CN106778494A - 一种基于sift‑lpp的高光谱遥感影像特征提取方法 - Google Patents

Abstract

本发明公开了一种基于SIFT‑LPP的高光谱遥感影像特征提取方法，包括以下步骤：S1：找到影像的特征关键点m_i(x,y,σ)；S2：以特征关键点m_i(x,y,σ)为中心，选取4*4大小的区域，构建128维特征向量SIFT_i，并进行归一化处理，获得向量；S3：将向量d＝(d₁,d₂,…,d_n)^T映射到PCA子空间，得到向量α＝(α₁,α₂,…,α_n)^T；S4：构造最近邻图G和相似矩阵；S5：求解n个特征值和n个特征向量，将得到的特征向量构成矩阵W_LPP，从而得到算法的映射矩阵W为W＝W_PCAW_LPP；S6：对影像进行SVM分类，以平均分类精度来验证算法的有效性。本发明有效提高了地物识别分类精度。

Description

一种基于SIFT-LPP的高光谱遥感影像特征提取方法

技术领域

本发明涉及高光谱遥感影像特征提取领域，特别是涉及一种基于SIFT-LPP的高光谱遥感影像特征提取方法。

背景技术

高光谱遥感影像具有信息量大、光谱分辨率高的特点，更易于遥感地物的分类和识别，已成为遥感应用领域的一大热点。然而，高光谱遥感影像的高分辨率是以数据维度的变大和数据间相关性的变大为代价，同时也给影像的分析和处理提出了挑战。例如，信息的冗余度高、数据存储和处理时间长、易产生维数灾难现象等。因此，高光谱遥感影像在实际应用之前进行降维处理变得十分迫切，如何从数百波段中选择出高精度的波段组合仍是一个亟待解决的问题。然而，现有技术中的高光谱遥感影像特征提取方法往往地物识别分类精度较低。

发明内容

发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于SIFT-LPP的高光谱遥感影像特征提取方法。

技术方案：本发明所述的基于SIFT-LPP的高光谱遥感影像特征提取方法，包括以下步骤：

S1：找到影像的特征关键点m_i(x,y,σ)，σ为高斯正态分布的方差；

S2：以特征关键点m_i(x,y,σ)为中心，选取4*4大小的区域，构建128维特征向量SIFT_i，并进行归一化处理，获得向量d＝(d₁,d₂,…,d_n)^T，d_i∈R^N，i＝1,2,…,n；其中，n为维度；

S3：将向量d＝(d₁,d₂,…,d_n)^T通过矩阵W_PCA映射到PCA子空间，得到向量α＝(α₁,α₂,…,α_n)^T；

S4：构造最近邻图G和相似矩阵S：将PCA子空间向量的数据点α_i相应的n个节点图用邻图G体现，然后在α_i相应的节点i和α_j相应的节点j处设立边缘，其中α_i和α_j之间相差k个最近的样本点，并利用式(1)计算出相似矩阵S中的元素S_ij；

S5：通过式(2)求解n个特征值和n个特征向量，将得到的特征向量构成矩阵W_LPP，从而得到算法的映射矩阵W为W＝W_PCAW_LPP；

XLX^Tw＝λXDX^Tw (2)

式(2)中，X＝{x₁,x₂,…,x_n}，L＝D-S，λ为实数，w为映射矩阵W中的向量；

S6：对影像进行SVM分类，以平均分类精度来验证算法的有效性。

进一步，所述步骤S1中的特征关键点m_i(x,y,σ)通过以下步骤找到：

S1.1：对原始输入的高光谱遥感影像I(x,y)进行高斯滤波，生成的尺度空间函数L(x,y,σ)如式(3)所示：

式(3)中，G(x,y,σ)为高斯函数，如式(4)所示；

S1.2：在尺度空间内，构建高斯函数差分的DOG函数D(x,y,σ)，如式(5)所示：

式(5)中，k为一个实数；

S1.3：在生成的尺度空间内，通过对比当前尺度的图像像素与相邻的8个像素点以及上下不同尺度的图像的各9个像素点的像素大小，选择出局部的极值点作为特征关键点m_i(x,y,σ)。

有益效果：本发明公开了一种基于SIFT-LPP的高光谱遥感影像特征提取方法，利用SIFT算子对LPP算法进行了改进，不单考虑了所要识别的地物本身的光谱特性，还兼顾了与其临近的地物光谱信息以及空间布局，有效提高了地物识别分类精度。

