王立國(guó)， 張 震

（哈爾濱工程大學(xué) 信息與通信工程學(xué)院，哈爾濱150001）

0 引 言

高光譜圖像包含了數(shù)百個(gè)連續(xù)的光譜帶，包含詳細(xì)的光譜信息，故可以有效地區(qū)分不同的地物類別，但是高光譜圖像的高維數(shù)和少量可用的標(biāo)記樣本通常會(huì)造成Hughes現(xiàn)象［1］。因此，有必要減少高光譜圖像的維度，其中一種策略是將頻段選擇和相關(guān)矩陣等方法用于挖掘具有代表性的譜帶［2］；另一種策略是降維，將高光譜數(shù)據(jù)投射到低維空間中，包括傳統(tǒng)的主成分分析PCA和Fisher的線性判別分析LDA等［3-4］。對(duì)于高光譜圖像分類，結(jié)合空間信息有助于提高分類性能，馬爾可夫隨機(jī)場(chǎng)MRF在與相鄰樣本之間具有相互依存關(guān)系上，可以捕獲復(fù)雜空間的上下文信息。Tarabalka等提出的SVM-MRF，在高光譜圖像下表現(xiàn)出了較好的分類性能［5］。Gabor特征提取也能獲得有效的空間和光譜信息，Jia等提出了一種級(jí)聯(lián)超像素正則化Gabor特征融合方法CSRGFF［6］，而不是使用反映局部強(qiáng)度和變化的Gabor幅度和相位特征。文獻(xiàn)［7］提出了一種用于高光譜圖像分類的三維高斯-Gabor特征提取與選擇方法，充分挖掘高光譜圖像的空譜特征，在高光譜圖像下取得較優(yōu)的分類結(jié)果。局部二值模式LBP能夠成功地描述局部圖像紋理信息和空間結(jié)構(gòu)［8］，一般多用于模式識(shí)別［9］和計(jì)算機(jī)視覺問(wèn)題中的旋轉(zhuǎn)不變紋理分類。近年來(lái)，LBP也被應(yīng)用于高光譜圖像的紋理特征提取，文獻(xiàn)［10］提出了通過(guò)局部二值模式從降維影像中提取空間紋理特征，以線性加權(quán)求和為多核組合方式，與原始光譜特征結(jié)合構(gòu)造混合核極限學(xué)習(xí)機(jī)模型的方法。Li等在從高光譜圖像中選擇的波段子集中采用LBP和全局Gabor濾波器來(lái)產(chǎn)生對(duì)空間紋理信息的全面描述［11］。Ye等提出了分段的LBP，通過(guò)對(duì)相關(guān)波段進(jìn)行分組，從每個(gè)波段組中提取空間光譜特征［12］。上述方法雖然都取得不錯(cuò)的效果，但都是采用了傳統(tǒng)的LBP描述子。一方面，只考慮了中心像元和鄰域像元的關(guān)系，沒有考慮鄰域像元之間的關(guān)系；另一方面，經(jīng)傳統(tǒng)LBP描述子獲得的特征向量維度過(guò)高，不利于后序的計(jì)算處理［13］。

針對(duì)前面相關(guān)方法的不足，本文提出了一種利用多級(jí)交叉的LBP算子獲取多尺度紋理特征輔助高光譜圖像分類的方法，稱其為MCSLBP-SVM。此方法從水平垂直方向和對(duì)角方向，計(jì)算中心像元和鄰域像元的編碼值，和鄰域像元之間的編碼值。同時(shí)，利用多尺度的窗口生成統(tǒng)計(jì)直方圖，得到多范圍、高精度的紋理特征，將其用于輔助分類，獲得了較好的分類結(jié)果。

1 多級(jí)交叉局部二值模式

1.1 局部二值模式

傳統(tǒng)的局部二值模式LBP算子，通過(guò)比較中心像素與鄰域像素進(jìn)行灰度值的閾值運(yùn)算，得到中心像素和鄰域像素的二值關(guān)系，將二值化的鄰域像素值按照一定的編碼規(guī)則生成編碼值，最后將該編碼值的統(tǒng)計(jì)直方圖作為紋理特征描述。傳統(tǒng)的LBP算子表示為：

