陳 浪,閆德勤,劉德山,曹意唱
(遼寧師范大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院,遼寧大連 116081)
高光譜圖像(hyperspectral image,HSI)是由光譜維和空間維組成的三維圖像數(shù)據(jù),含有豐富的空間信息和光譜信息,廣泛應(yīng)用于目標(biāo)檢測(cè)、分類(lèi)等方面。圖像分類(lèi)是應(yīng)用的基礎(chǔ),為了能更好地識(shí)別出高光譜圖像中的有效信息,提高識(shí)別精度,研究人員提出了多種機(jī)器學(xué)習(xí)方法,如深度學(xué)習(xí)、主動(dòng)學(xué)習(xí)、降維等,都取得了較好的分類(lèi)效果。
協(xié)同表示(Collaborative Representation,CR)以較低的時(shí)間復(fù)雜度、空間復(fù)雜度和較好的分類(lèi)性能獲得廣泛關(guān)注。Bian 等通過(guò)挖掘不同層級(jí)之間的光譜信息,提出多層稀疏表示分類(lèi)(Multi-Layer SR Classification,mlSRC)、多層協(xié)作表示分類(lèi)(Multi-Layer Collaborative Representation Classification,mlCRC)和基于多層彈性網(wǎng)表示的分類(lèi)(Multi-Layer Elastic Net Representation-based Classification,mlENRC),能有效克服訓(xùn)練樣本的高相干性;Li 等基于相鄰像素具有相似的光譜信息或者屬于同一類(lèi)的特性,提出聯(lián)合類(lèi)內(nèi)協(xié)同表示(Joint CR,JCR),對(duì)局部區(qū)域內(nèi)的像素進(jìn)行均值處理,有效地聯(lián)合了空間特征;Jiang 等利用像素間的空間位置信息構(gòu)建權(quán)重矩陣,并以此對(duì)協(xié)同系數(shù)進(jìn)行約束,提出空間感知的協(xié)同表示(Spatial-AwareCollaborativeRepresentation,SaCR)和聯(lián)合空間感知的協(xié)同表示(JointSpatial-Aware Collaborative Representation,JSaCR);Yang 等基于局部區(qū)域內(nèi)的像素具有高度的光譜相關(guān)性,提出區(qū)域自適應(yīng)和字典自適應(yīng)協(xié)同表示(Joint Collaborative Representation with Shape Adaptive Region and Locally Adaptive Dictionary,SALJCR),該算法通過(guò)自適應(yīng)區(qū)域內(nèi)的所有樣本對(duì)測(cè)試樣本進(jìn)行重建,由測(cè)試樣本與字典原子之間的光譜距離自適應(yīng)地選擇字典原子對(duì)測(cè)試樣本進(jìn)行表示;Chen 等提出加權(quán)的正則化協(xié)同表示分類(lèi)算法(Weighted Regularized Collaborative Representation,WRCROC),通過(guò)構(gòu)建訓(xùn)練樣本與測(cè)試樣本之間的權(quán)重矩陣和構(gòu)建測(cè)試樣本之間權(quán)重矩陣對(duì)稀疏系數(shù)進(jìn)行約束;Su 等將多特征學(xué)習(xí)應(yīng)用到協(xié)同表示的分類(lèi)機(jī)制中,提出基于多特征字典學(xué)習(xí)協(xié)同表示分類(lèi)(Multifeature Dictionary Learning for Collaborative Representation Classification,MCRCDL),該算法提取高光譜圖像的多種特征,在不同特征下構(gòu)造對(duì)應(yīng)的字典,通過(guò)學(xué)習(xí)得出最優(yōu)的協(xié)同表示系數(shù);Karaca利用超像素的空間坐標(biāo)關(guān)系,在概率核協(xié)同表示(Probabilistic Kernel Collaborative Representation,PKCRC)基礎(chǔ)上,提出空間感知概率多核協(xié)同表示(Feature Fusion Version of PMKCR,PMKCR-FF;Decision Fusion Version of PMKCR,PMKCR-DF),該算法有效地結(jié)合空間感知和多核學(xué)習(xí)優(yōu)勢(shì),以提高協(xié)同表示的分類(lèi)性能。
