趙生銀，安如

(河海大學(xué) 地球科學(xué)與工程學(xué)院，南京 211100)

0 引言

高光譜圖像能夠獲取地表物體上百個(gè)連續(xù)譜段的光譜信息，其光譜范圍包括紫外、可見光、近紅外及中紅外等波段，較高的光譜分辨率可以準(zhǔn)確的反映地物的光譜信息，有利于地物的識(shí)別。然而高光譜遙感圖像具有高維度、波段間相關(guān)性高等特性抑制了高光譜圖像識(shí)別精度的提高[1]。特征挖掘包含了特征提取和特征選擇2個(gè)過程，可以有效降低高光譜遙感圖像識(shí)別中冗余特征的影響，其通過降低高光譜數(shù)據(jù)維數(shù)，利用高光譜數(shù)據(jù)信息量大的特征進(jìn)行識(shí)別[2]。

在特征提取方面，高光譜的像元特征提供豐富的光譜信息來提高對(duì)地物的識(shí)別能力。隨著遙感技術(shù)的飛速發(fā)展，高光譜圖像的空間分辨率也得到了極大的提升，提高了高光譜數(shù)據(jù)對(duì)于地物的表達(dá)能力[1]。文獻(xiàn)[3]利用灰度共生矩陣來獲取高光譜圖像的紋理特征，指出紋理特征可以有效提取光譜反射率難以區(qū)分的地物類型。文獻(xiàn)[4]從高光譜遙感圖像中提取光譜特征、Gabor特征、LBP特征，圖像識(shí)別性能更加穩(wěn)定、識(shí)別精度較優(yōu)。由于每個(gè)相鄰的像元在空間上具有一定的連續(xù)性，面向?qū)ο蠓椒梢岳酶叻直媛蔬b感圖像的光譜信息和空間信息，有效減小以像元為處理單元的“椒鹽噪聲”。文獻(xiàn)[5]從高光譜圖像中提取4個(gè)波段進(jìn)行圖像分割，通過計(jì)算各波段的光譜均值來實(shí)現(xiàn)圖像識(shí)別。文獻(xiàn)[6]利用PCA(Principal Component Analysis)對(duì)高光譜圖像進(jìn)行變換，然后利用Quick Shift算法對(duì)影像進(jìn)行分割，獲取對(duì)象特征進(jìn)行圖像識(shí)別，實(shí)驗(yàn)表明該方法可以有效識(shí)別高光譜圖像。以上方法充分挖掘了高光譜圖像的光譜、紋理信息，但他們大多基于像元單元或?qū)ο髥卧?，本研究將?lián)合像元單元和對(duì)象單元特征，充分提取高光譜遙感圖像的信息。

在特征選擇方面，常用的特征選擇算法主要分為基于類別可分析和基于信息量的特征選擇兩類[7]。基于信息量的特征選擇主要是提取高光譜波段中地物信息量大并且相關(guān)性較小的波段。文獻(xiàn)[8]通過分散矩陣計(jì)算每2個(gè)類別的可分性值，以可分性值的平均值作為特征選擇準(zhǔn)則，利用提取的特征來進(jìn)行高光譜圖像識(shí)別?；陬悇e可分性的特征選擇通過計(jì)算各類別樣本在各波段間的距離，來構(gòu)建最佳波段組合。文獻(xiàn)[9]利用OMIS數(shù)據(jù)對(duì)比分析了SEP、MDLM、RELIEF和決策樹特征選擇算法，發(fā)現(xiàn)決策樹在高光譜圖像識(shí)別中取得較好的識(shí)別結(jié)果。文獻(xiàn)[10]構(gòu)建了一種融合粒子群優(yōu)化算法全局尋優(yōu)能力和支持向量機(jī)分類的高光譜特征子集選擇方法，有效解決了高維遙感數(shù)據(jù)的降維困難問題。

