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

        ?

        融合BOVW和復(fù)雜網(wǎng)絡(luò)的高光譜遙感圖像分類(lèi)

        2022-05-15 06:35:38謝紅薇孟麗楠
        關(guān)鍵詞:特征提取分類(lèi)方法

        寧 晨,謝紅薇,孟麗楠

        太原理工大學(xué) 軟件學(xué)院,太原030024

        高光譜遙感圖像(hyperspectral remote sensing images,HSRSI)發(fā)展始于機(jī)載可見(jiàn)/紅外成像光譜儀(airborne visible infrared imaging spectrometer,AVIRIS)于1987 年問(wèn)世[1],其可以提供更豐富的光譜信息,增強(qiáng)了區(qū)分地物類(lèi)別的能力,也因在目標(biāo)檢測(cè)、農(nóng)業(yè)管理、礦物檢測(cè)和醫(yī)學(xué)領(lǐng)域的成功應(yīng)用而受到特別關(guān)注[2]。

        高光譜遙感圖像分類(lèi)的任務(wù)是根據(jù)數(shù)百個(gè)連續(xù)且細(xì)分的不同光譜波段電磁波對(duì)地物的反射信息,確定樣本點(diǎn)的類(lèi)別。不同的地物擁有特定的光譜曲線(xiàn),因此有許多利用光譜信息的特征提取方法被提出用于高光譜圖像分類(lèi)。高光譜遙感圖像具有以下特征:(1)可供訓(xùn)練的數(shù)據(jù)較少;(2)地物的高光譜特征在大空間內(nèi)的多樣性;(3)數(shù)據(jù)穩(wěn)定程度受光照、大氣影響較大[3];(4)數(shù)據(jù)維數(shù)較高所導(dǎo)致的維數(shù)災(zāi)難問(wèn)題,出現(xiàn)嚴(yán)重的Hughes現(xiàn)象[4]。高光譜遙感圖像數(shù)據(jù)通常不作為圖像處理,而是作為光譜測(cè)量的無(wú)序列向量操作[5],因此,其處理方法與一般圖像不同。所以,有效地降低數(shù)據(jù)的維數(shù),挖掘數(shù)據(jù)特征的最佳子集,提取優(yōu)化光譜數(shù)據(jù)的特征,是高光譜圖像特征提取和地物分類(lèi)研究的關(guān)鍵任務(wù)[6]。

        高光譜遙感圖像的經(jīng)典分類(lèi)方法包括主成分分析算法[7](principal components analysis,PCA)、獨(dú)立成分分析算法(independent component analysis,ICA)、線(xiàn)性判別式分析算法[8](linear discriminant analysis,LDA)、基于稀疏表示的分類(lèi)器算法[9-10](sparse representation based classifier,SRC)和K-近鄰算法[11](K-nearest neighbor,KNN)。關(guān)于高光譜遙感圖像特征提取的方法可分為三類(lèi):(1)降維方法;(2)深度學(xué)習(xí);(3)其他特征提取方法[12]。在降維方法中,除PCA、ICA、LDA 等方法外,為了解決支持向量機(jī)的非線(xiàn)性分類(lèi)問(wèn)題,引入了核方法[13-15]。文獻(xiàn)[15]提出核非參數(shù)加權(quán)特征提取,從解決數(shù)據(jù)的非線(xiàn)性角度出發(fā),利用核函數(shù),將數(shù)據(jù)映射到線(xiàn)性空間進(jìn)行分類(lèi),有效地對(duì)高光譜數(shù)據(jù)進(jìn)行解混。在深度學(xué)習(xí)方法中,隨著卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)在圖像處理領(lǐng)域中的廣泛應(yīng)用,很多研究也將CNN 用與高光譜遙感圖像的分類(lèi)中[16-20]。近年來(lái),出現(xiàn)了很多空-譜聯(lián)合特征提取方法[21-22]。文獻(xiàn)[23]提取光譜空間特征頻譜空間特征學(xué)習(xí)(spatial-spectral feature learning,SSFL)是一種深層的層次結(jié)構(gòu)。此外,應(yīng)用局部二值模式(local binary patterns,LBP)圖像的特征與頻譜空間特征進(jìn)行融合。最后,采用核函數(shù)極限學(xué)習(xí)機(jī)(extreme learning machine with kernel,KELM)對(duì)高光譜圖像進(jìn)行分類(lèi)。此外,文獻(xiàn)[24]提出使用多尺度密集網(wǎng)絡(luò)(multi-scale density networks,MSDN)用于高光譜遙感圖像分類(lèi),該網(wǎng)絡(luò)實(shí)現(xiàn)了深度特征提取和多尺度融合重構(gòu),提高了收斂速度,有效地節(jié)省了計(jì)算資源,具有較高的穩(wěn)定性。

