楊 佳，華文深，劉 恂，馬左紅

（1.軍械工程學(xué)院，河北 石家莊050003；2.解放軍73101部隊，江蘇 徐州221000）

引言

在經(jīng)歷了全色成像、彩色攝影、多光譜掃描成像階段后，20世紀80年代出現(xiàn)了成像光譜的概念。高光譜成像是利用連續(xù)的窄小波段獲取目標(biāo)有關(guān)信息的技術(shù)，高光譜數(shù)據(jù)將傳統(tǒng)的圖像維和光譜維信息融為一體，在獲取目標(biāo)空間圖像的同時，得到每個圖像單元對應(yīng)的光譜信息，這樣，在基于空間維度進行目標(biāo)分類識別的同時，能夠從光譜維度依光譜特征實現(xiàn)目標(biāo)信息的反演和識別。

高光譜數(shù)據(jù)中波段數(shù)量多，波段之間相關(guān)性強，信息冗余多，使數(shù)據(jù)處理難度加大。為了有效地利用高光譜數(shù)據(jù)的豐富信息，同時較快地完成數(shù)據(jù)處理，就需要對原始數(shù)據(jù)進行降維［1］。波段選擇便是降維的重要方法之一，依據(jù)一定的判據(jù)從全部波段中選出最能表示目標(biāo)特征的若干波段，并以此來表示整個數(shù)據(jù)集。該方法克服了變換法改變圖像特性的缺點，較好地保留了最原始的數(shù)據(jù)信息，更有利于保持圖像的原有特性，成為高光譜數(shù)據(jù)降維的重要研究方向［2-6］。

波段選擇應(yīng)遵循以下3個原則［7］：

1）所選的波段信息量盡可能豐富；

2）所選的波段之間相關(guān)性盡可能小，保持各波段的獨立性和有效性；

3）所選的波段組合對識別或分類目標(biāo)的光譜特性差異要最大、類別可分性要強。

在現(xiàn)階段研究中，波段選擇的基本算法可以分為2類：一種是基于信息量的最佳波段選擇方法，如最佳指數(shù)因子法、波段指數(shù)法、自適應(yīng)波段法等；另一種是基于類間可分性的波段選擇方法，如計算離散度、光譜相關(guān)系數(shù)、波段分組等。這些方法在計算過程中，只是單獨考慮波段信息量或類間可分性，導(dǎo)致在對已知光譜特征的目標(biāo)進行分類時，效果不夠理想。為解決這一問題，本文將波段信息量與可分性綜合進行考慮，在保證信息量最大的前提下，對波段的類間可分性進行分析，從而找到分類精度較高的波段組合。使用K-L散度（Kullback-Leibler divergence）計算波段信息量差異，利用光譜可分性距離計算類間可分性，得到最優(yōu)波段組合，實現(xiàn)針對特定目標(biāo)的波段選擇。

1 波段選擇方法

1.1 K-L散度

常見的相似性度量方法有光譜角制圖、光譜信息散度和相關(guān)系數(shù)等，它們可以分別從不同方面描述兩波段的相似性。為了在波段選取的過程中，即保證所選波段信息量豐富，又能去除臨近波段之間大量的冗余信息，這里使用K-L散度來衡量波段間的相似程度以及波段之間信息量大小的關(guān)系。K-L散度是一種在信息論中得到廣泛應(yīng)用的信號相似度度量［8］。對于2個概率分布為P和Q的離散隨機信號，Q相對于P的K-L散度可以按照（1）式進行計算：

即按照概率P求得的P和Q對數(shù)差的平均值，并且當(dāng)且僅當(dāng)∑iP（i）＝∑iQ（i）＝1時才有意義。

將K-L散度應(yīng)用到高光譜圖像處理時，把每一個波段看作一個隨機變量，即可求出任意2個波段的相似性［9］。假設(shè)一組高光譜數(shù)據(jù)有L個波段，表示為Y＝［y1，y2，…，yL］，其中yi（1≤i≤L）是N維波段列向量，代表波段i上N 個像元光譜分量。將yi進行歸一化，得到，那么第j個波段相對于第i個波段的K-L散度為