為了充分、高效的利用高光譜遙感圖像數(shù)據(jù)信息，分別提取高光譜遙感圖像的像素級(jí)和對(duì)象級(jí)特征，構(gòu)建1969個(gè)特征數(shù)量的多特征空間來充分挖掘高光譜圖像信息，利用網(wǎng)格搜索法來優(yōu)化XGBoost算法的參數(shù)，并對(duì)多特征空間進(jìn)行降維處理，利用隨機(jī)森林識(shí)別器對(duì)最優(yōu)特征進(jìn)行識(shí)別。

1 數(shù)據(jù)及研究區(qū)域

圖 1 研究區(qū)域(波段60,2,10 分別為紅、綠、藍(lán)通道)Figure 1 Study area (red, green and blue channels for band 60, 2 and 10, respectively)

采用美國華盛頓地區(qū)HYDICE(The hyperspectral digital imagery collection experiment)航空高光譜數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)。HYDICE傳感器可以獲得覆蓋可見光和短波紅外波段，光譜范圍為0.4～2.4 μm。本研究使用了該數(shù)據(jù)的191個(gè)波段，空間分辨率約為1 m，圖像大小為301×471像元，如圖1所示。

2 研究方法

首先利用主成分分析法提取高光譜遙感圖像信息量最大的前4個(gè)波段；通過面向?qū)ο蠓指瞰@取高光譜的對(duì)象級(jí)特征，通過柵格計(jì)算法獲得高光譜的像素級(jí)特征；然后利用網(wǎng)格搜索法對(duì)XGBoost算法的參數(shù)進(jìn)行優(yōu)化；當(dāng)XGBoost算法參數(shù)設(shè)置為最優(yōu)值時(shí)，對(duì)構(gòu)建的高光譜多特征空間中的特征進(jìn)行重要度排序并依據(jù)樣本精度選擇最優(yōu)特征組合；最后利用隨機(jī)森林分類器對(duì)選擇的高光譜特征進(jìn)行識(shí)別。基于特征挖掘的高光譜遙感圖像識(shí)別技術(shù)流程如圖2所示。

圖 2 技術(shù)流程Figure 2 Technical flow chart

2.1 基于極端梯度提升決策樹(XGBoost)的特征選擇

極端梯度提升決策樹(XGBoost)實(shí)現(xiàn)的是一種基于梯度Boosting的集成學(xué)習(xí)算法，由于該算法可以利用GPU進(jìn)行多線程并行計(jì)算，計(jì)算效率高。傳統(tǒng)的GBDT算法只利用了一階的導(dǎo)數(shù)信息，而XGBoost對(duì)損失函數(shù)做了二階的泰勒展開，并在目標(biāo)函數(shù)之外加入了正則項(xiàng)對(duì)整體求最優(yōu)解，用以權(quán)衡目標(biāo)函數(shù)的下降和模型的復(fù)雜程度，避免過擬合[11]。XGBoost算法可以統(tǒng)計(jì)每個(gè)特征變量的重要性，通過統(tǒng)計(jì)值可以將特征按重要度排序。其具體公式如下：

假設(shè)模型有k個(gè)決策樹，即

(1)

其損失函數(shù)為：

(2)

式(2)中，T代表葉子的個(gè)數(shù)，w代表葉子的權(quán)重。

對(duì)損失函數(shù)泰勒展開為：

(3)

2.2 網(wǎng)格搜索法(Grid Search)

網(wǎng)格搜索法[12]是一種指定參數(shù)的窮舉搜索方法，它將自變量在取值區(qū)域內(nèi)，由步長決定的網(wǎng)格作為分組依據(jù)，通過劃分網(wǎng)格，逐一計(jì)算每個(gè)網(wǎng)格點(diǎn)上的約束值。網(wǎng)格搜索法將組合參數(shù)逐一用于XGBoost算法進(jìn)行模型訓(xùn)練，自動(dòng)輸出最佳參數(shù)的組合。其具體的流程如下[13]：

(1)初始化網(wǎng)格搜索中搜索范圍A值和搜索步長b值。在A和b的坐標(biāo)系上構(gòu)建一個(gè)二維網(wǎng)格。

(2)將數(shù)據(jù)集中的訓(xùn)練樣本分為i組，其中任意i-1組作為訓(xùn)練樣本，其余1組作為預(yù)測樣本。XGBoost算法采用每個(gè)(A，b)參數(shù)組合對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，然后對(duì)1組樣本進(jìn)行預(yù)測。

