CN112560949A - 基于多级统计学特征提取的高光谱分类方法 - Google Patents

Abstract

本发明公开了一种基于多级统计学特征提取的高光谱分类方法，首先为每个像素鉴定超像素邻域集合，有利于准确提取空间上下文信息。然后，提出多级统计学特征，包括平均特征、协方差描述特征及高斯特征，充分提取空间几何信息、不同光谱间的关联信息以及空间‑光谱信息间的变化特征，能在很大程度上提高分类精度。并且，设计多级核函数并构建多任务核稀疏表示分类模型，有效融合三种统计学特征，完成分类任务，进一步提高了弱监督条件下的分类精度及稳定性。与同类最新提出的高光谱分类方法相比，本发明特征提取分类方法分类精度更高，可应用于高光谱分类及航天遥感、地质勘查、农业信息监测、海洋和大气监测及军事侦察等实际工程领域。

Description

基于多级统计学特征提取的高光谱分类方法

技术领域

本发明涉及一种基于多级统计学特征提取的高光谱分类方法，属于高光谱图像处理与应用技术领域。

背景技术

高光谱图像不仅包含丰富的空间信息，还包含几百甚至上千个波段的光谱信息，被成功应用于军事目标识别、地质勘查、物质探测、海洋大气监测等各个工程领域。其中，高光谱分类是最本质的问题，其目标是将每一个光谱像素点分到特定的类别。为完成分类任务，SVM、MLR等分类方法被提出。但这些方法都存在两个主要问题：(1)弱监督条件下分类精度较低；(2)光谱混叠引起的噪声。为解决这两个主要问题，众多特征提取方法被提出，致力于提取不同方面的空间特征，提高分类精度。其中一类为手动特征提取方法，包括EMP特征提取、LBP特征提取以及多特征提取方法等。虽然这些手动特征提取方法都在很大程度上提高了分类精度，但在训练样本较少(弱监督)的条件下，分类精度急剧降低。另一类为基于卷积神经网络(CNN)的分类方法，通过一系列深度网络层自动提取由简单到复杂的空间-光谱特征。虽然这些方法也在很大程度上提高了高光谱分类精度，但还存在两个缺点：(1)训练深度神经网络需要大量的训练样本，而弱监督条件下，训练样本较少，在本质上限制了基于CNN分类方法的分类精度；(2)深度网络具有大量的参数需要训练，造成了极大的计算复杂度，限制了其实际应用。因此，如何提取更具有识别力的空间-光谱特征，在弱监督条件下有效提高分类精度，仍是一个具有挑战性的任务。

发明内容

本发明要解决的技术问题为：如何准确提取更具识别力的空间-光谱特征，构建有效融合多级统计学特征的分类方法，在弱监督条件下大大提高分类精度及稳定性。

本发明为解决上述技术问题采用以下技术方案：

一种基于多级统计学特征提取的高光谱分类方法，该方法为每个像素鉴别超像素邻域邻域集合，有利于准确提取空间上下文信息。并且，提取平均特征、协方差描述特征及高斯特征等多级统计学特征，有效提高了弱监督条件下的分类精度及稳定性。构建多任务核分类器有效融合多级统计学特征，进一步改善了分类精度。