式中：rp為鄰域像素灰度值；rc為中心像素灰度值；s（x）為閾值化函數(shù)。

計(jì)算過(guò)程：首先，取3×3大小的8鄰域，比較鄰域范圍內(nèi)中心像素和鄰域像素的灰度值，根據(jù)閾值化函數(shù)s（x）將鄰域位置賦值為0或1，得到8個(gè)二進(jìn)制數(shù)值，然后，按照一定的編碼規(guī)則獲得LBP算子的編碼值，計(jì)算LBP算子的值如圖1所示。其中LBP描述子為：2+4+32+128=166。

圖1 LBP閾值化示意圖Fig.1 Schematic diagram of LBP thresholding

LBP算子雖然廣泛地應(yīng)用于自然圖像的各個(gè)領(lǐng)域，但其不適合直接應(yīng)用于高光譜圖像分類。傳統(tǒng)LBP算子都是針對(duì)像素點(diǎn)的灰度值進(jìn)行計(jì)算的，然而高光譜圖像的每個(gè)像元有很多個(gè)波段，這些波段中的反射率等信息組成了該像元的光譜向量，對(duì)于這一特點(diǎn)，提出了適合高光譜圖像的HLBP算子，其定義為：

式中：（x，y）為中心像元的位置；vc為中心像元的光譜向量；vp為鄰域像元的光譜向量；cos（vp，vc）為vc和vp的夾角余弦；K為給定的閾值。

1.2 多級(jí)交叉局部二值模式

無(wú)論是傳統(tǒng)的LBP算子還是適用于高光譜的HLBP算子，都只考慮了中心像元和鄰域像元之間的關(guān)系，沒有考慮鄰域像元和鄰域像元之間的關(guān)系。在生成統(tǒng)計(jì)直方圖獲取紋理特征向量時(shí)，其特征向量維度較高，不利于后序的計(jì)算處理。因此，提出了一種適用于高光譜的多級(jí)交叉局部二值模式，稱其為MCLBP。計(jì)算了水平垂直方向和對(duì)角方向，降低了特征向量維度，且考慮了鄰域像元之間的關(guān)系，使得對(duì)紋理特征的描述進(jìn)一步精確。MCLBP鄰域示意圖如圖2所示，其定義如下：

首先，計(jì)算中心像元與水平垂直四個(gè)鄰域像元的局部LBP算子Llv：

圖2 MCLBP鄰域示意圖Fig.2 Neighborhood diagram of MCLBP

然后，計(jì)算中心像元和對(duì)角四個(gè)鄰域像元的局部LBP算子Ldia：

最后，計(jì)算鄰域像元之間的局部LBP算子Larea：

通過(guò)對(duì)上述算子級(jí)聯(lián)可以獲得多級(jí)交叉LBP算子MCLBP：

式中：（x，y）為中心像元的位置；vc為中心像元的光譜向量，v1，…，v8為鄰域像元光譜向量；s為閾值化函數(shù)，與式（4）相同。

通過(guò)對(duì)高光譜圖像的每一個(gè)像元進(jìn)行MCLBP算子的計(jì)算，可以得到MCLBP圖像MX×Y×B，進(jìn)一步對(duì)圖像M計(jì)算統(tǒng)計(jì)直方圖即可獲得紋理特征。

2 基于多尺度紋理特征的高光譜分類框架

2.1 多尺度紋理特征

由于高光譜圖像各地物類別的分布，既可能有緊密聚集的大塊地物，也可能有分布離散的小塊地物，為了更精確地描述不同范圍的紋理特征。在利用MCLBP算子生成統(tǒng)計(jì)直方圖時(shí)，要選用多尺度的窗口，獲取不同窗口下的統(tǒng)計(jì)直方圖，可獲得多尺度的紋理特征。高光譜圖像的多尺度紋理特征向量Tex的定義為：

式中：Wi（x，y）為某一窗口大小的統(tǒng)計(jì)直方圖向量；m為MCLBP圖像MX×Y×B對(duì)應(yīng)的數(shù)值；k為窗口大?。籆ount函數(shù)為計(jì)算數(shù)值出現(xiàn)的次數(shù)。