(3)重復(fù)步驟(2)，對(duì)二維網(wǎng)格中的所有參數(shù)進(jìn)行訓(xùn)練。

(4)輸出XGBoost算法對(duì)于訓(xùn)練樣本最佳的參數(shù)組合。

3 結(jié)果與分析

3.1 高光譜特征提取

提取的特征根據(jù)處理單元的大小分為兩大類：對(duì)象級(jí)特征(由光譜特征、紋理特征和形狀特征組成)和像素級(jí)特征(波段特征、紋理特征、PCA特征和指數(shù)特征組成)，如表1所示。多特征空間包含了所有本研究提取的對(duì)象級(jí)特征和像素級(jí)特征，高光譜光譜信息特征由像素級(jí)特征組成，多光譜特征由提取的紅、藍(lán)、綠、近紅外波段及其相應(yīng)的計(jì)算的特征組成。

表1 多特征空間數(shù)據(jù)集Table 1 Feature space data sets

3.1.1 主成分分析法提取高光譜信息

主成分分析方法廣泛應(yīng)用于高光譜圖像降維中，該方法是一種線性變換，利用矩陣變換對(duì)高光譜數(shù)據(jù)進(jìn)行處理，在保留原有波段信息的基礎(chǔ)上，使生成的主成分圖像之間相關(guān)性低[14]。實(shí)驗(yàn)區(qū)高光譜主成分分析如下圖3所示，其中第一主成分圖像包含了絕大部分信息，隨著主成分序號(hào)的增加，圖像所模糊度不斷增加，所包含的信息量也在不斷減少。本實(shí)驗(yàn)前4個(gè)主成分圖像信息量為90.52%，故選擇前4個(gè)主成分圖像進(jìn)行圖像分割，以保證分割結(jié)果的準(zhǔn)確性。

3.1.2 高光譜圖像對(duì)象級(jí)特征的提取

遙感圖像分割容易出現(xiàn)過分割與欠分割現(xiàn)象，會(huì)降低地物識(shí)別精度，所以最優(yōu)分割尺度的選擇對(duì)面向?qū)ο蠹夹g(shù)至關(guān)重要。面向?qū)ο蠖喑叨确指畹乃惴ǖ木枋鞘埂胺指畎邏K內(nèi)的一致性達(dá)到最大，分割斑塊與相鄰斑塊之間的異質(zhì)性達(dá)到最大”，其基本原理是綜合考慮中高分辨率遙感影像的紋理、形狀、空間及光譜等信息，通過多次遞歸判斷合并前后斑塊的多特征加權(quán)準(zhǔn)則指標(biāo)值來合并分割斑塊[15]。利用Definiens平臺(tái)提供的面向?qū)ο蠖喾直媛史指钏惴ㄊ腔趨^(qū)域生長算法實(shí)現(xiàn)初步分割與基于多準(zhǔn)則的遞歸融合的一種算法，彌補(bǔ)了基于單個(gè)像元分割方法存在的不足，有效提高了影像分割精度。

(a)實(shí)驗(yàn)區(qū)假彩色合成 (波段188,88,10分別為紅、綠、藍(lán)通道) (b)多尺度分割結(jié)果(分割尺度為480) 圖 4 實(shí)驗(yàn)區(qū)高光譜圖像分割結(jié)果Figure 4 Hyperspectral image segmentation results in experimental area

通過反復(fù)實(shí)驗(yàn)，4個(gè)主成分圖像分割的權(quán)重比為1∶1∶1∶1，通過試錯(cuò)法確定形狀指數(shù)為0.1，緊致度指數(shù)為0.5，利用ESP(Estimation of Scale Parameters)工具[16]來輔助確定高光譜遙感影像的最優(yōu)分割尺度為480。分割圖像如圖4所示：圖4(b)可以較好地將各類地物分割在一個(gè)對(duì)象中，同一個(gè)對(duì)象中像元值相同，可以有效抑制圖像像元噪聲問題。然后利用分割過后的矢量邊界對(duì)實(shí)驗(yàn)區(qū)高光譜遙感圖像所有波段進(jìn)行分割，并提取對(duì)象級(jí)尺度的光譜特征、紋理特征和形狀特征等。