该方法包括以下步骤：

步骤1、对原始高光谱图像X进行最小噪声分离变换MNF操作，得到降维高光谱数据F；

步骤2、依次使用主成分分析PCA以及基于熵率的超像素过分割方法，生成X的2-D超像素图；

步骤3、对F中的每一个降维像素，在其对应的超像素中找出与其之间余弦相似度最小的M′个像素，构成该降维像素的超像素邻域集合；

步骤4、对F中的每一个降维像素，从其超像素邻域集合中提取平均特征；F中的第i个降维像素的平均特征

其中f_i ^p为该降维像素的超像素邻域集合中的第p个像素，i＝1,2,…,n，n为F中的像素总数；

步骤5、对F中的每一个降维像素，从其超像素邻域集合中提取协方差描述特征；F中的第i个降维像素的协方差描述特征

步骤6、对F中的每一个降维像素，从其超像素邻域集合中提取高斯特征；F中的第i个降维像素的高斯特征

其中，Q_i通过式C_i＝Q_iQ_i ^I计算得到；

步骤7、基于平均特征、向量化的协方差描述特征vec(C_i)和向量化的高斯特征vec(Y_i)，获得X的空间-光谱特征集

其中

为X中第i个像素的空间-光谱特征，

步骤8、分别设计核函数将Z^r中的平均特征、协方差描述特征和高斯特征映射到统一的高维希尔伯特空间，得到映射后的空间-光谱特征集Z′^r，其中平均特征对应的核函数为k₁(·,*)＝(·)^T(*)，协方差描述特征对应的核函数为k₂(·,*)＝trace(log(·),log(*))，高斯特征对应的核函数为k₃(·,*)＝trace(log(·),log(*))；

步骤9、从Z′^r中随机选取C类共N个特征，构建统计学特征空间字典

其中

为对应第c类的子字典，c＝1,2,…,C，C为类别数；

步骤10、建立基于多级统计学特征的多任务核稀疏表示分类模型

s.t.‖α^r‖₀≤K，其中α^r*为最优稀疏向量，α^r为稀疏向量，K为稀疏度，z′^r为Z′^r中的某个像素特征；

步骤11、使用核正交匹配追踪算法求解步骤10中的模型，得到α^r*；

步骤12、计算重建误差，其中第c类的重建误差

为

对应的最优稀疏子向量；

步骤13、依据式label(z′^r)＝arg min_{c＝1,2,…,C}w_c(z′^r)得到z′^r的类别；

步骤14、重复步骤10至13，得到Z′^r中每个特征的类别，即得到X中每个像素的特征，输出X的类别标签图。

进一步，步骤3中余弦相似度的计算公式为：

式中，f_i ¹为F中的第i个降维像素，f_i ^q为f_i ¹对应的超像素中的第q个像素。

进一步，步骤11中的求解方法包括如下步骤：

11-1)分别计算k_r(z′^r,z′^r),Γ＝k_r(D^r,D^r)和K＝k_r(z′^r,D^r)；

11-2)初始化稀疏向量

索引集合

以及残差‖ss₀‖²＝k_r(Z′^r,Z′^r)，最小误差界限ε；

11-3)当t≤K或者

实施以下循环：

11-3-1)计算k_r(z′^r,D^r)-α^TΓ(:,Δ_t)，并选择计算结果中最大值的位置，记为id_t，其中，Δ_t为第t次迭代时的索引集合；

11-3-2)Δ_t＝[Δ_t,id_t]；

11-3-3)计算Γ_t＝Γ(Δ_t,Δ_t)和K_t＝K(Δ_t)；

11-3-4)更新稀疏表示

11-3-5)更新残差

11-4)得到稀疏向量

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)本发明首先为每个像素鉴别出超像素邻域集合，有利于更准确的利用高光谱图像的空间上下文信息；

(2)本发明提取多级统计学特征，从不同方面充分提取空间集合信息、不同光谱间的关联信息，以及空间-光谱信息的相关变化信息，这将在很大程度上改善弱监督条件下的分类精度及稳定性；

(3)本发明设计多核函数并嵌入多任务核稀疏表示分类器，有效融合了三种统计学特征，进一步提高了分类精度。

(4)本发明提出的方法与其他同类型方法相比，在弱监督条件下能在很大程度上提高分类精度。

附图说明

图1为本发明方法的流程示意图；

图2为实验高光谱图像，其中(a)为真实高光谱图像，(b)为正确标签图；

图3为本发明所述方法MSFE在超像素数量从20增长到120，超像素邻域像素数量从100增长到300时，总体分类精度OA的曲线图；

图4中的(a)至(h)分别为本发明所述方法MSFE及SSHGDA、SFMKSRC、LCMR、SRST、ISSR-DCNN、MCMs-2DCNN和S-DMM八种分类方法对实验高光谱图像分类结果的视觉对比图；

图5为本发明所述方法MSFE及SSHGDA、SFMKSRC、LCMR、SRST、ISSR-DCNN、MCMs-2DCNN和S-DMM八种分类方法在每类所选训练样本数量从3增加到10时，总体分类精度OA的曲线图。