多尺度紋理特征計(jì)算示意圖如圖3所示，具體步驟如下：

（1）對(duì)原始高光譜圖像進(jìn)行PCA主成分分析，獲得降維后的圖像RX×Y×B；

（2）對(duì)圖像RX×Y×B進(jìn)行MCLBP算子運(yùn)算，獲得編碼值圖像MX×Y×K；

（3）利用編碼值圖像MX×Y×K結(jié)合多個(gè)窗口大小，獲取多個(gè)統(tǒng)計(jì)直方圖圖像WX×Y×V；

（4）將多個(gè)統(tǒng)計(jì)直方圖圖像WX×Y×V級(jí)聯(lián)，獲得多尺度紋理特征圖像TexX×Y×nV。

圖3 多尺度紋理特征計(jì)算示意圖Fig.3 Sketch map of multi scale texture feature calculation

圖4 本文分類方法流程Fig.4 Flow chart of classification method in this paper

2.2 本文分類方法

利用多級(jí)交叉LBP算子獲得編碼值圖像，并且使用多個(gè)窗口生成統(tǒng)計(jì)直方圖，可獲得多尺度紋理特征。將該紋理特征與光譜特征級(jí)聯(lián)，獲得包含空間信息和光譜信息的空譜聯(lián)合向量，利用支持向量機(jī)SVM對(duì)其進(jìn)行分類。本方法獲得的多范圍、高精度的紋理特征，較好地解決了獲得紋理特征時(shí)只考慮鄰域像元和得到的特征維度較高的問(wèn)題，具體流程如圖4所示。

3 實(shí)驗(yàn)仿真與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證本方法的有效性，利用兩個(gè)廣泛使用的開源真實(shí)數(shù)據(jù)集Indian pines和Pavia高光譜數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。Indian pines數(shù)據(jù)集是通過(guò)印第安納地區(qū)AVIRIS成像光譜儀獲得的，其空間分辨率為20 m，圖像像素為145×145，地物像素占10 249個(gè)。其中包含220個(gè)光譜帶，去掉水汽區(qū)域和噪聲譜帶后，保留了200個(gè)光譜帶，并且在實(shí)驗(yàn)過(guò)程中選取樣本數(shù)目較多的12類進(jìn)行實(shí)驗(yàn)，其真實(shí)地物類別如圖5所示。Pavia數(shù)據(jù)集是通過(guò)帕維亞大學(xué)的ROSIS成像光譜儀獲得的，其空間分辨率為1.3 m，圖像像素為610×340，地物像素占42 776個(gè)。其中包含115個(gè)光譜帶，去掉水汽區(qū)域和噪聲帶后，保留了103個(gè)光譜帶，在實(shí)驗(yàn)過(guò)程中選取全部的9類進(jìn)行實(shí)驗(yàn)。其真實(shí)地物類別如圖6所示。

圖5 Indian pines真實(shí)地物圖Fig.5 Real feature map of Indian pines

圖6 Pavia真實(shí)地物圖Fig.6 Real feature map of Pavia

3.2 實(shí)驗(yàn)條件和評(píng)價(jià)指標(biāo)

圖7 不同窗口大小下分類精度折線圖Fig.7 Line chart of classification accuracy under different window sizes

實(shí)驗(yàn)CPU為Inter（R）Core i5-7200U、64位Windows10操作系統(tǒng)、內(nèi)存為4 GB的PC機(jī)，使用Matlab 2016 a進(jìn)行仿真實(shí)驗(yàn)。三種高光譜數(shù)據(jù)集在實(shí)驗(yàn)中都選取1%作為訓(xùn)練樣本，選取高斯徑向基作為本文實(shí)驗(yàn)中支持向量機(jī)SVM的主要核函數(shù)，通過(guò)交叉驗(yàn)證搜索法自動(dòng)取得核參數(shù)σ和懲罰因子C的最優(yōu)值，最終記錄的數(shù)據(jù)為實(shí)驗(yàn)10次數(shù)據(jù)的平均值。評(píng)價(jià)指標(biāo)為總體分類精度OA、平均分類進(jìn)度AA和Kappa系數(shù)。

將本方法與其他方法進(jìn)行對(duì)比，以證明本方法的可行性和有效性。第一種方法是利用標(biāo)準(zhǔn)支持向量機(jī)算法SVM進(jìn)行分類；第二種方法是采用Gabor濾波提取紋理特征，經(jīng)過(guò)與光譜特征級(jí)聯(lián)融合再利用SVM進(jìn)行分類，稱其為Gabor-SVM方法；第三種方法是利用適用于高光譜的HLBP算子獲得紋理特征，再與光譜特征融合后利用SVM分類，稱其為HLBP-SVM；第四種方法是利用本文提出的多級(jí)交叉定向LBP算子獲得單一尺度紋理特征，將其與光譜特征融合后利用SVM分類，稱其為MCLBP-SVM。

