亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于EMP與混合核SVM的高光譜遙感影像分類

        2021-12-03 07:27:16韓賢權(quán)黎建洲劉慧澤
        地理空間信息 2021年11期
        關(guān)鍵詞:光譜信息單核空間信息

        曹 浩,韓賢權(quán),黎建洲*,吳 柯,劉慧澤

        (1.長(zhǎng)江水利委員會(huì)長(zhǎng)江科學(xué)院,湖北 武漢 430010;2.中國(guó)地質(zhì)大學(xué)(武漢) 地球物理與空間信息學(xué)院,湖北 武漢 430074)

        高光譜數(shù)據(jù)具有維數(shù)高、冗余信息巨大等特點(diǎn),在真實(shí)訓(xùn)練樣本信息不足的情況下,易出現(xiàn)大量Hughes現(xiàn)象,這將極大影響地物探測(cè)和識(shí)別的精度[1]。支持向量機(jī)(SVM)自提出起就受到了廣泛的關(guān)注。利用SVM空間構(gòu)建的核函數(shù),合理地避開了高維空間計(jì)算的復(fù)雜性,在線性可分的情況下能有效求解對(duì)應(yīng)高維空間的決策問題。將這種單核SVM應(yīng)用于數(shù)據(jù)量龐大的高光譜遙感影像分類、識(shí)別中,效果非常顯 著[2-3]。2002年Smits G F[4]等在單核SVM的基礎(chǔ)上提出了一種混合核SVM的高光譜影像分類方法,主要通過構(gòu)建與組合不同的核函數(shù)來完成SVM的空間映射;相較于單核SVM,混合核能取得更好的分類效果;隨后一些研究者陸續(xù)發(fā)展了不同形式的混合核SVM,并取得了良好的效果[5-8]。然而,利用混合核SVM的傳統(tǒng)分類方法完全是從光譜維的角度來構(gòu)建混合核SVM模型,并未考慮影像的空間結(jié)構(gòu)信息,基于單一的光譜維的分類器并不一定能滿足需求[9]。已有研究結(jié)果表明,將空間結(jié)構(gòu)信息加入SVM模型能有效提高分類精度,如TAN K[10]等提出了基于空間形態(tài)學(xué)屬性的分類模型,Tarabalka Y[11]等提出了SVM與馬爾科夫隨機(jī)場(chǎng)(MRF)相結(jié)合的模型,王曉玲[12]等提出了融合形態(tài)學(xué)特征的SVM模型等;但這些方法均是利用同一映射形式的單核SVM對(duì)空間信息與光譜信息的疊加信息進(jìn)行統(tǒng)一處理,并未考慮混合核函數(shù)的形式。由于SVM不同核函數(shù)具有不同的特性,且空間信息與光譜信息存在差異性,因此如何構(gòu)造混合核函數(shù)來有效地結(jié)合空間信息與光譜信息成為一個(gè)難點(diǎn)問題。

        鑒于此,本文提出了一種全新的基于擴(kuò)展的形態(tài)學(xué)剖面(EMP)與混合核SVM的高光譜影像分類方法。該方法既利用EMP提取了高光譜影像中的空間特征,并將空間特征與光譜特征進(jìn)行有效結(jié)合,又在單核SVM的基礎(chǔ)上構(gòu)建了兩種混合核SVM,充分發(fā)揮了混合核SVM的優(yōu)勢(shì),進(jìn)一步提高了高光譜影像的分類質(zhì)量,尤其是對(duì)于一些混合情況比較復(fù)雜的區(qū)域,分類效果更顯著,適用性更強(qiáng)。本文通過兩組高光譜影像的分類實(shí)驗(yàn)驗(yàn)證了該方法的分類精度。

        1 理論模型與方法

        1.1 基于EMP的提取方法

        高光譜影像的EMP提取,是通過一系列半徑增量相同的結(jié)構(gòu)元素依次對(duì)影像做開運(yùn)算與閉運(yùn)算,從而得到一系列的開運(yùn)算剖面與閉運(yùn)算剖面[13]。開運(yùn)算剖面的定義為:

        式中,(x)為對(duì)尺寸為i的結(jié)構(gòu)元素進(jìn)行開運(yùn)算操作;n為開運(yùn)算剖面的總數(shù)量;x為圖像上進(jìn)行開運(yùn)算的像素點(diǎn),從而產(chǎn)生n維的特征向量。閉運(yùn)算剖面的定義為:

        式中,(x)為對(duì)尺寸為i的結(jié)構(gòu)元素進(jìn)行閉運(yùn)算操作;n為閉運(yùn)算剖面的總數(shù)量;x為圖像上進(jìn)行閉運(yùn)算的像素點(diǎn),從而產(chǎn)生n維的特征向量。

        假設(shè)原始影像上的x為I(x),當(dāng)式(1)和式(2)中的i=0,則OP0(x) =CP0=I(x)。此時(shí)將開運(yùn)算與閉運(yùn)算的剖面結(jié)合起來,就得到EMP,即

        為了將EMP的提取應(yīng)用到高光譜數(shù)據(jù)上,需要對(duì)高光譜數(shù)據(jù)進(jìn)行特征提取。研究表明,對(duì)高光譜數(shù)據(jù)進(jìn)行主成分分析(PCA),再選取方差較大的幾個(gè)主成分進(jìn)行形態(tài)學(xué)變換,能取得較好的效果。因此,對(duì)提取的每個(gè)主成分進(jìn)行形態(tài)學(xué)變換得到一個(gè)疊置的特征向量,稱為EMP。EMP一個(gè)維數(shù)為m(2n+1)的特征向量為:

        式中,i=1,2,…,m,m為保留的成分?jǐn)?shù)目。

        1.2 基于混合核的SVM模型

        SVM的核心思想是將數(shù)據(jù)映射到高維空間來尋求最優(yōu)的分類超平面;由于小樣本學(xué)習(xí)的特點(diǎn),在統(tǒng)計(jì)樣本量較少且特征維數(shù)較高的情況下,亦能獲得良好統(tǒng)計(jì)規(guī)律[14]。對(duì)于給定的訓(xùn)練集{(x1,y1),…,(xn,yn)},xi∈RN,yi∈{-1,+1}以及對(duì)應(yīng)的一個(gè)高維空間(希爾伯特空間)非線性的映射φ(.):RN→H,SVM主要求解的問題為:

        式中,ξi為一定程度內(nèi)允許的誤差;c為對(duì)誤差的容忍程度。

        根據(jù)拉格朗日對(duì)偶算子,求解問題進(jìn)一步轉(zhuǎn)化為:

        式中,0<αi<c且∑iαiiy=0,i=1,…,n。

        由于SVM中的映射φ(.)都是以內(nèi)積形式實(shí)現(xiàn)的,因此有核函數(shù)的定義為:

        將式(7)代入式(6)求解對(duì)偶問題,得到對(duì)于預(yù)測(cè)數(shù)據(jù)向量x的分類決策函數(shù)為:

        此時(shí),SVM的核函數(shù)K由代表不同映射的核函數(shù)組合而成,其中一些常用的核函數(shù)為:①線性核函 數(shù)K(xi,x)=;②多項(xiàng)式核函數(shù)K(xi,x)= (+1)d,d∈Z+;③高斯徑向基核函數(shù)(RBF);④Sigmoid核函數(shù)K(xi,x)=tanh(v+c)。

        1.3 基于EMP與混合核SVM的高光譜遙感分類

        根據(jù)Mercer定理可以推論:若在Rn×Rn上的空間,K1、K2均為核函數(shù),對(duì)應(yīng)的核矩陣半正定,則式(9)、式(10)的函數(shù)也是核函數(shù)[5]。

        對(duì)于高光譜遙感影像,令每個(gè)像元為xi,像素點(diǎn)的光譜信息值為xis,像素點(diǎn)的空間信息值為xiw,本文構(gòu)造了兩種類型的SVM混合核函數(shù)。

        1)權(quán)重累加混合核。

        式中,μ為空間信息與光譜信息之間的權(quán)重系數(shù),范圍為0~1,可根據(jù)高光譜遙感影像的相關(guān)先驗(yàn)信息自行調(diào)整。

        2)交叉信息混合核。

        這是光譜信息與空間信息進(jìn)行交叉內(nèi)積時(shí)的一種交叉混合核。需要注意的是,在交叉信息混合核進(jìn)行內(nèi)積運(yùn)算時(shí),空間信息特征維數(shù)必須與光譜信息特征維數(shù)相同。