上述算法都充分利用了高光譜圖像的各種特征信息,取得了較好的分類(lèi)效果,但存在一些問(wèn)題,如噪聲處理不夠徹底、空間特征與光譜特征感知不充分、空間識(shí)別差等。為有效解決這些問(wèn)題,本文提出應(yīng)用特征感知與協(xié)同表示的高光譜圖像分類(lèi)方法(Classification of Hyperspectral Images with Feature Perception and Collaborative Representation,F(xiàn)P-CRC),該算法充分利用測(cè)試樣本與訓(xùn)練樣本之間的局部結(jié)構(gòu)關(guān)系,通過(guò)圖像重建、空間特征感知、光譜特征感知等方式,提高模型的噪音處理和空間識(shí)別能力。
λ
為平衡參數(shù),用于平衡重建誤差項(xiàng)與范數(shù)項(xiàng)。對(duì)式(1)求解可得:
y
的類(lèi)別標(biāo)簽與重建誤差最小的字典原子標(biāo)簽一值,即:本文提出應(yīng)用特征感知與協(xié)同表示的高光譜圖像分類(lèi)方法模型。該模型主要分為圖像重建、光譜特征感知、空間特征感知3個(gè)部分。首先將輸入的圖像進(jìn)行自適應(yīng)加權(quán)重建,然后進(jìn)行光譜特征和空間特征感知,最后運(yùn)用協(xié)同表示機(jī)制進(jìn)行分類(lèi),其流程如圖1 所示。
Fig.1 FP-CRC process圖1 FP-CRC 流程
研究發(fā)現(xiàn),傳統(tǒng)協(xié)同表示算法對(duì)異常點(diǎn)和噪聲比較敏感,對(duì)邊界的識(shí)別較差。利用像素間的局部關(guān)系對(duì)圖像進(jìn)行重建,能增強(qiáng)高光譜圖像的空間特征和光譜特征,消除噪聲和異常點(diǎn),對(duì)準(zhǔn)確分類(lèi)具有重要作用。因此,利用自適應(yīng)加權(quán)方式對(duì)原始圖像進(jìn)行重建。中心像素的重建值由相鄰像素及對(duì)應(yīng)的權(quán)重進(jìn)行加權(quán)求和所得,它們之間的權(quán)重是自適應(yīng)確定的。
m
為自適應(yīng)窗口大小,ω
為中心像素與位于第i
行、第j
列的像素相似度。p
和p
分別為中心像素與位于第i
行、第j
列的像素。σ
可由公式(6)自適應(yīng)地確定:d
為兩像素點(diǎn)之間的距離:根據(jù)式(4)-式(6),可得窗口內(nèi)每個(gè)像素自適應(yīng)加權(quán)的權(quán)值,權(quán)值大小根據(jù)相鄰像素歐氏距離的高斯函數(shù)確定。通過(guò)對(duì)相鄰像素進(jìn)行加權(quán)求和來(lái)重建出一個(gè)新的像素值:
通過(guò)上述定義可知,重建后同類(lèi)別像素之間的差別較小,不同類(lèi)別像素之間的差別較大。
在協(xié)同表示分類(lèi)算法中,對(duì)光譜特征進(jìn)行有效感知意義重大。本文通過(guò)定義光譜偏置矩陣對(duì)光譜特征進(jìn)行感知,其定義如下:
ρ
為測(cè)試樣本與字典原子之間的光譜相似度,由Pearson 系數(shù)來(lái)度量相似性大小,其表達(dá)式為:X
,Y
)是樣本X
和樣本Y
的協(xié)方差,σ
是樣本X
的標(biāo)準(zhǔn)差;σ
是樣本Y
的標(biāo)準(zhǔn)差,樣本X
和樣本Y
越相似,cov(X
,Y
)的值就越大,ρ
就越大;樣本X
和樣本Y
越不相似,cov(X
,Y
)的值就越小,ρ
就越小。高光譜圖像的空間特征除了體現(xiàn)在同一光波下光譜信息的變化外,還體現(xiàn)在像素間的空間位置上。本文通過(guò)像素的坐標(biāo)來(lái)構(gòu)建空間位置矩陣,對(duì)空間特征進(jìn)行感知。
s
為測(cè)試樣本y 與字典原子d
之間的空間相似矩陣,可由下式求得:c
是空間先驗(yàn)距離衰減速度參數(shù),用(p
,q
)和(p
,q
)分別表示字典d
和測(cè)試樣本y 的像素坐標(biāo)。將感知的特征以正則項(xiàng)的形式添加到協(xié)同表示的分類(lèi)框架中,通過(guò)優(yōu)化求解對(duì)重建后的圖像進(jìn)行像素分類(lèi)。目標(biāo)函數(shù)表示如下:
y
