程志會(huì)，謝福鼎

(遼寧師范大學(xué)城市與環(huán)境學(xué)院，遼寧 大連 116029)

基于空間特征與紋理信息的高光譜圖像半監(jiān)督分類

程志會(huì)，謝福鼎

(遼寧師范大學(xué)城市與環(huán)境學(xué)院，遼寧 大連 116029)

傳統(tǒng)高光譜圖像分類方法主要使用圖像的光譜特征信息，沒有充分利用高光譜圖像的空間特性及樣本的其他信息。本文提出了一種基于空間特征與紋理信息的高光譜圖像半監(jiān)督分類方法。首先，將高光譜圖像每一像素的光譜特征與其鄰域范圍內(nèi)的光譜特征進(jìn)行結(jié)合，得到了這一像素的空-譜特征；然后用灰度共生矩陣提取了高光譜圖像的紋理特征，并與空-譜特征進(jìn)行了融合；最后,用基于圖的半監(jiān)督分類算法進(jìn)行了分類。通過在Indian Pines數(shù)據(jù)集和PaviaU數(shù)據(jù)集上進(jìn)行試驗(yàn)，結(jié)果表明本文提出的方法能取得較高的分類結(jié)果。

高光譜圖像分類；灰度共生矩陣；半監(jiān)督方法；空譜特征；紋理特征

20世紀(jì)末期興起的高光譜遙感技術(shù)是遙感科學(xué)技術(shù)領(lǐng)域的一項(xiàng)重大進(jìn)展。由于高光譜遙感圖像具有較高的空間分辨率及豐富的光譜信息，為準(zhǔn)確的地物識(shí)別提供了一種可能。目前已在地質(zhì)勘探、精準(zhǔn)農(nóng)業(yè)和軍事用途等領(lǐng)域中取得了成功的應(yīng)用[1]。許多學(xué)者對(duì)高光譜圖像的準(zhǔn)確分類作了大量研究，如貝葉斯模型、特征提取和特征約減、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)、模糊聚類和支持向量機(jī)[2-5]等方法。高光譜圖像分類主要分為監(jiān)督和無監(jiān)督兩種[3]。在監(jiān)督分類方法中，基于核方法的支持向量機(jī)取得了巨大的成功，支持向量機(jī)能夠在樣本量受限制的方式下有效地處理大的輸入維度和抑制噪聲樣本[3]。在無監(jiān)督分類方法中，模糊聚類因其無需使用標(biāo)記樣本，在缺少大量標(biāo)記的高光譜圖像分類中取得了巨大的成功。眾所周知，監(jiān)督方法的主要缺點(diǎn)是分類模型和分類準(zhǔn)確度主要依賴于標(biāo)簽點(diǎn)的訓(xùn)練數(shù)據(jù)集數(shù)量，而獲取大量的高光譜圖像類別標(biāo)記是一項(xiàng)耗時(shí)和耗成本的工作。非監(jiān)督方法雖然對(duì)帶標(biāo)簽樣本不敏感，但是由于缺乏先驗(yàn)知識(shí)，對(duì)聚類類別和真實(shí)類別之間的聯(lián)系是不確定的。

半監(jiān)督學(xué)習(xí)由于其只需要少量的標(biāo)記樣本在高光譜圖像分類中引起了研究者的高度關(guān)注[1]。半監(jiān)督學(xué)習(xí)將標(biāo)簽數(shù)據(jù)和無標(biāo)簽數(shù)據(jù)結(jié)合，以提高分類的準(zhǔn)確度。常用的半監(jiān)督方法有自訓(xùn)練[6]、直推式支持向量機(jī)[6]、生成式模型算法和基于圖的方法[7-8]。在高光譜圖像應(yīng)用中，提出了許多基于圖的半監(jiān)督方法，文獻(xiàn)[9]提出了一種基于流行學(xué)習(xí)構(gòu)圖的LapSVM算法，改進(jìn)了傳統(tǒng)的權(quán)值僅能反映數(shù)據(jù)點(diǎn)兩兩之間關(guān)系的問題，在典型的高光譜圖像數(shù)據(jù)集上提高了分類的準(zhǔn)確度，但其僅僅考慮了高光譜圖像的光譜特征，沒有考慮其豐富的空間信息。文獻(xiàn)[1]將主動(dòng)學(xué)習(xí)與圖的半監(jiān)督相結(jié)合，改進(jìn)了已有標(biāo)記數(shù)據(jù)隨機(jī)選取的缺點(diǎn)，在一定程度上提高了分類的準(zhǔn)確度。雖然基于圖的半監(jiān)督在高光譜圖像應(yīng)用中已取得很大成功，但仍有許多不足：現(xiàn)有的高光譜圖像分類模型大部分在分類中只考慮了光譜特征信息，很少關(guān)注其空間特征，導(dǎo)致分類準(zhǔn)確率不高。

