CN103903010A - 基于稀疏特征和邻域同属性的高光谱图像分类方法 - Google Patents

Abstract

本发明提供的是一种基于稀疏特征和邻域同属性的高光谱图像分类方法。包括：1、读入高光谱图像数据；2、求解字典D；3、求解稀疏特征A；4、设定训练集和测试集；5、支持向量机（Support Vector Machines,SVM）二分类；6、确定多分类结果；7、读入邻域尺度集合C；8、邻域划分；9、邻域同属性判定；10、重复进行步骤8和步骤9的循环操作，直到得到邻域同属性分类结果Y_l，其为最终分类结果Y_M。本发明具有分类效果好、处理高维数据时花费代价低，且适用性强等优点。

Description

基于稀疏特征和邻域同属性的高光谱图像分类方法

技术领域

本发明涉及一种高光谱图像的分类方法，特别是一种基于稀疏特征和邻域同属性的高光谱图像分类方法，属于遥感信息处理技术领域。

背景技术

高光谱数据的特点是数据量大、冗余多，维数较高，同时在波段之间存在着很强的相关性，从而为后续的处理带来了挑战。图像地物分类是遥感技术处理的主要内容，其依据是：相同类别的像元在光谱特征和空间特征上具有一致性，不同地物类别在光谱特征、空间特征上具有明显的差别。遥感图像分类过程，即将像元划分到相同类别中的过程。分类过程在高光谱图像处理中占有很重要的位置，如何使原始数据中丰富的地物信息在得到很好地描述的同时使其维数降低是一项十分重要的工作，因此如何充分的进行信息描述并取得较好的分类效果是一项关键技术。

在传统的分类方法中，对高维度数据进行特征信息提取之前，需要对数据进行降维处理，用较少的综合变量来代替原来较多的变量，同时综合变量要尽可能多的反映原来多变量包含的信息。其中经典的降维方法就是利用所有的波段通过主成分分析(Principal ComponentsAnalysis,PCA)变换来压缩数据，该变换主要采用线性投影法将数据投影到新的坐标空间中，从而使得到的新成分按照信息量分布，第一主成分包含的信息量最大，第二主成分与第一主成分无关并且在剩余成分中包含的信息量最大，依此类推，其在降低数据维数的同时最大限度的保持了原始数据信息。随后用所提取出来的主成分做为分类特征进行分类。

传统的高光谱数据分类方法中存在以下几个问题：1、高光谱数据分类结果中存在“噪声”像元。2、分类精度不高3、处理时间较长。4、没有充分利用邻域信息。针对以上问题，本发明提出一种稀疏特征和邻域同属性的高光谱图像分类方法。

发明内容

本发明的目的是提供一种具有更优的分类效果，分类视觉效果好，分类精度高、处理高维数据时花费代价低，适用性强的基于稀疏特征和邻域同属性的高光谱图像分类方法。

本发明的目的是这样实现的：

（1）、读入高光谱图像数据

读入高光谱高维数据，进行维数转换，并对其作归一化处理得到X，其中含有样本类别数为s；

（2）、求解字典D

对X进行字典学习，得到高光谱数据所对应的字典D；

（3）、求解稀疏特征A

利用X和已经求得的字典D求解高光谱数据的稀疏特征A；

（4）、设定训练集和测试集

从A中将s个类别各选取一部分样本来构成训练集E，测试集设定为整个A；

（5）、支持向量机（Support Vector Machines,SVM）二分类

将具有监督信息的训练样本中属于第i，1≤i≤s类样本对应的样本标号标记为+1，其余s-1的类别对应的样本标号标记为-1，训练样本经过SVM训练进而对测试样本进行二分类，并对分类结果进行存储；

（6）、确定多分类结果

由步骤（5）的分类结果确定多分类的分类结果，得到稀疏分类结果Y₀；

（7）、读入邻域尺度集合C

确定其中尺度的个数为l，l≥1，其中C中尺度元素为c_m，1≤m≤l；

（8）、邻域划分

对稀疏分类结果Y₀进行尺度为c_m，1≤m≤l的划分，得到一系列c_m×c_m尺寸的方形邻域；

（9）、邻域同属性判定

计算各邻域结构的异属度，进行邻域同属性判定处理，输出分类结果Y_m；

（10）、重复进行步骤（8）和步骤（9）的循环操作

其中步骤（8）中第m次的输入为步骤（9）中第m-1次的处理结果Y_m-1，直到得到邻域同属性分类结果Y_l，其为最终分类结果Y_M；

求解完毕，Y_M即为基于稀疏特征和邻域同属性的高光谱图像分类方法的分类结果。

本发明至少包括以下特点中的一个：提取高光谱图像的稀疏特征来作为分类特征；采用支持向量机（Support Vector Machines,SVM）一对余分类模型来进行多分类；采用邻域同属性判定的方法来对前期的分类结果来进行处理。主要特点体现在：