        基于EMP與混合核SVM的高光譜遙感影像分類方法的主要步驟為:①利用基于相似性度量的波段選擇算法提取光譜數(shù)據(jù)的光譜信息;②利用基于PCA的形態(tài)學(xué)運(yùn)算提取EMP,作為空間信息;③構(gòu)造空間信息與光譜信息相結(jié)合的SVM混合核;④進(jìn)行高光譜數(shù)據(jù)的混合核SVM分類,如圖1所示。

        圖1 基于EMP和混合核SVM的高光譜遙感影像 分類基本流程圖

        2 實(shí)驗(yàn)結(jié)果與分析

        本文選取的分類精度評(píng)價(jià)指標(biāo)為總體精度(OA)和Kappa系數(shù)。對(duì)于單核SVM,采用RBF函數(shù);對(duì)于混合核SVM,空間信息的EMP采用RBF核函數(shù),光譜信息采用多項(xiàng)式核函數(shù)。在累加權(quán)重混合核的參數(shù)設(shè)置中,懲罰參數(shù)c的范圍為[1,200],且步長(zhǎng)為1;對(duì)應(yīng)空間信息的RBF核函數(shù)參數(shù)γ1的范圍為[0.01,1],且增幅為0.01;對(duì)應(yīng)光譜信息的RBF核函數(shù)參數(shù)γ2的范圍為[0.01,1],且步長(zhǎng)為0.01;權(quán)重參數(shù)λ的范圍為[0.1,1],且步長(zhǎng)為1,4個(gè)參數(shù)通過三重網(wǎng)格法交叉驗(yàn)證搜索得到。

        2.1 常州夏橋數(shù)據(jù)實(shí)驗(yàn)

        常州夏橋數(shù)據(jù)由國(guó)產(chǎn)推掃式光譜成像儀(PHI)生成,研究區(qū)域?yàn)榻K省常州市夏橋及其附近區(qū)域;原始數(shù)據(jù)包括80個(gè)波段,刪除2個(gè)噪聲波段,剩余78個(gè)波段;影像大小為400×346,光譜范圍為0.417~0.854 μm,如圖2所示。影像中地物被分為道路、農(nóng)田、碎石地、菜地、荒草地、水體6類,結(jié)合影像具體情況依次選取感興趣區(qū)作為訓(xùn)練樣本,數(shù)據(jù)的類別信息如表1所示。

        圖2 常州夏橋高光譜數(shù)據(jù)

        表1 常州夏橋數(shù)據(jù)類別信息

        實(shí)驗(yàn)在PCA提取前4個(gè)主成分的基礎(chǔ)上,進(jìn)行EMP提??;分別采用尺度為3×3和5×5的方形結(jié)構(gòu)元素窗口對(duì)4個(gè)主成分進(jìn)行對(duì)應(yīng)的開運(yùn)算與閉運(yùn)算操作,每個(gè)主成分產(chǎn)生一個(gè)維數(shù)為5的EMP,最終的維度為20,如圖3所示。

        圖3 EMP對(duì)夏橋影像運(yùn)算的結(jié)果

        本文分別利用單核SVM和混合核SVM組合不同的特征進(jìn)行實(shí)驗(yàn)。

        對(duì)于單核SVM,首先對(duì)原始光譜信息(OSI)、累計(jì)方差達(dá)99.18%的PCA前4個(gè)主成分(PCs)、利用波段選擇得到的10維的最佳波段組合(SBs)和20維的EMPs等4種單一特征進(jìn)行測(cè)試;再對(duì)EMPs+OSI、EMPs+PCs以及EMPs+SBs等3種組合特征進(jìn)行測(cè)試。7種不同形式的分類結(jié)果如表2所示,可以看出,在利用單一特征進(jìn)行分類的方法中,OSI的分類效果最差,OA為87.05%,Kappa系數(shù)為0.824;在利用組合特征進(jìn)行分類的方法中,加入EMP作為空間信息后分類精度均得到了提高,EMPs+SBs的效果最好,OA為89.65%,Kappa系數(shù)為0.852;與EMPs+OSI相比,在數(shù)據(jù)降維后將光譜信息特征與EMP相結(jié)合能進(jìn)一步提高分類精度。

        對(duì)于混合核SVM,實(shí)驗(yàn)分為兩種形式進(jìn)行組合:累加權(quán)重和交叉信息。累加權(quán)重混合核組合了EMPs+ OSI、EMPs+PCs和EMPs+SBs等3種空間信息與光譜信息;由于交叉信息核中對(duì)應(yīng)的數(shù)據(jù)維數(shù)必須相同,因此只選擇EMPs+PCs,滿足數(shù)據(jù)均為20維。 4種混合核的分類結(jié)果如表3所示,可以看出,混合核SVM的分類精度均高于單核SVM,其中EMPs+SBs的分類精度最高,OA達(dá)到了93.65%,Kappa系數(shù)為0.901。