具体实施方式

本发明提出了一种多级统计学特征提取方法及其在高光谱图像中的应用。首先，为每一个降维的像素点，从对应的超像素中鉴别出与其最相似的超像素邻域集合，不仅能更准确的提取空间上下文信息，还能在很大程度上降低计算复杂度。然后，从每个像素的超像素邻域集合中提取多级统计学特征，包括平均特征、协方差描述特征及高斯特征，来表示原始像素的空间-光谱特征。这三种统计学特征可以从不同方面充分提取空间几何信息、不同光谱间的关联信息以及空间-光谱信息间的变化特征，并且相互互补。另一个优势为虽然不同像素的超像素邻域集合尺寸不一样，但不同像素点的多级统计学特征具有相同的尺寸，可以统一用于分类。接着，构建多级核函数将多级统计学特征映射到统一的希尔伯特空间，并将多级核函数嵌入来构建多任务核稀疏表示分类器，完成分类任务。多任务核稀疏表示分类器提供了一种将多级统计学特征融合在一起的自然方法，大大提高了弱监督条件下的分类精度及稳定性。

如图1所示为本发明的流程图，具体的流程描述如下：

步骤1、对原始高光谱图像X进行MNF操作，得到降维高光谱数据F。

步骤2、使用PCA及熵率超像素过分割方法生成原始高光谱图像的2-D超像素图；

步骤3、对F中的降维像素f_i ¹，使用余弦相似度公式

在其对应的超像素中鉴定与其最相似(余弦相似度最小)的M′个像素，构成超像素邻域集合

其中，当M′大于对应的超像素中所有像素点数量M时，M′＝M。i＝1,2,…,n，n为F(X)中的像素总数。

步骤4、对F中的降维像素f_i ¹，从其超像素邻域集合

中提取平均特征

步骤5、对F中的降维像素f_i ¹，从其超像素邻域集合

中提取协方差描述特征

步骤6、对每一个降维像素f_i ¹，从其超像素邻域集合

中提取高斯特征

其中，Q_i通过式C_i＝Q_iQ_i ^T计算所得。

步骤7、基于平均特征、向量化的协方差描述特征vec(C_i)和向量化的高斯特征vec(Y_i)，获得X的空间-光谱特征集

其中

为X中第i个像素的空间-光谱特征，

步骤8、分别设计核函数将Z^r中的平均特征、协方差描述特征和高斯特征映射到统一的高维希尔伯特空间，得到映射后的空间-光谱特征集Z′^r，其中平均特征对应的核函数为k₁(·,*)＝(·)^T(*)，协方差描述特征对应的核函数为k₂(·,*)＝trace(log(·),log(*))，高斯特征对应的核函数为k₃(·,*)＝trace(log(·),log(*))。