3.1.3高光譜圖像像素級(jí)特征的提取

高光譜遙感圖像的原始波段能夠捕獲地表精準(zhǔn)的光譜響應(yīng)和空間細(xì)節(jié)特征。其豐富的光譜信息可以有效提高對(duì)地物的識(shí)別能力。但是僅僅依靠單一的光譜信息，會(huì)制約高光譜識(shí)別精度的提高，因此要充分挖掘高光譜信息顯得尤為重要?；叶裙采仃嚪芊从吵鰣D像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，有二階矩、對(duì)比度、熵、相關(guān)、方差、相異性、逆差距等14個(gè)特征向量。利用灰度共生矩陣法來提取每個(gè)高光譜波段的紋理信息，為高光譜圖像識(shí)別提供更多有利于地物判別的信息。文獻(xiàn)[20]提出該實(shí)驗(yàn)區(qū)的紅波段范圍(第188個(gè)波段)、綠波段(第88個(gè)波段)、藍(lán)波段(第10個(gè)波段)和近紅外波段(第60個(gè)波段)，根據(jù)波段范圍構(gòu)建了地物光譜指數(shù)特征，如植被指數(shù)(NDVI)、建筑指數(shù)(NDBI)等。構(gòu)建的多特特征空間如表1所示，其中對(duì)象級(jí)特征238個(gè)，像素級(jí)特征1 731個(gè)，總計(jì)1 969個(gè)特征。不同的地物對(duì)不同特征類型的敏感程度不同，因此通過特征提取方法可以充分地挖掘高光譜圖像的波段信息，為地物識(shí)別提供了可靠的判別信息。但是過多的特征會(huì)造成信息冗余，在一定程度上會(huì)抑制分類器的識(shí)別效果，因此特征選擇顯得尤為重要。

3.2 高光譜特征選擇

3.2.1 網(wǎng)格搜索法參數(shù)優(yōu)化

為了提高XGBoost算法在高光譜遙感數(shù)據(jù)中的特征選擇的準(zhǔn)確性，對(duì)該算法的參數(shù)優(yōu)化十分重要。該算法主要需要優(yōu)化的參數(shù)如下：max_depth是樹的最大深度，該值越大，模型越復(fù)雜；學(xué)習(xí)率learning_rate是每次迭代時(shí)縮減權(quán)重值；min_child_weight一個(gè)子集中所有最小權(quán)重和；max_delta_step限制了每棵樹權(quán)重改變的最大步長；reg_alpha用來控制XGBoost算法的L1正則化。

表 2 XGBoost算法在網(wǎng)格搜索法下的最優(yōu)參數(shù)Table 2 Optimal parameters of XGBoost algorithm under grid search method

參數(shù)名稱參數(shù)1參數(shù)2參數(shù)3參數(shù)4參數(shù)5最優(yōu)參數(shù)值max_depth51015202515learning_rate0.010.020.050.100.150.02min_child_weight02510205max_delta_step00.20.6120.2reg_alpha00.250.50.7511

圖 5 網(wǎng)格搜索算法下XGBoost參數(shù)的測試誤差Figure 5 Testing error of XGBoost parameters under grid search algorithm