        表3 常州夏橋?qū)嶒?yàn)混合核的分類結(jié)果

        為了更直觀地比較分類的效果,OSI、單核EMPs+ SBs、混合核EMPs+PCs和EMPs+SBs的分類結(jié)果如圖4所示,分類結(jié)果圖與表2、3的統(tǒng)計(jì)結(jié)果一致,可以看出,4種分類圖的局部差異較明顯,對(duì)于碎石地和道路兩個(gè)混雜類別,OSI無法較好地區(qū)分兩種類別,尤其是圖4a中道路基本上被誤判為碎石地;單核SVM與交叉信息混合核SVM雖可改善該缺陷,但圖4b、4c 中仍存在許多幾何形態(tài)各異的離散點(diǎn),且誤判區(qū)域較多;累加權(quán)重混合核SVM能獲取最好的分類精度 (圖4d),較好地反映真實(shí)的類別分布情況。

        圖4 PHI數(shù)據(jù)混合核SVM與單核SVM分類結(jié)果對(duì)比圖

        表2 常州夏橋?qū)嶒?yàn)單核的分類結(jié)果

        2.2 HYDICE數(shù)據(jù)實(shí)驗(yàn)

        該實(shí)驗(yàn)數(shù)據(jù)由HYDICE傳感器獲取生成,獲取時(shí)間為1995年10月,研究區(qū)域?yàn)槊绹?guó)德克薩斯州的Copperas Cove鎮(zhèn);原始影像包含210個(gè)波段,經(jīng)噪聲去除,剩余187個(gè)波段;光譜分辨率為10 nm,空間分辨率為2 m,影像大小為307×307,如圖5所示。影像中的地物被分為瀝青道路、草地、樹木、屋頂、含陰影屋頂和混凝土6類,結(jié)合影像具體情況依次選取感興趣區(qū)作為訓(xùn)練樣本,數(shù)據(jù)的類別信息如表4 所示。

        表4 HYDICE數(shù)據(jù)類別信息

        圖5 HYDICE高光譜數(shù)據(jù)

        該實(shí)驗(yàn)仍分別采用尺度為3×3、5×5的方形結(jié)構(gòu)元素窗口對(duì)PCA的4個(gè)主成分進(jìn)行相應(yīng)的開運(yùn)算與閉運(yùn)算操作,產(chǎn)生維度為20的特征分量,如圖6所示。

        圖6 EMP對(duì)HYDICE影像運(yùn)算的結(jié)果

        與常州夏橋數(shù)據(jù)類似,對(duì)于單核SVM,首先采用OSI、PCs、SBs以及EMPs等4種單一特征進(jìn)行測(cè)試;再采用EMPs+OSI、EMPs+PCs和EMPs+SBs等3種組合特征進(jìn)行測(cè)試。7種形式的分類結(jié)果如表5 所示,可以看出,在利用單一特征進(jìn)行分類的方法中,EMPs的分類精度最低,OA僅為74.23%,Kappa系數(shù)為0.682;在利用組合特征進(jìn)行分類的方法中,EMPs+SBs的分類精度最高,OA為91.35%,比PCs和EMPs分別提高了2.01%和17.12%,同時(shí),Kappa系數(shù)達(dá)到了0.868。

        表5 HYDICE實(shí)驗(yàn)單核的分類結(jié)果

        對(duì)于混合核SVM,累加權(quán)重混合核EMPs+OSI、EMPs+PCs、 EMPs+SBs以及交叉信息混合核EMPs+ PCs得到的4種分類結(jié)果如表6所示,可以看出,4種混合核的實(shí)驗(yàn)精度均達(dá)到了預(yù)期效果,在同等實(shí)驗(yàn)條件下,它們的分類精度均在91%以上,高于單核的分類精度;其中EMPs+SBs的分類精度最高,OA達(dá)到了92.69%,Kappa系數(shù)為0.881。