        除此之外,近年來(lái),有很多通過(guò)復(fù)雜網(wǎng)絡(luò)方法處理圖像的研究。其中,研究可分為關(guān)鍵點(diǎn)檢測(cè)和紋理特征提取兩部分。關(guān)鍵點(diǎn)檢測(cè)方面,文獻(xiàn)[25]提出使用復(fù)雜網(wǎng)絡(luò)對(duì)彩色圖像建模,并設(shè)置閾值劃分子網(wǎng)絡(luò),計(jì)算子網(wǎng)絡(luò)中各個(gè)像素點(diǎn)的出入度、緊密中心性以及中介中心性,將其中高于各自拓?fù)鋮?shù)均值的像素點(diǎn)作為圖像的關(guān)鍵點(diǎn)。紋理特征提取方面,文獻(xiàn)[26]將圖像建模為一個(gè)多層復(fù)雜網(wǎng)絡(luò),其中RGB每個(gè)顏色通道為一層,每個(gè)像素點(diǎn)表示為一個(gè)復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn),并通過(guò)動(dòng)態(tài)演化獲取單個(gè)通道像素點(diǎn)之間的關(guān)系,以及不同通道之間像素點(diǎn)的空間關(guān)聯(lián)。文獻(xiàn)[27]同樣利用復(fù)雜網(wǎng)絡(luò)方法,提取子網(wǎng)絡(luò)的熵、能量,能較準(zhǔn)確地描述泡沫圖像的紋理,并能較好地分類(lèi)不同的泡沫。

        基于以上研究,針對(duì)高光譜遙感圖像的光譜信息,挖掘樣本點(diǎn)不同光譜波段之間的關(guān)聯(lián)特征,本文提出一種基于視覺(jué)詞典和復(fù)雜網(wǎng)絡(luò)(bag of visual wordscomplex networks,BOVW-CN)的高光譜遙感圖像的特征提取方法。受視覺(jué)詞典方法能夠以無(wú)序視覺(jué)詞匯表示圖像的啟發(fā),設(shè)計(jì)了一種高光譜圖像的視覺(jué)詞典方法,提升模型識(shí)別精度,降低數(shù)據(jù)維度。并且,為挖掘單個(gè)像素點(diǎn)不同波段之間的關(guān)系,將光譜一維數(shù)據(jù)轉(zhuǎn)化為復(fù)雜網(wǎng)絡(luò)并提取其拓?fù)鋮?shù)。并在Salinas和KSC高光譜數(shù)據(jù)集上驗(yàn)證了本文算法的有效性。

        1 視覺(jué)詞典和復(fù)雜網(wǎng)絡(luò)

        1.1 視覺(jué)詞典

        視覺(jué)詞典的出現(xiàn)源自于自然語(yǔ)言處理和信息檢索領(lǐng)域,具有算法靈活性強(qiáng),且魯棒性好等特點(diǎn),得到的字典辨別能力更強(qiáng)。BOVW方法將圖像中的像素點(diǎn)視為無(wú)序特征集合,忽略像素點(diǎn)之間的空間位置關(guān)系,選取K個(gè)最具代表性的樣本,使用K-Means聚類(lèi)方法將關(guān)鍵視覺(jué)單詞組成視覺(jué)詞典。其代價(jià)函數(shù)如下:

        令β為圖像的視覺(jué)特征向量的v屬于視覺(jué)詞典向量vD的隸屬度,則有:

        上式表示視覺(jué)詞典向量與其他向量的歐式距離越小,則該向量對(duì)于該詞典向量的隸屬度越大。

        在構(gòu)建詞匯表之后,來(lái)自數(shù)據(jù)集的每個(gè)樣本都用可視化單詞的直方圖表示。直方圖是根據(jù)組成圖像的視覺(jué)詞匯的詞頻來(lái)構(gòu)建的。例如,給定一個(gè)圖像I,首先檢測(cè)該圖像的關(guān)鍵點(diǎn)。通過(guò)給定的特征提取過(guò)程對(duì)每個(gè)關(guān)鍵點(diǎn)進(jìn)行描述,并對(duì)每個(gè)描述的圖像關(guān)鍵點(diǎn)計(jì)算它們與詞匯表中的視覺(jué)詞之間的距離。最后,表示最短距離的可視單詞的直方圖將增加一個(gè)單位。