根據(jù)XGBoost算法需要優(yōu)化的參數(shù)來設(shè)置所有可能的取值，利用網(wǎng)格搜索法對(duì)參數(shù)列表中進(jìn)行窮舉搜索，對(duì)每種情況進(jìn)行訓(xùn)練，最終輸出最優(yōu)的參數(shù)組合。對(duì)XGBoost算法的主要參數(shù)的可能取值進(jìn)行預(yù)先設(shè)置，在網(wǎng)格搜索法下的最優(yōu)參數(shù)如表2所示，其中max_depth、learning_rate、min_child_weight、min_child_weight、max_delta_step和reg_alpha最優(yōu)參數(shù)值分別為15、0.02、5、0.2和1。為了驗(yàn)證參數(shù)的合理性，通過控制變量法，探究每組預(yù)設(shè)XGBoost參數(shù)值在測試集上的誤差，如圖5所示。結(jié)果表明：在網(wǎng)格搜索法下的XGBoost的最優(yōu)參數(shù)的測試誤差最小，XGBoost算法采用網(wǎng)格搜索法的最優(yōu)參數(shù)值具有可行性。通過尋找到的最優(yōu)參數(shù)值來更新、調(diào)整XGBoost算法的參數(shù)，然后進(jìn)行高光譜遙感圖像特征的選擇，從而達(dá)到充分挖掘高光譜數(shù)據(jù)的信息，保留對(duì)地物識(shí)別貢獻(xiàn)度大的高光譜特征。

3.2.2XGBoost特征選擇

圖 6 特征數(shù)量與樣本識(shí)別精度的關(guān)系Figure 6 The relationship between the number of features and the accuracy of sample recognition

圖7 XGBoost特征選擇結(jié)果(B代表波段，Pixel代表像素級(jí)特征， Object代表對(duì)象級(jí)特征)Figure 7 XGBoost feature selection results(B represents the band,Pixel represents pixel-level features, Object represents object-level features)

實(shí)驗(yàn)區(qū)根據(jù)已有的地面參考數(shù)據(jù)[19]，選取訓(xùn)練樣本5 955個(gè)像元，其中地物覆蓋類型為建筑(2 535個(gè)像元)、道路(1 319個(gè)像元)、小路(249個(gè)像元)、樹木(437個(gè)像元)、草地(1 322個(gè)像元)和陰影(93個(gè)像元)六大類。從高光譜圖像上獲取特征值和標(biāo)簽的Excel數(shù)據(jù)，利用XGBoost算法對(duì)所有特征按重要度從高到低進(jìn)行排序。然后以2個(gè)步長增長選擇特征組合數(shù)量，并進(jìn)行樣本識(shí)別精度的評(píng)價(jià)。文獻(xiàn)[18]提出的利用隨機(jī)森林(RF)算法計(jì)算每個(gè)波段的重要性指標(biāo)并對(duì)其排序，實(shí)現(xiàn)高光譜降維的方法作來進(jìn)行圖像識(shí)別研究。分別使用XGBoost和RF算法對(duì)構(gòu)建多特征空間和高光譜的光譜特征進(jìn)行特征降維研究，通過與傳統(tǒng)的RF算法比較，來探討XGBoost算法在高光譜降維中的作用，結(jié)果如圖6所示。以XGBoost特征選擇算法為例，在特征數(shù)量為18個(gè)時(shí)，此時(shí)樣本在較少的特征數(shù)量下，識(shí)別精度達(dá)到了最高值；由于過多的特征，不僅會(huì)導(dǎo)致計(jì)算量的增加，而且會(huì)造成特征空間內(nèi)部互相干擾的信息，降低了識(shí)別精度。所以隨著特征數(shù)量的增加，樣本識(shí)別精度呈現(xiàn)緩慢下降趨勢。綜上所述，在XGBoost算法下，選擇的多特征數(shù)量最優(yōu)值為18個(gè)，光譜特征數(shù)量最優(yōu)值為16個(gè)；在RF算法下，選擇的多特征數(shù)量最優(yōu)值為18個(gè)，光譜特征數(shù)量最優(yōu)值為14個(gè)。其中XGBoost算法選取的最優(yōu)特征組合的樣本識(shí)別平均精度比RF算法高2.5%。XGBoost算法選擇的具體特征類型見圖7。其中對(duì)象級(jí)特征有9個(gè)，像素級(jí)特征有9個(gè)，對(duì)象級(jí)的均值光譜(B32-Object)、紋理(GLDV_B1_Object)、形狀特征(Compactnes_Object)和像素級(jí)的光譜波段(B128-Pixel)、指數(shù)(NDVI、NDBI)和紋理(DLCM_Mean_B20_Pixel)等特征在樣本識(shí)別中發(fā)揮重要作用。