        表6 HYDICE實(shí)驗(yàn)混合核的分類結(jié)果

        OSI、單核EMPs+SBs、交叉信息混合核EMPs+PCs和累加權(quán)重混合核EMPs+SBs的分類結(jié)果如圖7所示,可以看出,圖7a左邊局部區(qū)域出現(xiàn)了一些明顯的誤分現(xiàn)象,由于陰影的影響,屋頂、樹木以及含陰影屋頂混雜在一起;圖7b右下部分大面積的樹木和草地的覆蓋區(qū)域中,混雜有許多其他類別,存在明顯的誤判現(xiàn)象;圖7c、7d極大地改善了這種誤判,證明混合核SVM比單核SVM具有更好的分類結(jié)果。

        圖7 HYDICE數(shù)據(jù)混合核SVM與單核SVM分類結(jié)果對(duì)比圖

        3 結(jié) 語

        本文提出了一種基于EMP與混合核SVM的高光譜遙感影像分類方法;并通過實(shí)驗(yàn)對(duì)比了單核SVM以及混合核SVM不同組合形式下的分類結(jié)果。結(jié)果表明,本文提出的方法比傳統(tǒng)SVM分類模型具有更高的精度。本文方法的優(yōu)勢(shì)為:①利用EMP技術(shù)能將高光譜影像中的空間特征與光譜信息結(jié)合起來,有效提高分類精度;②構(gòu)建了累加權(quán)重和交叉信息兩種SVM混合核,能進(jìn)一步提升單核SVM的分類質(zhì)量。對(duì)于一些混合情況較復(fù)雜的區(qū)域,該方法的效果顯著,適用性強(qiáng)。未來的工作將集中在探索一種更為自動(dòng)合理的形態(tài)學(xué)結(jié)構(gòu)元素與波段數(shù)選擇機(jī)制。

        猜你喜歡
        光譜信息單核空間信息
        結(jié)合多層特征及空間信息蒸餾的醫(yī)學(xué)影像分割
        基于光譜和Gabor紋理信息融合的油桃品種識(shí)別
        基于植被光譜信息的龜裂堿土堿化程度預(yù)測(cè)研究
        綠色科技(2017年20期)2017-11-10 18:54:19
        傅立葉變換光譜儀的研究現(xiàn)狀與光譜信息分析原理
        《地理空間信息》協(xié)辦單位
        一種簡(jiǎn)單的分離、培養(yǎng)及鑒定小鼠外周血單核巨噬細(xì)胞方法的建立
        一種基于區(qū)域生長(zhǎng)的高分辨率遙感影像道路提取方法
        單核Ru(Ⅲ)-edta類配合物的合成﹑結(jié)構(gòu)及性質(zhì)研究
        苯并咪唑衍生的單核鈷(Ⅱ)和單核鎳(Ⅱ)配合物與DNA和蛋白質(zhì)的結(jié)合反應(yīng)性及細(xì)胞毒活性研究
        關(guān)于地理空間信息標(biāo)準(zhǔn)體系
        日本高清色惰www在线视频| 97色偷偷色噜噜狠狠爱网站 | 亚洲国产精品日韩av不卡在线| 99热免费观看| 国产女主播福利一区在线观看| 日本一二三四区在线观看| 99精品久久精品一区二区| 久久久无码一区二区三区| 亚洲最稳定资源在线观看| 国产一品二品三区在线观看| 亚洲av无码国产精品色午夜字幕 | 国精品无码一区二区三区在线| 精品免费人伦一区二区三区蜜桃| 国产成人精品中文字幕| 职场出轨的人妻中文字幕| 久久精品噜噜噜成人| 亚洲亚洲网站三级片在线| av网站一区二区三区| 欧美巨鞭大战丰满少妇| 亚洲高潮喷水无码av电影| 巨乳av夹蜜桃站台蜜桃机成人| 日本免费精品免费视频| 久久天天躁夜夜躁狠狠| 丰满五十六十老熟女hd| 亚洲乱精品中文字字幕| 人妻中文字幕日韩av| 久久久www免费人成精品| 国产在线不卡AV观看| av成人资源在线观看| 久久精品丝袜高跟鞋| 伦人伦xxxx国语对白| 亚洲国产一区二区三区在观看 | 久久精品麻豆日日躁夜夜躁| 自拍 另类 综合 欧美小说| 国产又湿又爽又猛的视频 | 国产午夜精品一区二区三区| 亚洲小说图区综合在线| 久久精品伊人久久精品伊人| 婷婷色在线视频中文字幕| 91成人自拍在线观看| 无码免费一区二区三区|