        1.2 復(fù)雜網(wǎng)絡(luò)

        復(fù)雜網(wǎng)絡(luò)沒(méi)有相對(duì)嚴(yán)格的定義。通常,復(fù)雜網(wǎng)絡(luò)可視為擁有小世界(small-world)、無(wú)標(biāo)度(scale-free)、自組織(self-organization)、自適應(yīng)(self-adaptive)、社區(qū)結(jié)構(gòu)(community structure)等特性的網(wǎng)絡(luò)[28]。復(fù)雜網(wǎng)絡(luò)可以表示自然結(jié)構(gòu),它能夠表示許多現(xiàn)實(shí)世界的系統(tǒng),在表示幾乎任何自然結(jié)構(gòu)方面具有靈活性和通用性[29]。其中,存在大量的靜態(tài)統(tǒng)計(jì)特征描述量,如度、聚類(lèi)系數(shù)、網(wǎng)絡(luò)直徑、平均路徑長(zhǎng)度、小世界屬性等。而網(wǎng)絡(luò)的度的分布函數(shù)f(x)以及局部聚類(lèi)系數(shù)cj可以表示出網(wǎng)絡(luò)各節(jié)點(diǎn)與其他節(jié)點(diǎn)的關(guān)系。公式如式(4)、(5)所示:

        其中,p(x)為度為x的節(jié)點(diǎn)個(gè)數(shù),N為總節(jié)點(diǎn)個(gè)數(shù);ntri為節(jié)點(diǎn)所構(gòu)成的三角形個(gè)數(shù),k為該節(jié)點(diǎn)的鄰居個(gè)數(shù)。

        復(fù)雜網(wǎng)絡(luò)除了擁有大量靜態(tài)結(jié)構(gòu)參數(shù),還關(guān)注網(wǎng)絡(luò)的動(dòng)態(tài)特征。動(dòng)態(tài)演化是復(fù)雜網(wǎng)絡(luò)表現(xiàn)其動(dòng)態(tài)特征的關(guān)鍵。動(dòng)態(tài)演化過(guò)程中,復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)隨時(shí)間變化而變化,在同一種演化方式下,不同時(shí)刻得到的多個(gè)網(wǎng)絡(luò)具有不同的特征。多個(gè)子網(wǎng)絡(luò)的拓?fù)鋮?shù)并集構(gòu)成了原有數(shù)據(jù)的光譜特征。動(dòng)態(tài)演化步驟如下的偽代碼所示:

        當(dāng)應(yīng)用于機(jī)器學(xué)習(xí)時(shí),復(fù)雜網(wǎng)絡(luò)的使用通常有三個(gè)步驟:(1)將問(wèn)題的特征空間建模為初始網(wǎng)絡(luò);(2)初始網(wǎng)絡(luò)進(jìn)行動(dòng)態(tài)演化,形成子網(wǎng)絡(luò);(3)從各個(gè)網(wǎng)絡(luò)中提取拓?fù)鋮?shù)作為特征向量[30]。如圖1所示。

        圖1 復(fù)雜網(wǎng)絡(luò)機(jī)器學(xué)習(xí)分類(lèi)Fig.1 Machine learning in complex networks

        針對(duì)用于分析圖像而構(gòu)建的初始復(fù)雜網(wǎng)絡(luò),采用不同像素點(diǎn)之間的像素位置和像素值的相關(guān)關(guān)系構(gòu)建。將每個(gè)像素點(diǎn)作為網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)Ix,y,定義閾值半徑r,當(dāng)兩個(gè)節(jié)點(diǎn)的歐式距離小于r時(shí),則為兩個(gè)節(jié)點(diǎn)增加邊e∈E,即:

        再為每一條邊賦予權(quán)值,定義如下:

        復(fù)雜網(wǎng)絡(luò)的動(dòng)態(tài)演化一般采用閾值演化或最小生成樹(shù)的方法。閾值演化發(fā)在初始網(wǎng)絡(luò)構(gòu)造完成之后,定義動(dòng)態(tài)演化閾值t,將初始網(wǎng)絡(luò)中的各個(gè)邊的權(quán)值與閾值相比較,刪除大于閾值的邊,由此形成多個(gè)子網(wǎng)絡(luò),即在生成的子網(wǎng)絡(luò)中有d(e)≤t。多個(gè)閾值可計(jì)算出多個(gè)子網(wǎng)絡(luò),多個(gè)子網(wǎng)絡(luò)的拓?fù)鋮?shù)的并集構(gòu)成了當(dāng)前圖像的特征。最小生成樹(shù)法通過(guò)最小生成樹(shù)算法構(gòu)建子網(wǎng)絡(luò),并在所構(gòu)成子網(wǎng)絡(luò)對(duì)于初始網(wǎng)絡(luò)的補(bǔ)集中迭代計(jì)算,從而生成多個(gè)子網(wǎng)絡(luò)。

        2 融合視覺(jué)詞典和復(fù)雜網(wǎng)絡(luò)特征的高光譜遙感圖像分類(lèi)

        本文提出一種基于視覺(jué)詞典和復(fù)雜網(wǎng)絡(luò)的高光譜遙感圖像特征提取及分類(lèi)方法。首先,在不同類(lèi)別地物中計(jì)算均值(單一聚類(lèi)中心)或使用K-Means算法聚類(lèi),作為當(dāng)前地物類(lèi)別的中心,所有中心構(gòu)成與類(lèi)別數(shù)相等的視覺(jué)單詞數(shù)的詞典。將像素點(diǎn)的每個(gè)波段像素值與詞典中相對(duì)應(yīng)的波段比較,構(gòu)成直方圖特征。其次,為提取單個(gè)像素點(diǎn)的波段之間的關(guān)聯(lián)特征,將單個(gè)像素點(diǎn)的一維離散光譜向量矩陣化,并構(gòu)建為復(fù)雜網(wǎng)絡(luò),經(jīng)過(guò)動(dòng)態(tài)演化后提取網(wǎng)絡(luò)拓?fù)鋮?shù),構(gòu)成特征向量。

        2.1 數(shù)據(jù)標(biāo)準(zhǔn)化

        首先對(duì)高光譜遙感圖像數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,處理方法如公式(8)所示:

        其中,Imin和Imax代表圖像立方體中的最小像素值和最大像素值,Ii為任意像素值。

        2.2 視覺(jué)詞典特征提取

        本文結(jié)合視覺(jué)詞典,提出了一種高光譜圖像地物分類(lèi)的詞典構(gòu)造方法。對(duì)于每一類(lèi)地物k,其中,k∈{1,2,…,K},每類(lèi)地物的樣本數(shù)為nk,分別針對(duì)每類(lèi)地物生成一個(gè)樣本集合??杀硎緸椋?/p>

        其中,uk表示第k類(lèi)的光譜向量集合。根據(jù)視覺(jué)詞典方法,利用K-Means 算法對(duì)訓(xùn)練集每類(lèi)地物進(jìn)行聚類(lèi),根據(jù)聚類(lèi)中心分別生成詞典向量,集合詞典向量得到最終用于高光譜遙感圖像地物分類(lèi)的字典。

        在像素點(diǎn)光譜向量集合β={v1,v2,…,vnk}中,vi=[bi,1,bi,2,…,bi,B],i=1,2,…,nk為像素點(diǎn)向量,其中,p∈{1,2,…,B}為波段序號(hào),bi,p為i個(gè)光譜向量的第p個(gè)波段的像素值。波段像素值bi,p與詞典中的向量相對(duì)應(yīng)的波段像素值比較,可構(gòu)建單像素點(diǎn)的直方圖。直方圖根據(jù)組成圖像詞匯的視覺(jué)詞匯頻率來(lái)創(chuàng)建的,表示最短距離的單詞的直方圖值將增加一個(gè)單位,即

        最終得到像素點(diǎn)的詞頻直方圖特征。

        其中,Hk為直方圖對(duì)應(yīng)頻數(shù)。示意圖如圖2所示。

        圖2 單像素點(diǎn)的直方圖構(gòu)建過(guò)程Fig2 Process of constructing histogram of single pixel points