在利用MCLBP算子生成統(tǒng)計(jì)直方圖以獲得紋理特征時(shí)，根據(jù)選擇的窗口大小不同，獲得的統(tǒng)計(jì)直方圖也有所不同，如MCLBP-SVM方法。在不同窗口大小下，所獲得分類精度折線圖如圖7所示。可以看出，兩種高光譜數(shù)據(jù)集都是在窗口大小為35左右取得較高的分類精度，所以在MCLBP-SVM方法對(duì)比實(shí)驗(yàn)中，窗口大小取35。本文方法獲得多尺度紋理特征時(shí)，窗口大小分別取25、35和45的組合，并由以上窗口大小獲得紋理特征后疊加。

3.3 實(shí)驗(yàn)結(jié)果及分析

在Indian pines數(shù)據(jù)集上驗(yàn)證了本文算法，每類的訓(xùn)練樣本和測(cè)試樣本的選擇策略為選取1%作為有標(biāo)簽訓(xùn)練樣本，其他為無(wú)標(biāo)簽的測(cè)試樣本。對(duì)比實(shí)驗(yàn)和本文實(shí)驗(yàn)共5種算法的分類結(jié)果如圖8所示。

圖8 Indian pines高光譜圖像分類結(jié)果圖Fig.8 Classification result maps of Indian pines hyperspectral images

從幾種算法的分類結(jié)果可以看出，本文方法相比較于Gabor-SVM和HLBP-SVM方法，分類精度更高，錯(cuò)分現(xiàn)象更少，擁有更清晰的輪廓，說(shuō)明本文方法提出的多級(jí)交叉LBP算子獲得的紋理特征是有效的。與MCLBP-SVM方法相比，本文方法邊緣的錯(cuò)分更少，輪廓更加規(guī)整，驗(yàn)證了本文方法中多尺度紋理特征考慮多范圍的變化是有效合理的。各方法的總體分類精度OA、平均分類精度AA和Kappa系數(shù)如表1所示?？梢钥闯?，本方法的OA、AA和Kappa系數(shù)均優(yōu)于其他方法，進(jìn)一步證明了本文方法在幾種方法中分類效果最佳。

表1 Indian pines高光譜圖像分類結(jié)果Table 1 Classification results of Indian pines hyperspectral images

在Pavia高光譜數(shù)據(jù)集上的實(shí)驗(yàn)，每類的訓(xùn)練樣本和測(cè)試樣本的選擇策略為每類選取1%作為有標(biāo)簽訓(xùn)練樣本，其他為無(wú)標(biāo)簽的測(cè)試樣本。對(duì)比實(shí)驗(yàn)和本文實(shí)驗(yàn)共5種算法的分類結(jié)果如圖9所示。

圖9 Pavia高光譜圖像分類結(jié)果圖Fig.9 Classification result maps of Pavia hyperspectral images

幾種算法的分類結(jié)果與Indian pines數(shù)據(jù)集分類結(jié)果類似，相比較于Gabor-SVM和HLBP-SVM方法，本方法分類精度更高，錯(cuò)分現(xiàn)象更少，這是因?yàn)槔枚嗉?jí)交叉LBP算子可以多角度的獲取紋理特征，并考慮了鄰域像元之間的關(guān)系。與MCLBP-SVM方法相比，本文方法處理的圖像邊緣更加規(guī)整，“斑點(diǎn)”現(xiàn)象減少，充分說(shuō)明了多尺度紋理特征的有效性。各方法的總體分類精度OA、平均分類精度AA和Kappa系數(shù)如表2所示?？梢钥闯?，本方法的OA、AA和Kappa系數(shù)都優(yōu)于其他方法，同樣，證明了本文方法在幾種方法中分類效果最佳。

表2 Pavia高光譜圖像分類結(jié)果Table 2 Classification results of Pavia hyperspectral images

4 結(jié) 論

提出了一種基于多級(jí)交叉LBP算子獲得多尺度紋理特征的高光譜圖像分類方法。利用新的MCLBP算子獲取編碼值圖像，并且在利用編碼值圖像生成統(tǒng)計(jì)直方圖時(shí)，采取多個(gè)窗口的組合，獲得了多尺度的紋理特征。多尺度紋理特征充分考慮了鄰域像元之間的關(guān)系，描述的空間信息更加廣泛，降低了特征維度，便于后序分類的計(jì)算。實(shí)驗(yàn)表明，本文方法在兩個(gè)開源數(shù)據(jù)集上，總體分類進(jìn)度OA、平均分類精度AA和Kappa系數(shù)都是幾種對(duì)比方法中最好的，證明了本文方法的有效性和可行性。