的類(lèi)別標(biāo)簽:綜上所述,應(yīng)用特征感知與協(xié)同表示的高光譜圖像分類(lèi)方法偽代碼如下:
應(yīng)用特征感知與協(xié)同表示的高光譜圖像分類(lèi)方法
Input:
高光譜圖像HSI,自適應(yīng)區(qū)域大小,光譜感知參數(shù)λ
,空間感知參數(shù)γ
,平衡參數(shù)β
,平滑參數(shù)c;通過(guò)式(4)-式(8)對(duì)HIS 進(jìn)行重建,將重建后的圖像數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù),以訓(xùn)練數(shù)據(jù)作為字典;
由式(9)-式(10)進(jìn)行光譜特征感知;
通過(guò)式(11)-式(12)進(jìn)行空間感知;
通過(guò)式(15)預(yù)測(cè)測(cè)試集的標(biāo)簽class(y);
Output
:測(cè)試數(shù)據(jù)集的預(yù)測(cè)標(biāo)簽。在兩個(gè)HSI數(shù)據(jù)集上驗(yàn)證所提出的FP-CRC分類(lèi)模型的有效性和通用性。選取的對(duì)照算法有SRC、JCR、JSR和JSaCR,主要驗(yàn)證以下內(nèi)容:①與SRC 相比,驗(yàn)證本文算法在噪聲處理方面的優(yōu)勢(shì);②與JCR、JSR 相比,驗(yàn)證本文算法在特征感知、邊界識(shí)別方面的優(yōu)勢(shì);③與JSaCR相比,驗(yàn)證本文算法在特征平衡機(jī)制、特征感知方法等方面的優(yōu)勢(shì)。分類(lèi)性能由總體準(zhǔn)確率(Overall Accuracy,OA)、平均準(zhǔn)確率(Average Accuracy,AA)和Kappa 系數(shù)3個(gè)重要指標(biāo)來(lái)評(píng)估。試驗(yàn)環(huán)境為Windows 7 X64 Intel Core i5-3470 CPU @3.2GHz,MATLAB2017b。
Pavia University:該數(shù)據(jù)集由ROSIS 傳感器拍攝Pavia大學(xué)得到高光譜圖像,去除12個(gè)噪聲影響最大的波段,每個(gè)波段包括像元點(diǎn)610×340,具有9個(gè)類(lèi)別的地物。
Salinas:該數(shù)據(jù)集由AVIRIS 傳感器獲取美國(guó)加利福尼亞南部Salinas 山谷區(qū)域的高光譜遙感圖像,圖像像素大小為512×217,包含16 種地物類(lèi)別。該數(shù)據(jù)集在空間上具有224個(gè)波段,其中共有20個(gè)大氣水分吸收和低信噪比的波段需去除,本實(shí)驗(yàn)采用處理后保留的204個(gè)波段數(shù)據(jù)。
λ
和β
取值范圍{10,
10,
…,
10,
10},γ
取值范圍{10,
10,
…,
10,
10}。在Pavia University 數(shù)據(jù)集和Salinas 數(shù)據(jù)集上的參數(shù)分析如圖2 和圖3 所示。Fig.2 Pavia University parameter analysis圖2 Pavia University 參數(shù)分析
Fig.3 Salinas parameter analysis圖3 Salinas 參數(shù)分析
在不同數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),統(tǒng)計(jì)分析得出自適應(yīng)區(qū)域大小為11×11,其余參數(shù)如表1 所示。
Table 1 Parameter settings of different data sets表1 不同數(shù)據(jù)集下的參數(shù)設(shè)置
在Pavia University 數(shù)據(jù)集和Salinas 數(shù)據(jù)集上按照每類(lèi)隨機(jī)選取30個(gè)樣本的方式選取訓(xùn)練樣本,余下的作為測(cè)試樣本。表2、表3 給出不同數(shù)據(jù)集上的訓(xùn)練樣本數(shù)、測(cè)試樣本數(shù)及評(píng)價(jià)指標(biāo)的實(shí)驗(yàn)數(shù)據(jù)。圖4、圖5 分別給出兩個(gè)數(shù)據(jù)集的標(biāo)簽圖和不同算法的預(yù)測(cè)結(jié)果。由于實(shí)驗(yàn)環(huán)境不同、實(shí)驗(yàn)數(shù)據(jù)的隨機(jī)性,導(dǎo)致實(shí)驗(yàn)結(jié)果與文獻(xiàn)結(jié)果存在波動(dòng),但在合理范圍之內(nèi)。