附图说明

图1为现有技术中的LPP算法的示意图；

图2为本发明具体实施方式的SIFT特征提取过程的示意图；

图3为本发明具体实施方式生成的尺度空间的示意图；

图4为本发明具体实施方式的DOG尺度空间极值检测的示意图；

图5为本发明具体实施方式的特征描述符的生成过程图；

图6为本发明具体实施方式的方法流程示意图；

图7为四种算法在不同降维维度下的分类结果。

具体实施方式

下面结合附图和具体实施方式，对本发明的技术方案作进一步的介绍。

“流形学习”(Manifold Learning)是由Bregler等人在1995年首次提出来的，主要是学习维数比较高的数据内蕴几何结构，发现出这些高维数据的本质规律，获得高维欧氏空间中潜在的低维流形结构以及相应的对应关系，因此可以研究流行学习对高光谱遥感影像进行特征提取。局部保持投影算法(Locality Preserving Projection,LPP)属于“流形学习”算法的一种，能够挖掘出数据集的局部非线性特性和获取数据集的最优判别特征，达到维数约减的目的。LPP算法的基本原理是样本在原始空间上以及其附近的位置关系映射到特征空间上仍旧互为相邻状态，即在进行空间变换时可以保留数据的几何关系和局部结构。而局部特征描述算子(Scale Invariant Feature Transform,SIFT)是一种基于尺度空间的，对影像进行缩放、旋转或者仿射操作而保持尺度不发生变化的变换。当读取一幅影像的基本信息并经过高斯滤波处理后，SIFT算子在影像的尺度空间通过求极值点、过滤低对比点以及边缘点等操作得到稳定的关键点(Key Points)作为特征点，确定其位置和尺度信息，而后取特征点附近区域的梯度主方向当作其方向特征，最后生成特征描述符。因此可以研究用局部不变特征(SIFT)算子对流型算法保局影射(LPP)算法进行改进的特征提取方法。

本具体实施方式公开了一种基于SIFT-LPP的高光谱遥感影像特征提取方法，如图6所示，包括以下步骤：

S1：找到影像的特征关键点m_i(x,y,σ)，σ为高斯正态分布的方差；

S2：以特征关键点m_i(x,y,σ)为中心，选取4*4大小的区域，构建128维特征向量SIFT_i，并进行归一化处理，获得向量d＝(d₁,d₂,…,d_n)^T，d_i∈R^N，i＝1,2,…,n；其中，n为维度；

S3：将向量d＝(d₁,d₂,…,d_n)^T通过矩阵W_PCA映射到PCA子空间，得到向量α＝(α₁,α₂,…,α_n)^T；

S4：构造最近邻图G和相似矩阵S：将PCA子空间向量的数据点α_i相应的n个节点图用邻图G体现，然后在α_i相应的节点i和α_j相应的节点j处设立边缘，其中α_i和α_j之间相差k个最近的样本点，并利用式(1)计算出相似矩阵S中的元素S_ij；

S5：通过式(2)求解n个特征值和n个特征向量，将得到的特征向量构成矩阵W_LPP，从而得到算法的映射矩阵W为W＝W_PCAW_LPP；W_PCA为XX；

XLX^Tw＝λXDX^Tw (2)

式(2)中，X＝{x₁,x₂,…,x_n}，L＝D-S，λ为实数，w为映射矩阵W中的向量；

S6：对影像进行SVM分类，以平均分类精度来验证算法的有效性。

其中，如图2所示，步骤S1中的特征关键点m_i(x,y,σ)通过以下步骤找到：

S1.1：对原始输入的高光谱遥感影像I(x,y)进行高斯滤波，生成的尺度空间函数L(x,y,σ)如式(3)所示，生成的尺度空间如图3所示：

式(3)中，G(x,y,σ)为高斯函数，如式(4)所示；

S1.2：在尺度空间内，构建高斯函数差分的DOG函数D(x,y,σ)，如式(5)所示：

式(5)中，k为一个实数；

S1.3：在生成的尺度空间内，如图4所示，通过对比当前尺度的图像像素与相邻的8个像素点以及上下不同尺度的图像的各9个像素点的像素大小，选择出局部的极值点作为特征关键点m_i(x,y,σ)。

在步骤S1.3中，要实现特征关键点的精确定位，首先由位置(x,y)决定尺度空间的哪一层，而且它的梯度值m(x,y)和方向θ(x,y)可以通过以下公式得到：

θ(x,y)＝tan^-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y)) (7)

在计算过程中，做出梯度的直方图，对于当前特征点，取梯度直方图上相对应的峰值为主方向。如果在图上关于特征点存在其他接近主蜂值80％能量的方向时，认定为该点的第二主方向。所以，一个特征点也许不只有一个主方向，或许具有多个主方向，此时也就对应地具有多个特征向量描述。

将处理得到的影像根据目前特征点的主方向旋转，以转动后的领域范围作为目标，将其划分为个4*4子区域。计算每个子区域的8个方向梯度直方图，接着对它们的位置进行排序，如此就产生了一个维数为128的SIFT特征向量，如图5所示。此时得到的SIFT特征向量不再受尺度标准的变更、转动等操作的干扰，而后归一化其长度，在一定程度上能够剔除光照变化的干扰。

