舒莉 劉瑞 張明月 潘文

【摘要】：高光譜遙感具有高分辨率、光譜連續(xù)以及圖譜合一等特點(diǎn)，有利于對(duì)地物進(jìn)行定性、定量研究，但是高光譜影像同時(shí)也存在維數(shù)災(zāi)難、數(shù)據(jù)量大等缺點(diǎn)，這給高光譜遙感應(yīng)用帶來(lái)了不容忽視的問(wèn)題。怎樣高效的使用高光譜影像，更迅速地處理其數(shù)據(jù)成為了高光譜遙感應(yīng)用及發(fā)展急需解決的問(wèn)題。本文利用分類精度判斷各種降維方法對(duì)地物分類產(chǎn)生的影響以及影響程度。首先驗(yàn)證分析了目前使用較多的幾種分類方法，篩選出了適宜本類研究區(qū)的分類方法：結(jié)合地物波譜特征的支持向量機(jī)分類；然后，對(duì)高光譜影像進(jìn)行降維處理并對(duì)原始影像和降維后影像進(jìn)行分類；最后將經(jīng)過(guò)降維處理的分類結(jié)果與原始影像的分類結(jié)果驗(yàn)證分析，發(fā)現(xiàn)基于相關(guān)系數(shù)的波段選擇降維方法更有利于地物識(shí)別。

【關(guān)鍵詞】：高光譜降維；地物波譜特征；支持向量機(jī)；精度評(píng)價(jià)

1 引 言

高光譜遙感是以高分辨率和包含光譜信息為特征的獲取目標(biāo)或景物的探測(cè)技術(shù)[1]。高光譜影像具有波段多，波段間具高度相關(guān)性，導(dǎo)致了信息冗余等特點(diǎn)[2]。因此，在應(yīng)用其光譜數(shù)據(jù)之前對(duì)它進(jìn)行信息的壓縮 、選擇和提取（即降維）十分有必要。

本文將地物波譜特征與支持向量機(jī)結(jié)合起來(lái)對(duì)影像進(jìn)行分類（即首先利用光譜角制圖法對(duì)影像進(jìn)行分類，再將分類結(jié)果中較為準(zhǔn)確地圖斑作為支持向量機(jī)分類的訓(xùn)練區(qū)，最后得到分類結(jié)果）；其次將幾種降維后的影像進(jìn)行分類并與原始影像分類結(jié)果進(jìn)行對(duì)比分析，進(jìn)而確定影像降維之后是否有信息的損耗、損耗程度以及是否對(duì)地物分類區(qū)分有影響；最后將各個(gè)分類的精度結(jié)果比較分析，選出了利于地物識(shí)別的降維方法。

2 影像分類方法選擇

2.1 研究區(qū)選擇與數(shù)據(jù)預(yù)處理

本文研究區(qū)選擇的是四川省綿陽(yáng)市江油市馬角壩鎮(zhèn)。影像的采集儀器為HySpex VNIR-1024。并從采集到的影像中篩選出兩組影像作為本次研究的實(shí)驗(yàn)組與驗(yàn)證組。并對(duì)兩組影像進(jìn)行平場(chǎng)域定標(biāo)預(yù)處理，以消除大氣和光照等因素對(duì)目標(biāo)物體反射率的影響。

2.2 影像分類方法選擇

高光譜圖像分類是利用計(jì)算機(jī)通過(guò)對(duì)圖像中的各類地物的光譜信息和空間信息進(jìn)行分析，選擇特征，將影像中的像元按照一定的規(guī)律判別成各種類別[3]。

本文對(duì)比分析了傳統(tǒng)分類方法與結(jié)合地物波譜特征的支持向量機(jī)分類等幾種方法的分類結(jié)果，發(fā)現(xiàn)將地物波譜特征與支持向量機(jī)結(jié)合起來(lái)對(duì)影像進(jìn)行分類可以得到更為精確的分類結(jié)果。因此選擇了相對(duì)來(lái)說(shuō)分類結(jié)果最好的結(jié)合地物波譜特征的支持向量機(jī)分類方法進(jìn)行影像的分類，進(jìn)而評(píng)價(jià)各個(gè)降維方法。

3 高光譜影像降維實(shí)驗(yàn)

3.1 基于主成分分析的特征提取

主成分分析（Principal Component Analysis，PCA）是一種廣泛使用的高光譜圖像光譜特征提取降維方法[4]。

對(duì)高光譜影像進(jìn)行主成分分析（PCA）降維處理，可以發(fā)現(xiàn)前6個(gè)主成分的累計(jì)貢獻(xiàn)率已達(dá)到了99.52%，并且從第七個(gè)主成分開(kāi)始每個(gè)主成分的特征值都不超過(guò)0.01，因此本次論文只選取前6個(gè)主成分進(jìn)行分類。

3.2 基于獨(dú)立主成分分析的特征提取

獨(dú)立主成分分析（Independent Component Analysis，ICA）是指將多光譜或者高光譜遙感數(shù)據(jù)轉(zhuǎn)換成相互獨(dú)立的成分（去相關(guān)）[5，6]。