(1)所述的基于稀疏特征和邻域同属性的高光谱图像分类方法，采用的高光谱图像的稀疏特征来作为分类特征。

(2)多分类计算是利用一对余的SVM模型来完成。

(3)所述的(2)中的一对余的SVM模型可以替换为其他多分类模型。

(4)采用邻域同属性判定的方法来对(2)所得的分类结果进行处理。

(5)(4)中邻域同属性判定采用的邻域尺度集合中尺度个数大于等于1。

本发明的优势在于其应用稀疏特征使得图像得到很好的表述，同时能够降低处理时所花费的代价；能够对图像中的邻域信息充分的利用，能够很好的消除“噪声”像元优化了分类效果；能够适用于不同的高光谱图像，其适用性强等优点。

附图说明

图1为本发明的流程图。

图2为实验中的Indian Pines高光谱数据的真实图像。

图3为实验中在Indian Pines高光谱数据中所选取的原始各类的地物分布图。

图4为实验中在Indian Pines高光谱数据中所选取的样本名称和样本数量表。

图5为实验中的Saunas高光谱数据的真实图像。

图6为实验中在Saunas高光谱数据中所选取的原始各类的地物分布图。

图7为实验中在Saunas高光谱数据中所选取的样本名称和样本数量表。

图8a-图8d为实验中采用的两种不同方法对两个数据集分类后与之对应的各类地物的分类分布图，其中图8a、图8b、图8c、图8d分别对应着数据集一PCA+SVM分类分布图，数据集一本发明方法分类分布图，数据集二PCA+SVM分类分布图和数据集二本发明方法分类分布图。

图9为实验中采用的两种不同方法对两个数据集分类的评价指标表。

图10为实验中采用的两种不同方法对两个数据集运行的时间表。

具体实施方式

下面结合附图对本发明做出更详细的描述。

具体步骤如下：

1、读入高光谱图像数据。

读入三维的高光谱高维数据，对其进行维数转换使其从三维转换为二维数据以方便后续的处理，并对所得的二维数据作归一化处理得到X，确定要处理的样本类别数为s。

2、求解字典D。

高光谱遥感图像数据集

字典

(每一列

为一个原子)，可以把稀疏表示表达为如下形式的优化问题:

$\underset{D,\mathrm{\α}}{\min }\frac{1}{2}{\left|\right|X-\mathrm{D\α}\left|\right|}_F^2+\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_{\mathrm{1,1}},s.t.{\left|\right|d^j\left|\right|}_2\≤1,\∀j\∈1,...,m---\left(1\right)$

其中，

为系数矩阵(每一列

为高光谱数据xi对应的系数向量)，λ>0，参数λ平衡重构误差和稀疏性之间的折中关系。

通过对式(1)优化求解，最终得到高光谱数据所对应的字典D。

3、求解稀疏特征A。

可以将像元x∈X表示为字典D中原子的稀疏线性组合：

$\widehat{\mathrm{\α}}\left(x\right)=\arg \underset{\mathrm{\α}}{\min }{\left|\right|x-\mathrm{D\α}\left|\right|}_2^2+\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1---\left(2\right)$

则某像元x在字典D上的稀疏表示特征即为

通过对式(2)的优化求解可以得到高光谱数据的稀疏特征A。

这里需要说明步骤2和步骤3的求解可以通过SPAMS(SPArse Modeling Software)工具包来求解实现。

4、设定训练集和测试集。

从A中将s个类别各选取一部分样本来构成训练集E，测试集设定为整个A。

5、SVM二分类。

5.1、进行样本标号。

将具有监督信息的训练样本中属于第i(1≤i≤s)类样本对应的样本标号标记为+1，其余s-1的类别对应的样本标号标记为-1。

5.2、SVM二分类。

A中的元素p的分类决策函数为f_i(p)为式(3):

f_i(p)=<w,p>+b     (3)