式（2）的物理意義是用第j個波段來表示第i個波段所需信息量的大小。K-L散度越大，說明完全用第j個波段來表示第i個波段的難度越大，即2個波段之間的相似度越低［10］。

1.2 光譜可分性距離

為了完成針對特定目標(biāo)的最優(yōu)波段選擇，需要對高光譜數(shù)據(jù)進行光譜可分性距離的計算，分析不同地物類別在哪些波段上最容易區(qū)分。高光譜數(shù)據(jù)是地物對電磁波反射信息和自身輻射信息的綜合，本質(zhì)上記載了地物的總輻射量，即像元亮度值，稱為DN值（digital number）。不同地物由于結(jié)構(gòu)、組成成分和物理化學(xué)性質(zhì)不同，導(dǎo)致其光譜特性存在著差異?；诖耍捎霉庾V混合距離可以有效地對光譜可分性距離進行計算。光譜的混合距離計算公式如下“

式中：Dkl為光譜的混合距離；ykm、ylm分別為第k類和第l類地物在m波段上的光譜亮度值。對于任意的兩類地物，光譜混合距離越大，說明在該波段或波段組合上的可分性越好，判讀效果也就越好。

1.3 算法步驟

算法主要由4步組成：

HBO經(jīng)過?？瓢l(fā)展已具有穩(wěn)定安全的治療方案，嚴重不良反應(yīng)罕見，目前最常見的不良反應(yīng)是中耳氣壓傷，其發(fā)生受加減壓速度和咽鼓管功能影響。由于鼻腔手術(shù)后常有黏膜腫脹和分泌物積蓄，故治療前應(yīng)保持鼻腔、鼻竇口和咽鼓管的通暢，預(yù)防中耳和鼻竇氣壓傷的發(fā)生。本次實驗中未觀察到實驗動物發(fā)生明顯不良反應(yīng)。綜上所述，早期HBO治療在鼻腔手術(shù)后黏膜的恢復(fù)過程中，對抑制纖維結(jié)締組織增生和減少瘢痕形成具有促進作用，可減輕鼻內(nèi)鏡手術(shù)后的去黏膜化反應(yīng)，甚至可能在一部分難治性鼻-鼻竇炎中起到重要的逆轉(zhuǎn)作用。

1）選擇初始波段對波段子集進行初始化，產(chǎn)生集合φ1＝｛B1｝，其中B1為初始波段，與其他各波段的K-L散度值之和最大。

2）計算剩余波段與φ1中各元素的K-L散度，找到K-L散度值最大的對應(yīng)波段B2，它與φ1中元素最不相似，加入1）的波段子集中，即φ2＝φ1∪｛B2｝。

3）循環(huán)步驟2），直到φx中的波段數(shù)目達到設(shè)定閾值。

4）在φx的波段中，對特定目標(biāo)進行光譜可分性分析，去掉地物可分性距離小的波段，得到最終的波段子集φ。

2 實驗分析

實驗所采用的高光譜數(shù)據(jù)有89個波段，波長范圍從0.45μm～0.80μm，光譜分辨率為4nm。取第15、30、57波段分別作為R、G、B分量合成假彩色圖，如圖1所示。

圖1 波段15、30、57合成的偽彩色圖像Fig.1 Pesudo color image at channel 15，30，57

初始波段的選擇對于整個波段選擇過程具有決定性的作用。計算任意2個波段之間的K-L散度，找到相似性最低的2個波段（波段28與波段64）組成初始波段集。實際應(yīng)用中，最優(yōu)波段組合中的波段數(shù)目與圖像復(fù)雜程度有關(guān)，圖像越復(fù)雜、包含的地物種類越多，所需要的波段數(shù)目就越大，從而為后續(xù)的目標(biāo)分類與探測過程提供足夠的數(shù)據(jù)支撐。圖像中主要有偽裝目標(biāo)、草坪、樹木、屋頂、路面等5種地物，設(shè)置波段個數(shù)為6個，可以滿足圖像分類需要。

