仿生光谱指纹匹配：
高光谱遥感影像的可解释分类新方法

申怀飞、邹明甫、裴仁杨、等 地球信息科学学报 · 2026 · 28(7): 1926-1939 方法：SFIMC 光谱指纹迭代匹配分类 数据：EO-1 / Hyperion 高光谱影像

本文面向高光谱遥感影像分类中的小样本泛化不足、深度模型黑箱化和传统光谱匹配方法抗噪性弱等问题，提出一种受生物指纹识别启发的光谱指纹迭代匹配分类方法 SFIMC。该方法将连续高维光谱响应转化为离散化数字指纹，通过汉明距离度量像元与标准模板之间的位级差异，并采用由严至宽的多级阈值迭代匹配机制实现分类。研究表明，SFIMC 在城乡交错带复杂场景中具有较高精度、小样本鲁棒性和明确可解释性。

高光谱遥感 光谱指纹 可解释分类 汉明距离 小样本学习 SFIMC
↓ 向下滚动阅读
01 · 研究背景与问题

高光谱分类需要在精度、样本效率与可解释性之间取得平衡

高光谱遥感具有“图谱合一”优势，可通过连续精细波段捕捉地物光谱响应，形成类似“光谱指纹”的判别信息。但在应急监测、稀有地物识别和复杂城乡交错带场景中，深度学习模型容易受限于标注样本不足，传统光谱匹配方法又容易受噪声和混合像元影响。

小样本泛化不足

CNN、Transformer 等深度学习模型通常依赖大量标注样本，在样本稀缺条件下容易过拟合，难以满足应急解译和基层业务需求。

黑箱模型难以追溯

深度模型分类依据往往不透明，难以解释某一像元为何被判定为特定地类，也难以与地物光谱机理建立直接对应。

传统算法抗噪性有限

MLC 依赖正态分布假设，SAM 和 SID 对噪声敏感，分类图中容易出现椒盐噪声和空间破碎化问题。

242
原始波段数
144
筛选后波段数
532
像素级样本
4
地物类别
02 · SFIMC 算法原理

从连续光谱到数字指纹，再到迭代匹配分类

SFIMC 的核心思想是将地物典型光谱响应抽象为标准光谱指纹模板，并将待分类像元转化为等长整数编码序列。分类过程不依赖复杂参数训练，而是通过汉明距离计算待分类像元与模板之间的位级差异。

S1
波段筛选：降低冗余

基于 Pearson 相关系数剔除高度冗余波段。研究以相关系数大于 0.95 作为阈值，从原始 242 个 Hyperion 波段中筛选出 144 个低冗余波段，为后续指纹构建提供更紧凑的特征序列。

Pearson Band Selection 242 → 144 Redundancy Reduction
S2
五级离散化：构建数字指纹

采用分位数法，以 20%、40%、60%、80% 分位点将连续反射率映射为 1—5 的整数编码。该过程保留主要光谱形态，同时抑制传感器噪声、大气扰动和微小地表异质性的影响。

Quantile 1-5 Encoding Spectral Fingerprint Noise Suppression
S3
汉明距离：位级相似性度量

对待分类像元与标准模板的等长指纹序列逐位比较，统计对应位置编码不同的数量。汉明距离越小，表示该像元与某一地类模板在光谱指纹结构上越相似。

Hamming Distance Bit-level Matching Template Matching Interpretability
S4
多级阈值迭代匹配

采用由严至宽的渐进识别策略。初始阶段使用严格阈值，仅识别光谱高度一致的核心像元；随后逐轮放宽阈值，逐步纳入存在光谱变异或混合特征的像元，并根据距离与阈值计算分类置信度。

T = 15 → 50 Iterative Matching Confidence Robust Classification

研究区与数据

  • 研究区位于华北平原向豫西山地过渡的城乡交错带。
  • 覆盖郑州、新乡、焦作三市交界区域。
  • 数据源为 EO-1 / Hyperion 高光谱影像。
  • 空间分辨率为 30 m，光谱分辨率约 10 nm。

分类对象与样本

  • 分类类别包括耕地、人工表面、林地、水体。
  • 共采集 532 个像素级样本。
  • 耕地 177 个，人工表面 171 个，林地 124 个，水体 60 个。
  • 对比算法包括 SVM、MLC、SAM 和 SID。
03 · 实验结果与精度表现