針對(duì)上述問題，本文提出一種融合空間信息與光譜信息的半監(jiān)督高光譜圖像分類方法，流程如圖1所示。首先，將光譜特征與其鄰域內(nèi)特征相結(jié)合，提出一種新的空-譜特征組合方法；然后利用灰度共生矩陣方法對(duì)圖像的空間紋理特征進(jìn)行提取，并與提出的空-譜特征組合方法進(jìn)行結(jié)合，作為基于圖的半監(jiān)督分類器輸入。

一、方 法

1. 高光譜圖像特征提取

高光譜圖像具有維數(shù)高、波段間相關(guān)性大、非線性等特點(diǎn)，容易出現(xiàn)維數(shù)災(zāi)難與數(shù)據(jù)冗余等問題。因此，在對(duì)高光譜圖像進(jìn)行空-譜特征提取之前，需要對(duì)圖像進(jìn)行降維處理。主成分分析(PCA)作為一種簡(jiǎn)單、成熟的降維方法，在高光譜圖像降維中應(yīng)用得最為廣泛，因此首先使用PCA對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理[10-11]。

圖1 本文算法流程

假設(shè)原始的高光譜圖像使用PCA降維后包含的波段數(shù)為b，則高光譜圖像中任意像素xi的空-譜特征為

zi={fi,fi+1,fi+2,…,f(i+n)×(i+n-1)}∈Rb×(k×k)

(1)

式中，fi為像素xi的光譜向量；fi+1,fi+2,…,f(i+n)×(i+n-1)為像素xi的k×k鄰域內(nèi)各個(gè)像素的光譜向量；k為高光譜圖像窗口的大小。這種方法不僅考慮了高光譜圖像的光譜特征，而且簡(jiǎn)單考慮了圖像每個(gè)像素周邊的空間信息，彌補(bǔ)了單獨(dú)利用光譜特征進(jìn)行圖像分類的不足；將像素xi的k×k鄰域矩陣展開成一個(gè)1×k2的行向量，作為像素xi新的空-譜特征信息。

高光譜圖像不僅包含豐富的光譜和空間特征，而且含有豐富的紋理特征，紋理特征能夠有效地表示高光譜圖像中地物紋理分布信息，在一定程度上抑制了高光譜圖像分類中的同譜異物現(xiàn)象[9]。紋理特征提取方法可以分為基于統(tǒng)計(jì)特征、基于結(jié)構(gòu)和基于空間頻率[10]等方法。由于高光譜圖像特有的性質(zhì)，目前對(duì)于紋理特征的提取，一般都是基于統(tǒng)計(jì)的方法。統(tǒng)計(jì)方法中的灰度共生矩陣(GLCM)通過計(jì)算高光譜圖像中各像素點(diǎn)灰度之間的聯(lián)合概率表示紋理，反映了高光譜圖像中像元之間的空間依賴性[9]。

GLCM描述了高光譜圖像范圍內(nèi)，兩個(gè)距離為d、方向?yàn)棣?0°,45°,90°,135°)的像素點(diǎn)在高光譜圖像中出現(xiàn)的概率，通過改變(d,θ)值，可以組合成不同的GLCM來分析圖像的灰度空間分布格局。GLCM提供了高光譜圖像方向和幅度變化的信息，但是不能直接提供區(qū)別圖像的紋理信息。為了有效地利用共生矩陣描述紋理，Haralick等在GLCM的基礎(chǔ)上，提出了14種特征對(duì)高光譜圖像的紋理進(jìn)行量化[12]，本文選擇文獻(xiàn)中學(xué)者常用的4個(gè)特征去描述和區(qū)分紋理信息，見表1。