3.3 高光譜圖像識(shí)別

采用隨機(jī)森林分類器來對(duì)高光譜遙感圖像進(jìn)行識(shí)別。在構(gòu)建高光譜遙感圖像最優(yōu)特征空間的基礎(chǔ)上，利用隨機(jī)森林識(shí)別器實(shí)現(xiàn)圖像的識(shí)別過程。隨機(jī)森林識(shí)別包括訓(xùn)練樣本和圖像識(shí)別2個(gè)過程。其中訓(xùn)練樣本的過程是首先采用Bootstrap自助抽樣技術(shù)隨機(jī)生成訓(xùn)練樣本子集，利用遞歸方式訓(xùn)練單棵樹，然后，計(jì)算準(zhǔn)確率作為終止條件，使用未參與當(dāng)前樹構(gòu)建的樣本測試當(dāng)前樹的預(yù)測準(zhǔn)確率，直到準(zhǔn)確率達(dá)到標(biāo)準(zhǔn)或者節(jié)點(diǎn)樣本數(shù)過少為止，最終完成單個(gè)決策樹的生成，加入到樹集合中，形成隨機(jī)森林模型[17]。實(shí)驗(yàn)區(qū)包括6種地物類別：建筑、道路、小路、樹木、草地和陰影，通過目視解譯的方法提取訓(xùn)練樣本。分別對(duì)RF和XGBoost算法選擇下的多特征空間、光譜(像素級(jí))特征和多光譜特征進(jìn)行圖像識(shí)別研究，隨機(jī)森林識(shí)別器識(shí)別結(jié)果如圖8所示。

注：(a)XGBoost-多特征識(shí)別；(b)XGBoost-光譜特征識(shí)別；(c)XGBoost-多光譜特征識(shí)別；(d)RF-多特征識(shí)別；(e)RF-光譜特征識(shí)別；(f)多特征(未選擇)識(shí)別。

根據(jù)實(shí)驗(yàn)區(qū)高光譜遙感圖像識(shí)別結(jié)果可以定性地發(fā)現(xiàn)：(1)在相同特征空間下(多特征或光譜特征)，XGBoost算法選擇的特征識(shí)別結(jié)果優(yōu)于RF算法,如圖8(a～d)中的框①所示：圖8(a)可以將建筑物和小路正確區(qū)分出來，而圖8(d)將建筑物誤分為小路；(2)在相同的特征選擇算法下，對(duì)比多特征識(shí)別(由對(duì)象級(jí)和像素級(jí)特征組成)和光譜特征(由像素級(jí)特征組成)的識(shí)別結(jié)果，由于對(duì)象級(jí)特征可以將相同像元分割為一類，使得圖8(a～d)的識(shí)別結(jié)果具有較好的連續(xù)性，其中分割尺度直接影響圖像識(shí)別結(jié)果。而圖8(b～e)的識(shí)別結(jié)果會(huì)有“椒鹽現(xiàn)象”，地物誤分情況比較嚴(yán)重。(3)當(dāng)多特征空間未進(jìn)行降維處理時(shí)，直接進(jìn)行高光譜圖像識(shí)別，由于特征數(shù)量較多，信息冗余在識(shí)別時(shí)會(huì)互相干擾，降低了識(shí)別效果，圖8(f)對(duì)建筑物和小路識(shí)別效果較差，并且建筑物誤分為樹木，識(shí)別效率低。(4)如圖8(b～c)中的框②所示：在XGBoost特征選擇算法下，相比于用高光譜光譜特征的識(shí)別結(jié)果，僅僅采用多光譜波段(紅、綠、藍(lán)、近紅外波段及其提取的像素級(jí)特征)的識(shí)別結(jié)果由于波段信息的不充足，未能很好地識(shí)別出地物，并且“椒鹽現(xiàn)象”嚴(yán)重，說明高光譜圖像相較于多光譜圖像提供的信息，可以充分地提供地物的識(shí)別信息，提高識(shí)別的準(zhǔn)確性。綜上所述：本研究方法可以充分挖掘高光譜遙感圖像的對(duì)象級(jí)和像素級(jí)特征信息，利用XGBoost算法進(jìn)行特征選擇來實(shí)現(xiàn)冗余特征的降維，隨機(jī)森林識(shí)別器對(duì)圖像識(shí)別可以顯著提高高光譜的識(shí)別效果。

