, Ying Guo, Yan Hongmei · Journal of Image and Graphics · 2025
结合国内外发展动态和笔者团队30余年高光谱图像分类研究实践，深入探讨、综述高光谱图像分类的研究进展与未来发展趋势。从新的视角将多光谱和高光谱图像分类方法划分为4类：1）传统方法，即特征提取加常规分类器的方法；2）常规学习方法，即特征提取加常规学习分类器的方法；3）深度学习方法，即基于深度学习的端对端自动特征挖掘与分类的方法；4）数据与知识融合驱动的方法，即深度学习方法与领域知识和特征融合的方法。其中，第2类至第4类方法统称为智能分类方法，是本文的主题。本文是国内外第1篇高光谱图像智能分类研究综述论文。首先，回顾并梳理高光谱图像分类的背景和发展历程，介绍为高光谱图像分类研究和验证测试提供基础的代表性高光谱卫星和高光谱数据集。接着，重点围绕特征挖掘和分类器两个核心方向，分别介绍高光谱图像特征挖掘、传统分类方法、常规学习分类方法和深度学习分类方法，列举若干代表性模型、方法及应用案例。最后，讨论该领域目前仍存在的问题和挑战，并对未来发展方向进行讨论：数据与知识联合驱动的深度学习方法成为热点，多尺度、多分辨率、多特征和多分类器的有效融合是提高高光谱图像分类精度的重要途径，小样本学习、零样本迁移学习以及轻量化、有限精度技术神经网络在星载高光谱图像应用中值得重视。研究表明，本文对高光谱图像分类方法的4类划分体现了技术的发展历史、当前重点和未来趋势，其中数据与知识融合的高光谱图像分类（即第4类方法）是对高光谱图像分类前沿研究方向的洞见，对未来研究和应用具有重要指导意义。