表1 GLCM常用的4種紋理特征

根據(jù)表1提供的參數(shù)對(duì)降維后高光譜圖像提取常用的4種紋理特征，共得到4個(gè)方向的灰度共生矩陣，因此得到16個(gè)紋理特征，對(duì)4個(gè)矩陣相同參數(shù)的紋理特征取均值和方差，得到8個(gè)紋理特征。

高光譜圖像的光譜特征、空間特征和紋理特征提取后，還需進(jìn)行融合，雖然已有文獻(xiàn)提出了各種融合方法[12-13]，本文為了簡(jiǎn)化處理，選擇最簡(jiǎn)單的處理方式，即直接組合法。設(shè)高光譜圖像光譜特征為xspec，空-譜組合提取特征為xspec-spat，紋理特征為xtext，因此直接組合后的特征為

r=[xspec，xspec-spat，xtext]

(2)

2. 基于圖的半監(jiān)督高光譜圖像分類

高光譜圖像的特征提取后，將利用基于圖的半監(jiān)督方法對(duì)高光譜圖像進(jìn)行分類。該部分將介紹基于圖的半監(jiān)督中的局部和全局一致性(local and global consistency，LGC)方法[14-15]。假設(shè)有n=l+u個(gè)樣本xi(1≤i≤n)組成一個(gè)矩陣X=[x1x2…xlxl+1…xl+u]，其中l(wèi)為高光譜圖像中帶標(biāo)簽樣本的數(shù)目；u為高光譜圖像中無標(biāo)簽樣本的數(shù)目。yi∈RC為第i個(gè)樣本的標(biāo)簽向量，如果樣本xi的標(biāo)簽屬于第j類，則yij=1；否則yij=0。顯然，yi=0意味著樣本xi的標(biāo)簽是未知的，本文的目標(biāo)即預(yù)測(cè)u個(gè)未標(biāo)記樣本的標(biāo)簽。LGC的主要過程如下：

1) 通過kNN構(gòu)建一個(gè)加權(quán)的圖G，設(shè)W=[wij]n×n是圖G的鄰接矩陣，wij表示為

(3)式中，σ為高斯核寬，控制xi和xj之間距離的衰變速度；Nk(xi)為樣本xi的k近鄰；wij確保兩個(gè)相近的樣本有大的相似性和兩個(gè)不相近的樣本有小的相似性。

2) 對(duì)權(quán)重進(jìn)行標(biāo)準(zhǔn)化處理

S=D-1/2WD-1/2

(4)

式中，D為一個(gè)對(duì)角矩陣

3) 計(jì)算高光譜數(shù)據(jù)的樣本標(biāo)簽預(yù)測(cè)函數(shù)

F=(1-α)(I-αS)-1Y

(5)

二、試 驗(yàn)

為了驗(yàn)證本文方法的有效性，在兩組高光譜圖像數(shù)據(jù)集上進(jìn)行試驗(yàn)。這兩組高光譜圖像數(shù)據(jù)集為IndianPines數(shù)據(jù)集和PaviaU數(shù)據(jù)集。IndianPines數(shù)據(jù)集為1992年采用AVIRIS系統(tǒng)在美國(guó)印第安納州的一個(gè)農(nóng)場(chǎng)拍攝的航空數(shù)據(jù)，空間分辨率為20m，圖像大小為145×145像素。去除水汽吸收波段，剩余200個(gè)光譜波段。此高光譜數(shù)據(jù)集中，由于有些作物標(biāo)記樣本較少，因此選擇9種較多的地物類型進(jìn)行分類處理，真實(shí)地物標(biāo)記如圖2(a)所示。PaviaU數(shù)據(jù)集為ROSIS系統(tǒng)在意大利南部拍攝的PaviaUniversity，空間分辨率為1.3m，圖像大小為610×340像素，去除噪聲波段，剩余103個(gè)光譜波段，此地區(qū)共包含9種地物標(biāo)記(946<每類中樣本點(diǎn)數(shù)<18 650)，如圖3(a)所示。

首先對(duì)兩組高光譜數(shù)據(jù)集進(jìn)行主成分分析，選取前3個(gè)主成分進(jìn)行空間特征和紋理特征提取，并對(duì)提取的特征進(jìn)行組合處理，然后使用基于圖的半監(jiān)督方法預(yù)測(cè)未標(biāo)記樣本的標(biāo)簽。為了說明本文方法的性能，將其與SVM方法進(jìn)行了比較。