最終通過K-L散度計算得到包含6個波段的波段子集是φ＝｛28，62，84，82，51，26｝。各波段的灰度圖如圖2所示。

圖2 波段選擇結(jié)果Fig.2 Result of band selection

波段子集中，各波段分布均勻，不在成像光譜范圍的兩端，受到儀器本身干擾和其他噪聲干擾較少，比較理想。

圖3 5種地物的光譜曲線Fig.3 Spectral curves of 5 kinds of ground objects

為選出目標(biāo)與不同背景地物的最佳3波段（用于合成偽彩色圖像），在表1中列出的波段組合中選取最優(yōu)波段子集中相關(guān)性最小，包含信息最多的3個波段：28、51、84。這3個波段出現(xiàn)的頻率比較高，它們之間的相關(guān)系數(shù)分別為：0.825 5、0.755 0、0.710 1，相對其他波段組合相關(guān)系數(shù)較小，所以選取這3個波段用于整幅圖像的最佳3波段組合，將波段84（781nm）賦予紅色、波段28（557nm）賦予綠色、波段51（649nm）賦予藍色。得到如圖4所示的合成后的偽彩色圖像。

表1 區(qū)別目標(biāo)與其他種類地物的最優(yōu)波段子集Table 1 Optimal subset of bands for distinguishing target and other kinds of ground objects

圖4 波段84、28、51合成的偽彩色圖像Fig.4 Pesudo color image at channel 84、28、51

3 光譜角制圖分類

為了驗證所選波段的分類效果，利用光譜角制圖法對圖像進行分類。

光譜角制圖（spectral angle mapper，SAM）以光譜角為基礎(chǔ)，將每條光譜都視為波譜空間的一個矢量，根據(jù)矢量夾角來確定兩條光譜間的相似程度。夾角越小，說明像元與參考光譜越相似，分入該類；夾角超過指定的弧度閾值，則不被分為該類。在分類過程中，可以消除或減弱因太陽入射角、地形、觀測角等因素引起的光譜變異的同物異譜現(xiàn)象，適用于高光譜數(shù)據(jù)分類。以選出的3波段28、51、82為例進行分類，設(shè)定各類地物分類時的光譜角閾值，光譜角從0開始，以0.01rad為單位逐漸增大，找到能夠使各類地物分類精度高且錯分精度小的光譜角作為閾值，結(jié)果如表2所示。

表2 各類地物光譜角閾值Table 2 Spectral angle thresholds of ground objects

利用表2中的光譜角閾值對圖像進行分類得到如圖5所示的分類結(jié)果，地面參考圖像進行對比，得到混淆矩陣如表3所示。混淆矩陣，又稱誤差矩陣，行中各元素表示分類結(jié)果中某類集合與參考圖像中各類集合的交集像元個數(shù)；列中各元素表示參考圖像中某類集合與分類結(jié)果中各類集合的交集像元個數(shù)；列總計為參考圖像中某類所有像元個數(shù)的之和。利用混淆矩陣，計算Kappa系數(shù)和分類精度對分類效果進行評價。

表3 分類后的混淆矩陣Table 3 Confusion matrix of classification

Kappa＝（總體精度-期望精度）／（1-期望精度）。Kappa值大于80%，說明分類圖像與參考圖像吻合度很好，40%～80%表示吻合度中等，40%表示吻合度很差。經(jīng)過計算，Kappa系數(shù)為0.887 8，說明分類效果較好。

圖5 分類結(jié)果Fig.5 Result of classification

總體分類精度＝（正確分類的像元數(shù)／總像元數(shù)）＝（29 185／31 656）＝92.2%。

其中5種類別地物的分類精度分別為：97.14%、57.81%、99.68%、95.67%、72.98%。從計算結(jié)果可以看出，整個分類過程對草地、道路、屋頂分類精度比較高，而對偽裝目標(biāo)與樹木分類精度較低。分析造成分類精度較低的原因主要有以下幾個方面：第一，分類過程受主觀因素影響較大。光譜角閾值是經(jīng)過反復(fù)實驗觀察得到，并不是最準(zhǔn)確的。閾值偏大，會將不同類別的像元歸入一類；閾值偏小，會將本該屬于一類的像元歸入不同類別。第二，所使用的偽裝材料與樹木在可見光部分光譜吻合比較好，難以區(qū)分，單純依靠可見光3波段的光譜角制圖法分類，得到的結(jié)果精度不高。加入紅外波段的研究將會使分類更加準(zhǔn)確，這也是將來工作的研究重點。