        2.3 復(fù)雜網(wǎng)絡(luò)特征提取

        2.3.1 初始網(wǎng)絡(luò)構(gòu)建

        本文方法將單個(gè)像素點(diǎn)的一維光譜向量集合vi∈β轉(zhuǎn)化為矩陣。首先,計(jì)算滿(mǎn)足相乘等于向量維度的兩數(shù)a,b,即:

        建立大小為a×b的零矩陣。若無(wú)可整除整數(shù),則尋找平方值與向量維數(shù)之差最小的整數(shù),即:

        根據(jù)矩陣的坐標(biāo)值及標(biāo)準(zhǔn)化后的波段像素值構(gòu)建復(fù)雜網(wǎng)絡(luò)G=(V,E),其中,V={node1,node2,…,nodem}E={e1,e2,…,el}分別為網(wǎng)絡(luò)的節(jié)點(diǎn)和邊的集合,當(dāng)波段像素的矩陣位置距離小于等于閾值r時(shí),則為兩樣本點(diǎn)之間增加邊。每條邊擁有各自的權(quán)值d(ei.j)的計(jì)算公式(15)~(17)如下:

        上式中,(xi,yi)為像素點(diǎn)在矩陣中的坐標(biāo),Ist(xi,yi)為像素點(diǎn)(xi,yi)的標(biāo)準(zhǔn)化像素值,r為半徑閾值。此時(shí),每個(gè)網(wǎng)絡(luò)頂點(diǎn)表示相同數(shù)量的連接。因此,計(jì)算圖呈現(xiàn)出一種規(guī)則的行為。而正則圖并不被認(rèn)為是一個(gè)復(fù)雜網(wǎng)絡(luò),它也沒(méi)有為數(shù)據(jù)提取過(guò)程提供任何相關(guān)的屬性。因此,獲取初始復(fù)雜網(wǎng)絡(luò)后,需要進(jìn)行動(dòng)態(tài)演化進(jìn)行子網(wǎng)絡(luò)分析。定義一組動(dòng)態(tài)演化閾值T={t1,t2,…,tn},對(duì)每一個(gè)閾值ti,若ti>d(ei,j),則刪除邊ei,j;否則,將其保留。由此,可以得到多個(gè)子網(wǎng)絡(luò)。

        2.3.2 動(dòng)態(tài)演化

        對(duì)于每一個(gè)子網(wǎng)絡(luò),分析并提取每一個(gè)子網(wǎng)絡(luò)的網(wǎng)絡(luò)拓?fù)鋮?shù),將全部子網(wǎng)絡(luò)的全部參數(shù)組合,作為這個(gè)像素點(diǎn)的特征描述。本文選取5個(gè)參數(shù),分別為整個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)度的頻數(shù)分布直方圖的均值、方差、能量和熵以及整個(gè)網(wǎng)絡(luò)的平均聚類(lèi)系數(shù)[31-32],分別為:

        其中,f(i)代表度頻數(shù)直方圖的概率分布函數(shù),i為度的值,k為最大度值,cj為單個(gè)節(jié)點(diǎn)的局部聚類(lèi)系數(shù),m為節(jié)點(diǎn)個(gè)數(shù)。將以上參數(shù)進(jìn)行組合,形成子網(wǎng)絡(luò)的特征向量。

        根據(jù)不同的閾值ti,可得到多個(gè)子網(wǎng)絡(luò),子網(wǎng)絡(luò)分別提取各自的特征向量,最終構(gòu)成單個(gè)像素點(diǎn)特征向量。

        算法步驟具體描述如圖3,復(fù)雜網(wǎng)絡(luò)特征提取方法偽代碼如下:

        圖3 復(fù)雜網(wǎng)絡(luò)特征提取過(guò)程Fig.3 Feature extraction process of complex network

        2.4 特征融合

        將得到的復(fù)雜網(wǎng)絡(luò)特征與視覺(jué)詞典特征進(jìn)行特征融合,為了簡(jiǎn)化處理,本文選擇了最簡(jiǎn)單的方法,即直接組合法。最終得到的特征如公式(24)所示:

        方法流程如圖4所示。

        圖4 BOVW-CN方法特征提取過(guò)程Fig4 BOVW-CN method feature extraction process

        3 實(shí)驗(yàn)分析

        3.1 實(shí)驗(yàn)數(shù)據(jù)