為方便起見，在試驗(yàn)中所用的重要參數(shù)統(tǒng)一列在表2中。

表2 試驗(yàn)中用到的重要參數(shù)

在本文試驗(yàn)中，每類隨機(jī)選取50個(gè)樣本進(jìn)行標(biāo)記，其余的作為未標(biāo)記樣本，σ和α兩個(gè)參數(shù)分別取值1和0.4，試驗(yàn)以總精度OA和Kappa系數(shù)兩個(gè)參數(shù)量化高光譜圖像的分類效果，為了減少隨機(jī)性，每個(gè)試驗(yàn)均重復(fù)20次，并對(duì)20次的結(jié)果取平均值。

1. Indian Pines數(shù)據(jù)集試驗(yàn)結(jié)果與結(jié)論分析

該數(shù)據(jù)集共分為16類，其中有7類樣本點(diǎn)數(shù)目較少(<400)，因此選擇其余9類進(jìn)行分類處理(482<每類中樣本點(diǎn)數(shù)<2456)，每類隨機(jī)選取50個(gè)樣本標(biāo)記(0.20%<標(biāo)記樣本的比例精度<10.4%)，分析比較了2種算法在不同的特征下的總精度OA和Kappa系數(shù)。分類結(jié)果見表3，融合特征后的高光譜圖像真實(shí)影像結(jié)果如圖2所示。

圖2 Indian Pines數(shù)據(jù)集分類影像

真實(shí)地物標(biāo)記如圖2(a)所示，由表3和圖2可知，結(jié)合高光譜圖像光譜特征、空間特征和紋理特征的分類結(jié)果明顯優(yōu)于單一使用光譜特征進(jìn)行分類的效果；并且隨著紋理特征的加入，精度提升了3%～4%左右。隨著窗口的增加，分類精度得到顯著提升，說明本文提出的光譜特征和紋理特征的融合效果顯著。從表3最后一列也可以看出，基于圖的半監(jiān)督方法是優(yōu)于SVM方法的，精度都有約4%的提升，說明結(jié)合空間特征與紋理特征高光譜圖像，應(yīng)用圖的半監(jiān)督分類方法的分類精度較好。

2. PaviaU數(shù)據(jù)集試驗(yàn)結(jié)果與結(jié)論分析

PaviaU數(shù)據(jù)集中，包含9種地物標(biāo)記(946<每類中樣本點(diǎn)數(shù)<18 650)，每類隨機(jī)選取50個(gè)樣本標(biāo)記(0.027%<標(biāo)記樣本的比例精度<0.52%)，分析比較了3種算法的總精度OA和Kappa系數(shù)，分類結(jié)果見表4，融合特征后的高光譜圖像真實(shí)影像結(jié)果如圖3所示。

表4 PaviaU數(shù)據(jù)集分類結(jié)果

圖3 PaviaU數(shù)據(jù)集分類影像

由表4和圖3可知，本文提出的紋理特征和光譜特征的結(jié)合改善了高光譜圖像的分類結(jié)果，要優(yōu)于單一使用光譜特征或空間特征進(jìn)行分類。隨著窗口尺寸的增加，分類精度得到顯著提升，說明高光譜圖像具有包含空間信息的特性。從表4列向來看，本文提出的基于圖的半監(jiān)督方法優(yōu)于SVM方法，說明融合空間特征和紋理信息的高光譜圖像，使用圖的半監(jiān)督分類方法的分類精度更高。

