馬秀丹　吳子賓

（山東科技大學(xué)信息科學(xué)與工程學(xué)院，山東　青島　266590）

一種優(yōu)化的高光譜圖像特征提取方法

馬秀丹吳子賓

（山東科技大學(xué)信息科學(xué)與工程學(xué)院，山東青島266590）

眾所周知，特征提取方法在降低計(jì)算復(fù)雜度和增加高光譜圖像分類精確度方面十分有效，針對(duì)此，提出了一種優(yōu)化的圖像融合和迭代率波的特征提取方法。首先，將高光譜圖像分割成多個(gè)相鄰波段的子集；然后，通過(guò)均值法把每個(gè)子集中的各個(gè)波段融合在一起；最后，對(duì)融合后的波段進(jìn)行遞歸濾波處理，獲得分類的特征信息。結(jié)果表明，該方法展示出較高的分類精確度。

高光譜圖像；特征提取；圖像融合；遞歸濾波

高光譜圖像提供地物的大量光譜信息，基于此可以分辨出各種不同的風(fēng)景。然而，如何高效地處理超過(guò)100個(gè)光譜維的高光譜圖像一直是一個(gè)相當(dāng)困難的課題。而且在上下文的監(jiān)督分類方法中，高光譜圖像的高維度會(huì)產(chǎn)生影響分類性能的“休斯現(xiàn)象”［1］。為了解決這一問(wèn)題，特征提取技術(shù)被應(yīng)用到高光譜圖像分類領(lǐng)域。

特征提取作為一種有效的降低數(shù)據(jù)維數(shù)的方法。首先，通過(guò)一個(gè)線性變換將高光譜圖像投射到另一個(gè)特征空間。然后，只保留重要的幾個(gè)特征進(jìn)行分類。不同類型的降維技術(shù)被提出，如主成分分析（PCA）和獨(dú)立成分分析（ICA）。PCA方法能夠保證在一些很少的主要特征中能夠保留高光譜圖像的大部分信息。但是，圖像的光譜信息卻沒(méi)有得到充分利用。ICA方法能夠保證轉(zhuǎn)換的成分的獨(dú)立性，但計(jì)算復(fù)雜度的爆炸增長(zhǎng)問(wèn)題一直沒(méi)有得到較好的解決［2］。本文提出的特征提取方法的另一個(gè)優(yōu)勢(shì)是只是處理每個(gè)獨(dú)立的像素，而不用考慮其空間上下文信息。

1　圖像融合和域轉(zhuǎn)換迭代濾波

1.1圖像融合

圖像融合可以對(duì)高光譜圖像相鄰的波段進(jìn)行融合，達(dá)到圖像降維的目的，由于圖像相鄰波段之間具有較強(qiáng)的相似性，通過(guò)圖像融合也可以對(duì)圖像進(jìn)行去噪，提高圖像的信噪比，充分利用圖像的光譜信息增強(qiáng)圖像的特征。

1.2域轉(zhuǎn)換遞歸濾波

域轉(zhuǎn)換就是把輸入信號(hào)I轉(zhuǎn)換到轉(zhuǎn)換域Ωw中，計(jì)算每個(gè)像素的轉(zhuǎn)換坐標(biāo)ct（xm）。例如，在強(qiáng)邊緣同側(cè)的兩個(gè)像素，有相近的坐標(biāo)，而在不同側(cè)的像素坐標(biāo)相差較大。

用來(lái)計(jì)算信號(hào)I（x）域轉(zhuǎn)換的函數(shù)ct（u）如下：

對(duì)域轉(zhuǎn)換后的信號(hào)進(jìn)行遞歸濾波處理如下：

遞歸濾波通過(guò)對(duì)強(qiáng)邊緣不同側(cè)的像素的坐標(biāo)轉(zhuǎn)換，高效利用圖形的空間上下文信息。

2　算法流程

提出的特征提取方法包括以下4個(gè)步驟。

2.1波段分割（Band Partitioning）

將高光譜圖像分割成高光譜波段的K個(gè)子集。第k個(gè)子集可以表示如下：

其中，x=（x1，x2，…，xD）∈RD×J代表原始高光譜圖像是D維的特征向量和J個(gè)像素。

2.2圖像融合（IF）

用均值法對(duì)第k個(gè)子集中相鄰的波段進(jìn)行融合，第k個(gè)融合的特征圖像如下：

2.3遞歸濾波（RF）

對(duì)融合后的每個(gè)子集進(jìn)行域轉(zhuǎn)換遞歸濾波操作獲得相應(yīng)第k個(gè)特征如下：

其中，RF表示域轉(zhuǎn)換遞歸濾波操作，δs和δr分別表示濾波器空間域和光譜域的標(biāo)準(zhǔn)差，O=（）O1，O2，…Ok∈RK×J是經(jīng)過(guò)圖像融合和遞歸濾波操作的特征。

2.4分類

用SVM分類器利用最終獲得的特征對(duì)圖像進(jìn)行分類。

3　實(shí)驗(yàn)

本文所用的實(shí)驗(yàn)數(shù)據(jù)是通過(guò)機(jī)載可見(jiàn)/紅外成像光譜儀傳感器（AVIRIS）于1992年在美國(guó)印第安納西北部的Indian Pines地區(qū)取得。高光譜圖像由220個(gè)光譜波段145×145個(gè)像素組成，由16個(gè)地物類型組成，考慮到噪聲及吸水率的影響，刪除低信噪比、水汽吸收及傳感器故障波段的20個(gè)波段。3個(gè)波段的合成圖像和地物模型數(shù)據(jù)如圖1所示。

圖1　Indian Pines地區(qū)的AVIRIS數(shù)據(jù)（a）第17，27，50波段的合成圖像（b）地物模型參考

實(shí)驗(yàn)中，本文提出的方法與兩種比較流行的圖像分類方法Support Vector Machine（SVM）與Edge-Preserving Filtering（EPF）作對(duì)比。

各種分類方法對(duì)圖像的分類總體精度（OA）進(jìn)行比較，m表示每個(gè)類的樣本數(shù)量。每個(gè)實(shí)驗(yàn)做20次，結(jié)果取均值，見(jiàn)表1。

An Optimization Feature Extraction Method of Hyperspectral Images

Ma XiudanWu Zibin
（College of Information Science and Engineering，Shandong University of Science and Technology，Qingdao Shandong 266590）

As is well known，feature extraction methods to reduce the computational complexity and increase the hyperspectral image classification accuracy is very effective，based on this，this paper put forward a kind of image fusion and iterative optimization rate wave feature extraction method.First，hyperspectral image was divided into a plurality of adjacent band subset.Then，each sub band was fused together by means of the mean method；finally，after the fusion of the band for recursive filtering processing，the characteristics of the classification of information was obtained.The results showed that the proposed method showed higher classification accuracy.

hyperspectral image；feature extraction；image fusion；recursive filtering

表1　3種圖像分類方法對(duì)Indian Pines數(shù)據(jù)集的分類精度（OA）比較

TP751

A

1003-5168（2016）05-0029-02

2016-04-24

馬秀丹（1993-），女，碩士，研究方向：智能信息處理。

［1］Hughest，Gordon P.On the mean accuracy of statistical pattern recognizers［J］.IEEE Transactions on Information Theory-TIT，1968（1）：55-63.

［2］Kang Xudong，Li Shutao，Atli J.Spectral-Spatial Hyperspectral Image Classification With Edge-Preserving Filtering ［J］.IEEE Transactions on Geoscience and Remote Sensing，2014（5）：2666-2677.