步骤9、从Z′^r中随机选取C类共N个特征，构建统计学特征空间字典

其中

为对应第c类的子字典，c＝1,2,…,C，C为类别数。

步骤10、建立基于多级统计学特征的多任务核稀疏表示分类模型

s.t.‖α^r‖₀≤K。其中，K为稀疏度。

步骤11、使用核正交匹配追踪算法求解以上模型，得到α^r*。

步骤12、计算重建误差，其中第c类的重建误差

为

对应的最优稀疏子向量。

步骤13、依据式label(z′^r)＝arg min_{c＝1,2,…,C}w_c(z′^r)得到z′^r的类别。

步骤14、循重复步骤10至13，得到Z′^r中每个特征的类别，即得到X中每个像素的特征，输出X的类别标签图。

以上所述步骤11中核正交匹配追踪算法求解稀疏表示α^r*的算法流程如下所示：

11-1)分别计算k_r(z′^r,z′^r),Γ＝k_r(D^r,D^r)和K＝k_r(z′^r,D^r)；

11-2)初始化稀疏向量

索引集合

以及残差‖ss₀‖²＝k_r(Z′^r,Z′^r)，最小误差界限ε；

11-3)当t≤K或者

实施以下循环：

11-3-1)计算k_r(z′^r,D^r)-α^TΓ(:,Δ_t)，并选择计算结果中最大值的位置，记为id_t，其中，Δ_t为第t次迭代时的索引集合；

11-3-2)Δ_t＝[Δ_t,id_t]；

11-3-3)计算Γ_t＝Γ(Δ_t,Δ_t)和K_t＝K(Δ_t)；

11-3-4)更新稀疏表示

11-3-5)更新残差

11-4)得到稀疏向量

为了更好的体现本发明多级统计学特征提取及其在高光谱分类中应用的优势，下面结合一具体事例，将本发明所述的方法与最新提出的特征提取分类方法SSHGDA、SFMKSRC、LCMR、SRST、ISSR-DCNN、MCMs-2DCNN和S-DMM作比较。

比较的方式为：对图2中的(a)所示的真实高光谱图像Salinas(图2中的(b)是其对应的正确标签图)进行分类，在每类像素集合中随机选取5个像素点作为训练样本，剩余像素点作为测试样本集。首先在超像素数量从20增长到120，超像素邻域像素数量从100增长到300时，使用本发明所述方法MSFE进行分类，得到MSFE的最优参数设置。并且，在以上训练样本数量的条件下，比较以上8种特征提取分类方法所能达到的分类结果。分类结果使用整体分类精度(OA)，平均分类精度(AA)，κ系数和各类的分类精度来表示。为进一步分析不同训练样本数量对本发明方法的影响，在训练样本量从每类随机选取3个像素增加到每类选取10个像素时，分别用8中分类方法对实验图像进行分类实验，分类结果使用OA评价。

图3为本发明所述方法MSFE在超像素数量从20增长到120，超像素邻域像素数量从100增长到300时，总体分类精度OA的曲线图。从图3可以看出，当超像素数量从20增长到60时，MSFE的分类精度升高。而随着超像素数量的持续增长，MSFE的分类精度有一定程度的下降。这主要是因为较大的超像素数目使得空间信息不能被充分利用，而较小的超像素数量将为每个超像素引入不同类别的像素点。从图3还可以看出，当超像素邻域像素数量从100增长到220时，MSFE的分类精度随之升高。而随着超像素邻域像素数量的持续增长，MSFE的分类精度将随之下降。主要原因是较大的超像素邻域像素数量将引入不同类别像素，造成分类误差，而较小的超像素邻域像素数量则不能充分利用空间信息。因此，本发明所述方法MSFE的最佳参数选取为：L＝60和M＝220。

表1为8种特征提取分类方法对实验高光谱图像的OA，AA，κ系数和各类的分类精度的对比仿真结果。从表1可以看出，本发明方法MSFE获得了最高OA，AA和κ系数，即最好的分类结果，并且高出其他7种最新提出分类方法至少5％。图4中的(a)至(h)分别为本发明所述方法MSFE及SSHGDA、SFMKSRC、LCMR、SRST、ISSR-DCNN、MCMs-2DCNN和S-DMM八种分类方法对实验高光谱图像分类结果的视觉对比图。从图4可以看出，本发明所提方法MSFE能够提供最好的分类结果。

表1每类训练样本数量为5时，8种方法对实验图像的OA、AA、κ系数和每类精度的对比仿真结果

图5为本发明所述方法MSFE及SSHGDA、SFMKSRC、LCMR、SRST、ISSR-DCNN、MCMs-2DCNN和S-DMM八种分类方法在每类所选训练样本数量从3增加到10时，总体分类精度OA的曲线图。从图5可以看出，每类所选训练样本数量从3增加到10时，MSFE都得到了最高的分类精度。并且，在训练样本数量极少(弱监督)条件下，MSFE较其他对比分类方法的优势更为明显。

综上所述，本发明为每个像素鉴别超像素邻域集合，准确利用空间上下文信息，有利于提高分类精度。然后，提取多级统计学特征，包括平均特征、协方差描述特征和高斯特征，充分提取空间几何信息、不同光谱谱段间的关联信息以及空间-光谱间的相关变化信息，大大提高了分类精度。并且，设计多级核函数并构建多任务核稀疏表示分类器，有效融合多级统计学特征，完成分类任务，进一步提高了分类精度。