三、結(jié)論和展望

本文針對(duì)高光譜圖像分類提出了一種基于空間特征信息和光譜特征結(jié)合的混合圖半監(jiān)督分類方法。首先對(duì)高光譜圖像進(jìn)行降維處理，選取前3個(gè)主成分進(jìn)行空-譜特征和紋理特征提??；然后將這些光譜特征、空間特征和紋理特征進(jìn)行特征融合；最后將融合后的特征輸入到基于圖的半監(jiān)督分類器中，進(jìn)行高光譜圖像的分類。對(duì)兩個(gè)實(shí)際的高光譜圖像數(shù)據(jù)集進(jìn)行試驗(yàn)表明：①本文提出的空間特征和紋理特征結(jié)合的方法相較于傳統(tǒng)的只利用光譜特征和單一空間特征進(jìn)行圖像分類，精度得到很大提升；②與傳統(tǒng)的方法相比，基于圖的半監(jiān)督方法不僅在精度上得到提高，而且減少了輸入的參數(shù)。本文得到的空-譜特征僅僅是考慮像素周邊的鄰域信息，沒有進(jìn)行進(jìn)一步的研究，這是后期需要研究的方向；并且光譜特征、空間特征僅僅是進(jìn)行簡(jiǎn)單的融合，將來可對(duì)更多的融合方式進(jìn)行探討。

[1] 田彥平，陶超，鄒崢嶸，等.主動(dòng)學(xué)習(xí)與圖的半監(jiān)督相結(jié)合的高光譜影像分類[J].測(cè)繪學(xué)報(bào)，2015，44(8):919-926.

[2] 李慧，王云鵬，李巖，等.基于SVM和PWC的遙感影像混合像元分解[J].測(cè)繪學(xué)報(bào)，2009，38(4)：323-329.

[3] 金晶，鄒崢嶸，陶超.高分辨率遙感影像的壓縮紋理元分類[J].測(cè)繪學(xué)報(bào)，2014，43(5):493-499.

[4] 張偉,杜培軍,張華鵬.基于神經(jīng)網(wǎng)絡(luò)的高光譜混合像元分解方法研究[J].測(cè)繪通報(bào),2007(7):23-26.

[5] 杜培軍,林卉,孫敦新.基于支持向量機(jī)的高光譜遙感分類進(jìn)展[J].測(cè)繪通報(bào),2006(12):37-40.

[6] DOPIDO I, LI J,MARPU P R,et al.Semisupervised Self-Learning for Hyperspectral Image Classification[J].Geoscience & Remote Sensing IEEE Transactions on,2013,51(7):4032-4044.

[7] CAMPS-VALLS G,MARSHEVA T V B,ZHOU D.Semi-Supervised Graph-based Hyperspectral Image Classification[J].Geoscience & Remote Sensing IEEE Transactions on,2007,45(10):3044-3054.

[8] LIU X,PAN S,HAO Z,et al.Graph-based Semi-supervised Learning by Mixed Label Propagation with a Soft Constraint[J].Information Sciences, 2014,277:327-337.

[9] 王小攀.基于圖的高光譜遙感數(shù)據(jù)半監(jiān)督分類算法研究[D].北京：中國(guó)地質(zhì)大學(xué)，2014.

[10] 林曉峰.基于紋理特征的遙感圖像分類算法研究[D].大連：大連理工大學(xué)，2007.

[11] 倪國(guó)強(qiáng),沈淵婷,徐大琦.一種基于小波PCA的高光譜圖像特征提取新方法[J].北京理工大學(xué)學(xué)報(bào),2007,27(7):621-624.

[12] 王增茂，杜博，張良培，等.基于紋理特征和形態(tài)學(xué)特征融合的高光譜影像分類法[J].光子學(xué)報(bào)，2014(8):1-7.

[13] 樊利恒,呂俊偉,于振濤,等.基于核映射多光譜特征融合的高光譜遙感圖像分類法[J].光子學(xué)報(bào),2014(6):93-98.

[14] KLAUS B,KLIJN F.Local and Global Consistency Properties for Student Placement [J].Journal of Mathematical Economics,2011,49(3):222-229.

[15] ZHOU D,BOUSQUET O,LAL T N,et al.Learning with Local and Global Consistency[J].Advances in Neural Information Processing Systems,2004,17(4):321-32.

Semi-supervised Classification for Hyperspectral Image Based on Spatial Features and Texture Information

CHENG Zhihui，XIE Fuding

2016-04-07；

程志會(huì)(1990—)，男，碩士生，主要從事空間數(shù)據(jù)挖掘方面的研究。E-mail:811269090@qq.com

程志會(huì)，謝福鼎.基于空間特征與紋理信息的高光譜圖像半監(jiān)督分類[J].測(cè)繪通報(bào)，2016(12)：56-59.

10.13474/j.cnki.11-2246.2016.0401.

P237

B

0494-0911(2016)12-0056-04

修回日期：2016-07-15