4 結(jié)論

本文設(shè)計了一種基于K-L散度與光譜可分性距離的波段選擇算法。將每個波段的N個像元光譜分量看成一個N 維波段向量，利用K-L散度計算得到信息量大且相似性最小的波段組合，同時結(jié)合高光譜圖像中各類地物的連續(xù)光譜特征，計算它們的光譜可分性距離，距離越大，說明在該波段中可分性越好，最終得到可以用于合成假彩色圖像的3個波段。實驗結(jié)果表明，本文所用的算法在應(yīng)用到高光譜圖像的分類時能夠取得良好效果，是一種實用的高光譜圖像波段選擇算法。

［1］ 張良培，張立福.高光譜遙感［M］.武漢：武漢大學(xué)出版社，2005.ZHANG Liang-pei，ZHANG Li-fu.Hyperspectral remote sensing ［M］.Wuhan：Wuhan University Press，2005.（in Chinese）

［2］ 劉建平，趙英時，孫淑玲.高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗研究［J］.遙感技術(shù)與應(yīng)用，2001，16（1）：7-13.LIU Jian-ping，ZHAO Ying-shi，SUN Shu-ling.Experimental studies about methods on optimal bands selection of hyperspectral remote sensing datasets［J］.Remote Sensing Technology and Application.2001，16（1）：7-13.（in Chinese with an English abstrast）

［3］ 楊金紅，尹球，周寧.一種改進的高光譜數(shù)據(jù)自適應(yīng)波段選擇方法［J］.遙感技術(shù)與應(yīng)用，2007，22（4）：513-519.YANG Jin-hong，YIN Qiu，ZHOU Ning.An improved method of hyperspectral remote sensing data adaptive band selection［J］.Remote Sensing Technology and Application，2007，22（4）：513～519.（in Chinese with an English abstrast）

［4］ DU Qian.Band selection and its impact on target detection and classification in hyperspectral image analysis［C］.Maryland：IEEE Greenbelt，2003：374-377.

［5］ CHANG Chein-I，WANG Su.Constrained band selection for hyperspectral imagery［J］.IEEE Trans.Geosci.Remote Sens，2006，44（6）：1575-1585.

［6］ DU Qian，YANG He.Similarity-based unsupervised band selection for hyperspectral image analysis［J］.IEEE Geosci.Remote Sens.2008，5（4）：564-568.

［7］ 杜培軍.高光譜遙感信息中的特征提取與應(yīng)用研究［J］.光子學(xué)報，2005，34（2）：293-298.DU Pei-jun.Spectral feature extraction in hyperspectral RS date and its application to information processing［J］.Acta photonica sinica，2005，34（2）：293-298.（in Chinese with an English abstract）

［8］ SHEFFIELD C.Selecting band combinations from multispectral data［J］.Photogrammetric Engineering＆ Remote Sensing，1985，51（6）：681-687.

［9］ 何元磊，劉代志，易世華.一種新的高光譜圖像波段選擇方法［J］.光電工程，2009，37（9）：122-126.HE Yuan-lei，LIU Dai-zhi，YI Shi-hua.A new band selection method for hyperspectral images［J］.Opto-Electronic Engineering，2009，37（9）：122-126.（in Chinese with an English abstrast）

［10］ 劉雪松，葛亮，王斌，等.基于最大信息量的高光譜遙感圖像無監(jiān)督波段選擇方法［J］.紅外與毫米波學(xué)報，2012，31（2）：166-170.LIU Xue-song，GE Liang，WANG Bin，et al.An unsupervised band selection algorithm for hyperspectral imagery based on maximal information［J］.Journal of Infrared and Millimeter Waves，2012，31（2）：166-170.（in Chinese with an English abstract）