表2 和圖4 給出不同算法在Pavia Univerisy 數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果,由圖4 可知,與SR算法相比,JSR、JCR、JSaCR 和FP-CRC 的分類(lèi)結(jié)果中噪聲較少,說(shuō)明局部區(qū)域信息的運(yùn)用能有效處理噪聲和異常點(diǎn);與JSR 相比,JCR、JSaCR 和FP-CRC 的分類(lèi)結(jié)果中噪聲較少,邊界識(shí)別效果更優(yōu);與JCR 和JSaCR 相比,F(xiàn)P-CRC 的邊界識(shí)別效果更優(yōu),進(jìn)一步說(shuō)明FP-CRC 的特征感知和特征再平衡的有效性。由表2可知,算法FP-CRC 的OA 為98.96%,AA 為98.82%,Kapppa為98.62%,3個(gè)指標(biāo)的結(jié)果優(yōu)于其他算法。在Bitumen、Bare Soil 兩個(gè)類(lèi)別上的準(zhǔn)確率達(dá)到了100%。與JSR、JCR、JSaCR算法相比,F(xiàn)P-CRC 在Meadows、Trees、Bricks、Bitumen、Bricks 上的分類(lèi)準(zhǔn)確率較高,表明該算法在特征感知方面的效果更加準(zhǔn)確;與SRC 相比,JSR、JCR、JSaCR 和FPCRC 準(zhǔn)確率更高,表明局部區(qū)域特征對(duì)提高分類(lèi)精度效果明顯。
Table 2 Comparison of different classification algorithms in Pavia University data classification表2 Pavia University 數(shù)據(jù)分類(lèi)中不同分類(lèi)算法比較
Fig.4 Pavia Univerisy classification results圖4 Pavia Univerisy 分類(lèi)結(jié)果
表3 給出了不同算法在Salinas 數(shù)據(jù)上的分類(lèi)結(jié)果。由表3 可以看出,本文算法在OA、AA、Kapppa 三個(gè)指標(biāo)上分別為99.63%、99.57%和99.59,分類(lèi)結(jié)果顯著優(yōu)于其他算法。在Soil_vinyard_develop、Brocoli、Fallow 等類(lèi)別上的準(zhǔn)確率為100%。與SRC 相比,JSR、JCR、JSaCR 和FP-CRC 等算法的分類(lèi)效果明顯,說(shuō)明局部區(qū)域關(guān)系對(duì)提高分類(lèi)效果有重要作用。與JSR、JCR 和JSaCR 相比,F(xiàn)P-CRC算法的分類(lèi)精度較高。圖5 是不同算法在Salinas 數(shù)據(jù)上的分類(lèi)結(jié)果圖??梢钥闯觯贕rapes_untrained、Vinyard_untrained上,SR、JSR 等算法的分類(lèi)結(jié)果包含了較多噪音,JCR、JSaCR 和本文算法噪音處理效果更加明顯。與JCR 相比,JSaCR 和FP-CRC算法邊界識(shí)別效果更好。從總體分類(lèi)效果看,F(xiàn)P-CRC算法分類(lèi)效果更明顯。
Table 3 Comparison of different classification algorithms in Salinas data classification表3 Salinas 數(shù)據(jù)分類(lèi)中不同分類(lèi)算法比較
Fig.5 Classification results of Salinas圖5 Salinas 分類(lèi)結(jié)果
針對(duì)高光譜圖像分類(lèi)問(wèn)題,本文提出應(yīng)用特征感知與協(xié)同表示的高光譜圖像分類(lèi)方法(FP-CRC)。該算法通過(guò)構(gòu)建局部依賴(lài)關(guān)系矩陣,提高特征感知能力,圖像重建能有效處理噪聲。實(shí)驗(yàn)結(jié)果表明,本文算法在噪聲處理、特征感知、空間識(shí)別等方面表現(xiàn)優(yōu)異。但該算法還存在問(wèn)題,如未利用樣本之間的流形結(jié)構(gòu)關(guān)系(或圖結(jié)構(gòu)關(guān)系)。后續(xù)研究將加入流形結(jié)構(gòu)關(guān)系,或通過(guò)流形結(jié)構(gòu)關(guān)系來(lái)構(gòu)建整體關(guān)系,使模型更加完善。