基于机器学习的高光谱图像分析：综述

高光谱传感器能够远程研究场景材料的化学特性，以用于环境中物体的识别、检测与化学成分分析。因此，从地球观测卫星和飞机捕获的高光谱图像在农业、环境监测、城市规划、采矿和国防中日益重要。机器学习算法因其卓越的预测能力已成为现代高光谱图像分析的关键工具。因此，对机器学习技术的扎实理解对遥感研究者和从业者已必不可少。本文回顾并比较了文献中发表的近期基于机器学习的高光谱图像分析方法。我们按图像分析任务和机器学习算法类型组织方法，并给出图像分析任务与可应用于它们的机器学习算法类型之间的双向映射。本文在高光谱图像分析任务与机器学习算法两方面覆盖全面。所考虑的图像分析任务有土地覆盖分类、目标检测、解混和物理参数估计。涵盖的机器学习算法有高斯模型、线性回归、逻辑回归、支持向量机、高斯混合模型、潜在线性模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。我们还讨论了高光谱图像分析领域的开放挑战并探索可能的未来方向。