將已經(jīng)獲取的實(shí)驗(yàn)組和驗(yàn)證組高光譜影像進(jìn)行獨(dú)立主成分分析（ICA）降維處理，并選取前6個(gè)主成分進(jìn)行分類。

3.3 基于最小噪聲分離變換的特征提取

最小噪聲分離變換（Minimum Noise Fraction ，MNF）是根據(jù)信噪比而不是相似與PCA將方差進(jìn)行從大到小排列而成的分量[2]。

將實(shí)驗(yàn)組與驗(yàn)證組兩組影像進(jìn)行最小噪聲分離變換（MNF）降維處理，可以發(fā)現(xiàn)前6個(gè)波段的累計(jì)貢獻(xiàn)率已達(dá)到了60%左右，從第6個(gè)波段之后波段包含數(shù)據(jù)方差的累積百分比增長(zhǎng)已經(jīng)不明顯；并且從第七個(gè)主成分開(kāi)始每個(gè)波段特征值的增加都比較緩慢，因此本次論文只選取前6波段進(jìn)行分類。

3.3 基于相關(guān)系數(shù)的波段選擇方法

相關(guān)系數(shù)（Correlation Coefficient）是用來(lái)反映兩個(gè)變量之間的相關(guān)程度的統(tǒng)計(jì)指標(biāo)[2]。

本文統(tǒng)計(jì)分析分別計(jì)算兩組影像中的108個(gè)波段間的相關(guān)系數(shù)，發(fā)現(xiàn)實(shí)驗(yàn)組中波段1—55具有高度相關(guān)性，選擇出波段1作為分類的其中一個(gè)波段；波段58—108也具有高度相關(guān)性，則選擇波段58；波段56、57則與波段間相關(guān)性有的高有的低，因此將兩個(gè)波段都作為分類波段之一。驗(yàn)證組亦采取同樣的處理方法及分析方法，選擇出符合條件的波段。將選擇出的波段進(jìn)行基于支持向量機(jī)的監(jiān)督分類。

3.4 結(jié)果評(píng)價(jià)

混淆矩陣是一種評(píng)估監(jiān)督學(xué)習(xí)分類算法的準(zhǔn)確性的工具。本文亦采用混淆矩陣的分類總精度、Kappa系數(shù)來(lái)進(jìn)行驗(yàn)證分析，精度結(jié)果如表3。

根據(jù)以上精度評(píng)價(jià)結(jié)果，可以得出：影像經(jīng)過(guò)四種降維方法處理，SVM分類得出的分類結(jié)果中基于相關(guān)系數(shù)的波段選擇方法得出的分類精度最高，ICA分類精度次之，MNF再次，PCA最差。

為了驗(yàn)證對(duì)于此類高光譜影像來(lái)說(shuō)基于相關(guān)系數(shù)的波段選擇方法更有利于地物分類，本文又選擇了驗(yàn)證組影像進(jìn)行驗(yàn)證分析，見(jiàn)表4。

由上表可知，實(shí)驗(yàn)組與驗(yàn)證組影像得出的精度評(píng)價(jià)結(jié)論一致，證明此類影像采用基于相關(guān)系數(shù)的波段選擇降維方法對(duì)于地物識(shí)別更為準(zhǔn)確。

4 結(jié) 論

本文在基于高光譜數(shù)據(jù)含有地物波譜信息的優(yōu)勢(shì)下，比較分析了四種降維方法對(duì)地物識(shí)別的影響。發(fā)現(xiàn)了結(jié)合地物波譜信息的支持向量機(jī)分類是最適宜本研究區(qū)的分類方法；并且將進(jìn)行過(guò)PCA、ICA、MNF和基于相關(guān)系數(shù)的波段選擇降維處理的高光譜影像監(jiān)督分類結(jié)果與原始影像的監(jiān)督分類結(jié)果驗(yàn)證，可以發(fā)現(xiàn)四種降維方法的分類精度從大到小排序?yàn)椋夯谙嚓P(guān)系數(shù)的波段選擇>ICA>MNF>PCA。

參考文獻(xiàn)：

[1]馮登超， 陳剛， 肖楷樂(lè)，等. 基于最小距離法的遙感圖像分類[J]. 北華航天工業(yè)學(xué)院學(xué)報(bào)， 2012， 22（3）：1-2.

[2]李靜. 高光譜遙感影像降維及分類方法研究[D]. 中南大學(xué)， 2012.

[3] 楊偉， 陳晉， 松下文經(jīng)，等. 基于相關(guān)系數(shù)匹配的混合像元分解算法[J]. 遙感學(xué)報(bào)， 2008， 12（3）：454-461.

[4] 張燚. 基于相關(guān)向量機(jī)的高光譜圖像分類算法研究[D]. 哈爾濱工程大學(xué)， 2012

[5]田野， 趙春暉， 季亞新. 主成分分析在高光譜遙感圖像降維中的應(yīng)用[J]. 哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)， 2007， 23（5）：58-60.

[6]Wang J， Chang C I. Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis[J]. IEEE Transactions on Geoscience & Remote Sensing， 2006， 44（6）：1586-1600.