其中，截距b为 ${\left[\begin{array}{cc}0& 1_v^T\\ 1_v& E^{T}E\end{array}\right]}^{-1}\left[\begin{array}{c}0\\ y\end{array}\right]$ 中的第一个元素，斜率w为式(4):

w=Eβ     (4)

其中，y为对应于E中第i类位置处的值为+1、其余元素值为-1的s维列向量，1_v为元素值全为1的s维列向量，参量β为 ${\left[\begin{array}{cc}0& 1_v^T\\ 1_v& E^{T}E\end{array}\right]}^{-1}\left[\begin{array}{c}0\\ y\end{array}\right]$ 中去掉第一个元素的列向量。

5.3、通过5.2得到二分类结果为f_i(p)，对结果进行存储。

5.4、重复5.1-5.3，直至f_s(p)求解完毕。

6、确定多分类结果。

由步骤5可得s个分类结果，A中测试样本的归属类别取决于s个结果中对应的哪个值最大，样本就偏向于这个类别并且最终归属为这一类，最终得到稀疏分类结果Y₀。

7、读入邻域尺度集合C。

读入尺度集合C，确定其中尺度的个数为l，其中C中尺度元素为c_m(1≤m≤l)。

8、邻域划分。

将原始高光谱图像的稀疏分类结果Y₀进行尺度为c_m(1≤m≤l)的划分，分为一系列的大小相同的不重叠的方形区域，得到一系列c_m×c_m尺寸的方形邻域。

9、邻域同属性判定。

9.1、计算各邻域结构的异属度。

计算异属度其中

表示第k个邻域结构，

为平均距离，该平均距离是指

中的像元到第i个类别之间的平均距离，其中距离可以为欧氏距离、马氏距离或者是最大似然距离。

9.2、进行邻域同属性判定处理。

对第k个邻域结构，如果计算出来的异属度满足下述式(5)和式(6)条件，则该邻域结构内的像元可以判定具有很高的光谱同属性，可划分为同一类。

$Q_i\left({\hat{X}}^{<k>}\right)<T_i$ 且 $Q_i\left({\hat{X}}^{<k>}\right)<Q_j\left({\hat{X}}^{<k>}\right),\&ForAll;j\&NotEqual;i---\left(5\right)$

T_i是对

进行同属性判定时所需的阈值。T_i的确定需要用到以下两个参数：

$I^{<k>}=\arg \min Q_i\left({\hat{X}}^{<k>}\right)---\left(6\right)$

$\mathrm{\&Lambda;}(I,\mathrm{\&gamma;})={\mathrm{\&Sigma;}}_k{Q}_I\left({\hat{X}}^{<k>}\right)---\left(7\right)$

其中，I^<k>为类别标号，其在

邻域中到该类别的平均距离最小，γ为像元的类别处于某邻域内时的统计分布结构，Λ(I,γ)为具有γ统计分布对第I类类别邻域的异属度的总和，因此，有T_i=T(I,γ)，其中具体如下：

$T(I,\mathrm{\&gamma;})=\frac{\mathrm{\&Lambda;}(I,\mathrm{\&gamma;})}{N_{\mathrm{\&gamma;}}}---\left(8\right)$

式(8)中，假设全部邻域结构数目为N，而N_γ所有邻域中具有特征γ的邻域结构数目。

9.3、经过步骤9.1和9.2可以输出经过邻域同属性判定处理的分类结果Y_m。

10、重复进行步骤8和步骤9的循环操作，其中步骤8中第m次的输入为步骤9中第m-1次的处理结果Y_m-1，直到得到邻域同属性分类结果Y_l，其为最终分类结果Y_M。

通过步骤1至步骤10，最终输出本发明下的高光谱图像分类结果Y_M。图1给出了本发明方法的流程图。

为了说明本发明的有效性，特进行如下实验论证。

其中采用两个不同的高光谱数据集来验证本发明方法的适用性。

实验数据集一：Indian Pines高光谱数据

美国印第安纳州Indian Pine实验区图像，其于1992年6月用AVIRIS传感器采集得到，空间分辨率为20m。原始图像共有220个波段，大小为144×144，共有16种地物分布，将原始的220个波段中受噪声影响较大的一些波段去除后选取200个波段作为仿真研究对象。考虑到地物个数、比例等原因从中16种地物中选取9类地物来进行实验，为方便对其分别标号为第1-9类。实验数据如图2所示，选取的原始各类的地物分布如图3所示，所选取的样本名称和样本数量如图4所示。从这9种实际地物分布样本中均匀抽取10%的数据作为训练样本。