        本文使用兩個(gè)具有代表性的高光譜遙感圖像數(shù)據(jù)集Salinas和KSC。

        3.1.1 Salinas

        Salinas數(shù)據(jù)集場(chǎng)景由AVIRIS傳感器采集加利福尼亞州Salinas 山谷的景象,共224 個(gè)波段,具有高空間分辨率(空間分辨率為3.7 m)的特點(diǎn)。舍棄了20 個(gè)吸水帶,吸水帶為[108~112]、[154~167]、224。該圖像大小為517×517,包含111 104 個(gè)像素點(diǎn),已標(biāo)記樣本點(diǎn)54 129個(gè)。并類(lèi)別包括蔬菜、裸露的土壤和葡萄園的田地,其中包含蔬菜、裸地和葡萄園等16 個(gè)類(lèi)。偽彩色合成圖像和地面真實(shí)信息如表1及圖5所示。

        圖5 Salinas數(shù)據(jù)集假彩色圖像及真實(shí)地物信息Fig.5 False color image and groundtruth of Salinas data set

        表1 Salinas數(shù)據(jù)集信息Table 1 Information of Salinas data set

        3.1.2 KSC

        KSC數(shù)據(jù)集由AVIRIS儀器在佛羅里達(dá)州肯尼迪航天中心(Kennedy space center,KSC)獲得數(shù)據(jù),從大約20 km 的高度獲得,具有18 m 的空間分辨率,在波長(zhǎng)為400 nm至2 500 nm的224個(gè)光譜波段中獲得數(shù)據(jù),包含5 211 個(gè)樣本點(diǎn)。在去除吸水率和低信噪比波段后。為了進(jìn)行分類(lèi),該地點(diǎn)數(shù)據(jù)定義了13個(gè)類(lèi)別,偽彩色圖像和類(lèi)別信息如表2及圖6所示。

        圖6 KSC數(shù)據(jù)集假彩色圖像及真實(shí)地物信息Fig.6 False color image and ground truth of KSC data set

        表2 KSC數(shù)據(jù)集信息Table 2 Information of KSC data set

        3.2 實(shí)驗(yàn)方法

        本文全部實(shí)驗(yàn)均在Python3.7環(huán)境下運(yùn)行,Red Hat操作系統(tǒng),硬件設(shè)備為Intel core i7-6800k CPU,GeForce RTX 2080 Ti顯卡。

        為了驗(yàn)證本文算法的地物分類(lèi)效果,本文分三個(gè)部分進(jìn)行實(shí)驗(yàn)驗(yàn)證:

        (1)分別只使用視覺(jué)詞典方法、只使用復(fù)雜網(wǎng)絡(luò)方法以及本文所提算法在Salinas數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。

        (2)分別使用高斯核函數(shù)支持向量機(jī)方法(support vector machine with radial basis function,RBF-SVM)、KNN、LBP-KELM、SSFL、CNN,以及本文所提出的BOVW-CN方法對(duì)高光譜遙感圖像進(jìn)行分類(lèi)。

        (3)調(diào)整本文所提算法中的兩個(gè)重要參數(shù):復(fù)雜網(wǎng)絡(luò)動(dòng)態(tài)演化閾值與K-Means聚類(lèi)中心個(gè)數(shù),測(cè)試二者對(duì)于整體分類(lèi)效果的影響。

        其中,本文算法針對(duì)Salinas數(shù)據(jù)集將一維向量轉(zhuǎn)化為20×10 矩陣,KSC 數(shù)據(jù)集轉(zhuǎn)化為11×16 矩陣,動(dòng)態(tài)演化閾值t范圍從0.25至0.55每次增加0.025,半徑閾值r為3,利用各類(lèi)地物向量的均值作為中心構(gòu)造。所有參數(shù)均通過(guò)交叉驗(yàn)證(cross validation)和網(wǎng)格搜索(grid searching)尋找最優(yōu)解。

        在實(shí)驗(yàn)中采用常用的高光譜遙感圖像地物分類(lèi)評(píng)價(jià)指標(biāo),即總體精度(overall accuracy,OA)、平均精度(average accuracy,AA)和KAPPA系數(shù)衡量各算法的分類(lèi)性能公式如(25)~(27)所示。OA 表示正確分類(lèi)的樣本占總體樣本的百分比,而AA計(jì)算測(cè)試樣本上每個(gè)類(lèi)別準(zhǔn)確率的平均值。Kappa 系數(shù)用來(lái)衡量預(yù)測(cè)的標(biāo)簽和真實(shí)的標(biāo)簽之間的一致性,是反映模型“偏向性”的重要指標(biāo)。