为了验证本具体实施方式提出的方法(SIFT-LPP-SVM)降维的有效性，另外设计了3组实验，分别是A组(PCA-SVM)、B组(LDA-SVM)、C组(LPP-SVM)，具体实验内容设计如表1所示。

表1四组对比实验

图7呈现出维度不相同的条件下四组实验的结果，在选择完全相同的样本情况下，A组的PCA算法是一种经典的线性降维方法，但是对于非线性的有效影像信息可能会丢失，因此处理实际的数据时效果不佳。在实验初期，随着维数的增加，B组的LDA降维方法增加速度比较快，但是当维数为25左右时，LDA算法的分类精度趋于稳定，随后提高不大。LPP算法也具有一定有效性，不过针对较为明显非线性特征的数据集它只是非监督的线性维数约简方法，构建局部最近领图时也未考虑样本的类标识信息，分类的精度并不是十分理想。采用本具体实施方式的SIFT-LPP算法能够非常好地通过特征点的梯度特征寻求到嵌入其中的线性结构，分类精度明显优于其他3种算法，LDA算法和LPP算法的特征子集的分类精度相差不大，PCA的分类精度较差。

此外，从图7中还可知，随着降维维数的变大，算法的分类精度增加速度变慢。这主要因为高光谱图像遥感数据的不确定性和复杂性，所以不是降维的维数越高越好。这时，合适维度的确定变为高光谱数据降维时的首要任务。

表2总体分类精度和kappa值

从表2可知，SIFT-LPP-SVM的总体分类精度和Kappa值比LPP-SVM算法、LDP-SVM算法以及PCA-SVM算法有了大幅度的提高，SIFT-LPP-SVM算法的总体分类精度最好，LPP-SVM总体分类精度优于LDP-SVM和PCA-SVM。

Claims (2)

1.一种基于SIFT-LPP的高光谱遥感影像特征提取方法，其特征在于：包括以下步骤：

S1：找到影像的特征关键点m_i(x,y,σ)，σ为高斯正态分布的方差；

S2：以特征关键点m_i(x,y,σ)为中心，选取4*4大小的区域，构建128维特征向量SIFT_i，并进行归一化处理，获得向量d＝(d₁,d₂,…,d_n)^T，d_i∈R^N，i＝1,2,…,n；其中，n为维度；

S3：将向量d＝(d₁,d₂,…,d_n)^T通过矩阵W_PCA映射到PCA子空间，得到向量α＝(α₁,α₂,…,α_n)^T；

S4：构造最近邻图G和相似矩阵S：将PCA子空间向量的数据点α_i相应的n个节点图用邻图G体现，然后在α_i相应的节点i和α_j相应的节点j处设立边缘，其中α_i和α_j之间相差k个最近的样本点，并利用式(1)计算出相似矩阵S中的元素S_ij；

S5：通过式(2)求解n个特征值和n个特征向量，将得到的特征向量构成矩阵W_LPP，从而得到算法的映射矩阵W为W＝W_PCAW_LPP；

XLX^Tw＝λXDX^Tw (2)

式(2)中，X＝{x₁,x₂,…,x_n}，L＝D-S，λ为实数，w为映射矩阵W中的向量；

S6：对影像进行SVM分类，以平均分类精度来验证算法的有效性。

2.根据权利要求1所述的基于SIFT-LPP的高光谱遥感影像特征提取方法，其特征在于：所述步骤S1中的特征关键点m_i(x,y,σ)通过以下步骤找到：

S1.1：对原始输入的高光谱遥感影像I(x,y)进行高斯滤波，生成的尺度空间函数L(x,y,σ)如式(3)所示：

$L(x,y,\mathrm{\σ})=G(x,y,\mathrm{\σ})\⊗I(x,y)---\left(3\right)$

式(3)中，G(x,y,σ)为高斯函数，如式(4)所示；

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}---\left(4\right)$

S1.2：在尺度空间内，构建高斯函数差分的DOG函数D(x,y,σ)，如式(5)所示：

$\begin{array}{c}D(x,y,\mathrm{\σ})=\left(G\right(x,y,k\mathrm{\σ})-G(x,y,\mathrm{\σ}\left)\right)\⊗I(x,y,\mathrm{\σ})\\ =L(x,y,k\mathrm{\σ})-L(x,y,\mathrm{\σ})\end{array}---\left(5\right)$

式(5)中，k为一个实数；

S1.3：在生成的尺度空间内，通过对比当前尺度的图像像素与相邻的8个像素点以及上下不同尺度的图像的各9个像素点的像素大小，选择出局部的极值点作为特征关键点m_i(x,y,σ)。