以上的实施例仅是用来说明本发明，而并非用于作为本发明的限定。任何熟悉本技术领域的技术人员应当认识到，在本发明揭露的技术范围内，可轻易想到的变换或替换，以及对上述实施例的变化变形都将落在本发明权利要求书的范围内。

Claims (3)

1.基于多级统计学特征提取的高光谱分类方法，其特征在于，包括以下步骤：

步骤1、对原始高光谱图像X进行最小噪声分离变换MNF操作，得到降维高光谱数据F；

步骤2、依次使用主成分分析PCA以及基于熵率的超像素过分割方法，生成X的2-D超像素图；

步骤3、对F中的每一个降维像素，在其对应的超像素中找出与其之间余弦相似度最小的M′个像素，构成该降维像素的超像素邻域集合；

步骤4、对F中的每一个降维像素，从其超像素邻域集合中提取平均特征；F中的第i个降维像素的平均特征

其中f_i ^p为该降维像素的超像素邻域集合中的第p个像素，i＝1,2,…,n，n为F中的像素总数；

步骤5、对F中的每一个降维像素，从其超像素邻域集合中提取协方差描述特征；F中的第i个降维像素的协方差描述特征

步骤6、对F中的每一个降维像素，从其超像素邻域集合中提取高斯特征；F中的第i个降维像素的高斯特征

其中，Q_i通过式

计算得到；

步骤7、基于平均特征、向量化的协方差描述特征vec(C_i)和向量化的高斯特征vec(Y_i)，获得X的空间-光谱特征集

其中

为X中第i个像素的空间-光谱特征，

步骤8、分别设计核函数将Z^r中的平均特征、协方差描述特征和高斯特征映射到统一的高维希尔伯特空间，得到映射后的空间-光谱特征集Z′^r，其中平均特征对应的核函数为

协方差描述特征对应的核函数为k₂(·,*)＝trace(log(·),log(*))，高斯特征对应的核函数为k₃(·,*)＝trace(log(·),log(*))；

步骤9、从Z′^r中随机选取C类共N个特征，构建统计学特征空间字典

其中

为对应第c类的子字典，c＝1,2,…,C，C为类别数；

步骤10、建立基于多级统计学特征的多任务核稀疏表示分类模型

s.t.‖α^r‖₀≤K，其中α^r*为最优稀疏向量，α^r为稀疏向量，K为稀疏度，z′^r为Z′^r中的某个像素特征；

步骤11、使用核正交匹配追踪算法求解步骤10中的模型，得到α^r*；

步骤12、计算重建误差，其中第c类的重建误差

为

对应的最优稀疏子向量；

步骤13、依据式label(z′^r)＝argmin_{c＝1,2,…,C}w_c(z′^r)得到z′^r的类别；

步骤14、重复步骤10至13，得到Z′^r中每个特征的类别，即得到X中每个像素的特征，输出X的类别标签图。

2.如权利要求1所述的基于多级统计学特征提取的高光谱分类方法，其特征在于，步骤3中余弦相似度的计算公式为：

式中，f_i ¹为F中的第i个降维像素，f_i ^q为f_i ¹对应的超像素中的第q个像素。

3.如权利要求1所述的基于多级统计学特征提取的高光谱分类方法，其特征在于，步骤11中的求解方法包括如下步骤：

11-1)分别计算k_r(z′^r,z′^r),Γ＝k_r(D^r,D^r)和K＝k_r(z′^r,D^r)；

11-2)初始化稀疏向量

索引集合

以及残差‖ss₀‖²＝k_r(Z′^r,Z′^r)，最小误差界限ε；

11-3)当t≤K或者

实施以下循环：

11-3-1)计算

并选择计算结果中最大值的位置，记为id_t，其中，Δ_t为第t次迭代时的索引集合；

11-3-2)Δ_t＝[Δ_t,id_t]；

11-3-3)计算Γ_t＝Γ(Δ_t,Δ_t)和K_t＝K(Δ_t)；

11-3-4)更新稀疏表示

11-3-5)更新残差

11-4)得到稀疏向量

Images