实验数据集二：Saunas高光谱数据

Saunas图像是于加利福尼亚萨莱纳斯山谷由AVIRIS传感器采集获得，空间分辨率为3.7m，原始图像共有224个波段，大小为512×217，共有16种地物分布，将原始的224个波段中受噪声影响较大的一些波段去除后选取204个波段作为仿真研究对象。仿真中截取其中的一块192×192大小的区域，从中选取7种类别的地物，对其分别标号为1-7类。实验数据如图5所示，选取的原始各类的地物分布如图6所示，其中所选取的样本名称和样本数量如图7所示。从这7种实际地物分布样本中均匀抽取10%的数据作为训练样本。

在对高光谱图像进行分类时，本发明方法与经典方法即利用PCA特征提取然后经SVM分类方法（此方法标记为PCA+SVM）进行对比。其中，实验中，本发明方法中所用的邻域尺度集合C为[2,3,4]。

运用两种方法分类后与之对应的各类地物的分类分布图如图8所示，可以很直观的看到相对于PCA+SVM分类，本发明的方法“噪声”像元明显减少，分类效果图好。

两种分类方法的四个分类评价指标即总体分类精度，Kappa系数、平均漏分率和平均错分率如图9所示，其中由这些指标的定义可以知道总体分类精度和Kappa系数越高且平均漏分率和平均错分率越低时，图像的分类效果就越好，较之PCA+SVM，针对数据集一本发明的方法中从总体分类精度和Kappa系数来看均要高出20%，从平均漏分率和平均错分率来均降低20%；针对数据集二本发明的方法中从总体分类精度和Kappa系数来看均要高出14%，从平均漏分率和平均错分率来均降低17%。

两种方法对两个数据集在同一机器上的运算时间如图10所示。其中t₁表示对高光谱图像进行特征提取的时间，对PCA+SVM分类方法而言为进行PCA特征提取的时间，针对本发明方法为对高光谱数据进行字典学习求取D和求取稀疏特征值A得时间之和；t₂表示SVM多分类的时间；t₃为邻域同属性判定处理的时间；t₄为总时间，即为t₁，t₂和t₃的加和。可以看出本发明方法有效的缩短了SVM多分类处理时间。虽然本发明方法的稀疏特征提取时间要稍微长一些，并且会在邻域同属性判定处理上花费一些时间，在数据集二的处理时间中能够体现其在整体的处理时间中只占很小的一部分，可以忽略不计。

通过实验的对比分析可以进一步看出本发明方法优势所在。

Claims (1)

1.一种基于稀疏特征和邻域同属性的高光谱图像分类方法，其特征是：

（1）、读入高光谱图像数据

读入高光谱高维数据，进行维数转换，并对其作归一化处理得到X，其中含有样本类别数为s；

（2）、求解字典D

对X进行字典学习，得到高光谱数据所对应的字典D；

（3）、求解稀疏特征A

利用X和已经求得的字典D求解高光谱数据的稀疏特征A；

（4）、设定训练集和测试集

从A中将s个类别各选取一部分样本来构成训练集E，测试集设定为整个A；

（5）、支持向量机即SVM二分类

将具有监督信息的训练样本中属于第i，1≤i≤s类样本对应的样本标号标记为+1，其余s-1的类别对应的样本标号标记为-1，训练样本经过SVM训练进而对测试样本进行二分类，并对分类结果进行存储；

（6）、确定多分类结果

由步骤（5）的分类结果确定多分类的分类结果，得到稀疏分类结果Y₀；

（7）、读入邻域尺度集合C

确定其中尺度的个数为l，l≥1，其中C中尺度元素为c_m，1≤m≤l；

（8）、邻域划分

对稀疏分类结果Y₀进行尺度为c_m，1≤m≤l的划分，得到一系列c_m×c_m尺寸的方形邻域；

（9）、邻域同属性判定

计算各邻域结构的异属度，进行邻域同属性判定处理，输出分类结果Y_m；

（10）、重复进行步骤（8）和步骤（9）的循环操作

其中步骤（8）中第m次的输入为步骤（9）中第m-1次的处理结果Y_m-1，直到得到邻域同属性分类结果Y_l，其为最终分类结果Y_M；

求解完毕，Y_M即为基于稀疏特征和邻域同属性的高光谱图像分类方法的分类结果。

Images