3.4 高光譜圖像識(shí)別精度評(píng)價(jià)

表 3 高光譜遙感圖像識(shí)別精度評(píng)價(jià)Table 3 Accuracy evaluation of hyperspectral remote sensing image recognition

特征組合總體精度/%Kappa系數(shù)XGBoost-多特征96.320.95XGBoost-光譜特征91.400.90XGBoost-多光譜特征80.670.75RF-多特征90.350.89RF-光譜特征83.450.82多特征(未特征選擇)85.810.84

在高光譜遙感圖像上隨機(jī)選取驗(yàn)證點(diǎn)326個(gè)，其中建筑39個(gè)，道路99個(gè)，小路36個(gè)，樹木94個(gè)，草地36個(gè)，陰影22個(gè)。高光譜遙感圖像識(shí)別精度如表3所示：其中本研究方法識(shí)別總體精度最高，達(dá)到了96.32%，Kappa系數(shù)為0.95；相較于傳統(tǒng)RF特征選擇方法，XGBoost算法選擇的特征識(shí)別精度平均提高了6.96%，Kappa系數(shù)平均提高了0.07，說明新穎的機(jī)器學(xué)習(xí)算法XGBoost可以有效地對(duì)高光譜遙感圖像進(jìn)行降維，充分挖掘有利于圖像識(shí)別的信息；特征選擇后的圖像識(shí)別的平均精度比未進(jìn)行特征選擇的高7.53%，說明特征選擇在高光譜圖像識(shí)別時(shí)具有重要作用，可以排除冗余信息對(duì)識(shí)別結(jié)果的干擾，提高了識(shí)別效率。相較于多光譜的紅、藍(lán)、綠和近紅外波段，高光譜遙感圖像可以提供地物更多的識(shí)別信息，識(shí)別精度提高了10.73%。綜上所述：本研究方法利用XGBoost算法對(duì)構(gòu)建的多特征空間進(jìn)行特征挖掘，可以充分利用高光譜遙感圖像的光譜、紋理、空間等信息，提高了識(shí)別精度，具有實(shí)用性。

4 總結(jié)

通過提取高光譜遙感圖像的像元級(jí)和對(duì)象級(jí)的光譜、紋理、形狀、指數(shù)等特征，利用網(wǎng)格搜索法優(yōu)化XGBoost算法并進(jìn)行特征選擇，來對(duì)華盛頓地區(qū)HYDICE高光譜數(shù)據(jù)進(jìn)行識(shí)別研究。通過特征挖掘充分利用了高光譜圖像信息，可以得到以下結(jié)論：

1)高光譜數(shù)據(jù)提供了豐富的光譜信息，通過面向?qū)ο蠓指詈蛨D像柵格運(yùn)算分別提取了對(duì)象級(jí)和像素級(jí)特征，特征類型包含了光譜特征、紋理特征、指數(shù)和形狀特征等總計(jì)1 969個(gè)，充分挖掘了高光譜圖像的信息。

2)通過與RF特征選擇算法相比較，利用網(wǎng)格搜索法來對(duì)XGBoost算法進(jìn)行參數(shù)調(diào)優(yōu)，使XGBoost算法在選擇高光譜特征時(shí)表現(xiàn)更加穩(wěn)定，可以有效降低特征間的冗余量，更好的選擇出有利于地物識(shí)別的特征。

3)相對(duì)于傳統(tǒng)方法，方法在高光譜遙感圖像識(shí)別中的總體精度達(dá)到了96.32%，提高了高光譜圖像識(shí)別的精度與穩(wěn)定性。