SFIMC 在总体精度、小样本鲁棒性和空间连续性上均表现突出

实验显示，SFIMC 在总体分类精度和 Kappa 系数上均显著优于传统监督分类和光谱匹配方法。在每类仅 10 个训练样本的极小样本条件下，该方法仍保持较高精度，体现出较强工程实用性。

88.82%
SFIMC 总体精度
0.85
SFIMC Kappa
71.18%
极小样本 OA
10 / 类
小样本训练规模
算法 总体精度 OA Kappa 系数 方法特征
SFIMC 88.82% 0.85 光谱指纹匹配，兼具抗噪性、小样本适应性与可解释性。
MLC 70.59% 0.60 依赖多元正态假设，复杂场景下性能受限。
SVM 63.58% 0.45 对参数和样本代表性敏感，小样本条件下易受影响。
SAM 47.06% 0.28 对光谱角度敏感，但容易受噪声和混合像元干扰。
SID 35.29% 0.15 基于光谱信息散度，对复杂异质场景适应性较弱。

各类地物识别效果

  • 耕地生产者精度为 88.46%，用户精度达到 100%。
  • 人工表面生产者精度和用户精度均约为 94%。
  • 水体生产者精度为 95.56%，用户精度约为 93%。
  • 林地生产者精度为 95.56%，用户精度约为 79%。

极小样本适应性

  • 每类仅 10 个训练样本时，SFIMC 的 OA 仍达到 71.18%。
  • 小样本 Kappa 为 0.63，明显优于 SVM、SAM 和 SID。
  • 仅需少量纯净样本即可构建有效指纹模板库。
  • 适合应急监测、稀有地物识别和基层快速解译场景。
核心发现：SFIMC 的优势不在于复杂模型训练，而在于将高光谱连续响应转化为稳定、可比较、可追溯的数字指纹。通过离散化、汉明距离与多级阈值匹配，算法在小样本和噪声条件下仍能保持较好鲁棒性。
04 · 可解释性、局限与启示

从“黑箱分类”转向“可追溯的光谱指纹匹配”

SFIMC 的分类链路具有明确的物理与数学含义：离散化过程对应对光谱形态的抽象，汉明距离反映位级光谱差异，多级阈值提供置信度解释。该方法为高光谱遥感智能解译提供了轻量化、透明化和易落地的新路径。

高性能

在城乡交错带复杂场景中，SFIMC 总体精度达到 88.82%，显著高于 MLC、SVM、SAM 和 SID 等对比方法。

强鲁棒

在每类仅 10 个训练样本的极端条件下，SFIMC 仍取得 71.18% 的总体精度，表现出良好的小样本适应性。

高透明

算法无需复杂统计假设和深度网络训练，分类依据可通过光谱指纹、汉明距离、阈值轮次和置信度追溯。

可解释性来源

  • 五级离散化保留光谱主要形态并抑制微小扰动。
  • 汉明距离直观反映像元与模板之间的位级差异。
  • 阈值轮次越严格，分类置信度越高。
  • 用户可追踪每个像元的匹配模板和判定依据。

局限与未来方向

  • 当前模板库相对静态，未来可引入动态模板更新机制。
  • 目前主要利用光谱特征，后续可融合纹理、邻域和空间上下文。
  • Hyperion 30 m 分辨率下边界混合像元仍不可避免。
  • 未来可融合 Sentinel-2 等更高空间分辨率数据提升边界识别。

工程应用价值

  • 适合标注样本有限的应急监测场景。
  • 计算逻辑简单，依托汉明距离位运算，具备轻量化部署潜力。
  • 便于基层业务人员理解和复核分类依据。
  • 可作为深度学习方法之外的可解释高光谱分类方案。

方法论启示

  • 高光谱分类不一定必须依赖大规模深度模型。
  • 将物理光谱形态转译为数字指纹，是连接机理与算法的有效路径。
  • 可解释性可通过“模板—距离—阈值—置信度”的链路实现。
  • 轻量、透明、可复核的模型在遥感业务化中仍具有重要价值。