        其中,r為混淆矩陣的對(duì)角線(xiàn)元素個(gè)數(shù),CMi,i為對(duì)角線(xiàn)元素,CMi+、CM+i為行和列的總觀(guān)測(cè)數(shù),C為類(lèi)別總數(shù),N為矩陣總元素個(gè)數(shù)。

        混淆矩陣(confusion matrix,CM)是表示精度評(píng)價(jià)的一種標(biāo)準(zhǔn)格式,也是分析總體精度和Kappa系數(shù)等指標(biāo)的基礎(chǔ)。

        3.3 實(shí)驗(yàn)結(jié)果

        (1)單一特征分類(lèi)方法和本文方法的對(duì)比

        圖7 為只使用視覺(jué)詞典方法以及只使用復(fù)雜網(wǎng)絡(luò)方法與本文所提出的二者融合算法的實(shí)驗(yàn)結(jié)果。圖(a)為真實(shí)地物信息,圖(b)為只使用視覺(jué)詞典方法的分類(lèi)結(jié)果圖,圖(c)為只使用復(fù)雜網(wǎng)絡(luò)方法的分類(lèi)結(jié)果。圖(d)為本文所提出的融合二者的分類(lèi)方法。圖中標(biāo)記了2個(gè)區(qū)域,圓形區(qū)域以及矩形區(qū)域。在圓形區(qū)域中(對(duì)應(yīng)類(lèi)別15),單獨(dú)使用BOVW方法和單獨(dú)使用復(fù)雜網(wǎng)絡(luò)方法的大量錯(cuò)分類(lèi)樣本點(diǎn)在二者的融合方法中得到了改正。在矩形區(qū)域(對(duì)應(yīng)類(lèi)別1、10、11、12、13、14),單獨(dú)使用BOVW 方法的分類(lèi)結(jié)果較差,其中存在大量的噪聲點(diǎn),相比之下,單獨(dú)使用復(fù)雜網(wǎng)絡(luò)方法的分類(lèi)結(jié)果的噪聲點(diǎn)較少,而二者融合的算法極大地優(yōu)化了此區(qū)域的分類(lèi)結(jié)果。從表3中也可以看出,本文所提出的BOVW-CN算法的OA 值有13.08%和6.66%提高。AA 和Kappa 也有不同程度的提升。

        圖7 單一特征分類(lèi)方法和BOVW-CN的對(duì)比結(jié)果Fig.7 Comparison results of single feature classification method and BOVW-CN

        表3 Salinas數(shù)據(jù)集不同特征分類(lèi)結(jié)果數(shù)據(jù)集分類(lèi)結(jié)果Table 3 Results of classification of different characteristics of Salinas data set

        (2)現(xiàn)有算法與本文算法比較

        圖8展示了真實(shí)地物信息以及6種特征提取算法所在Salinas 數(shù)據(jù)集下的分類(lèi)效果圖。分別為RBF-SVM、KNN、SSFL、LBP-KELM、3D-CNN 以及BOVW-CN 方法??梢钥闯?,除最易錯(cuò)分的第8 類(lèi)和第15 類(lèi)之外,本文算法在其他類(lèi)別上的錯(cuò)分噪聲點(diǎn)較少,大部分地物的分類(lèi)準(zhǔn)確率很高。

        圖8 Salinas數(shù)據(jù)集分類(lèi)效果圖Fig.8 Classification results of Salinas data set

        表4給出了6種不同特征提取方的分類(lèi)精度。RBFSVM、KNN、LBP-KELM、SSFL、3D-CNN和BOVW-CN的OA值分別為88.27%、86.09%、95.23%、94.11%、98.01%、98.97%。

        表4 Salinas數(shù)據(jù)集不同算法分類(lèi)結(jié)果Table 4 Salinas data set classification results of different methods

        可以看出本文所提出的特征提取方法對(duì)于高光譜遙感圖像分類(lèi)具有優(yōu)越性。在光譜曲線(xiàn)較為相似且極易錯(cuò)分的第8 類(lèi)和第15 類(lèi)的分類(lèi)上相較其他分類(lèi)方法也有所提高。在訓(xùn)練樣本較少的第13 類(lèi)中,分類(lèi)精度也有所提高。同時(shí),通過(guò)對(duì)Kappa 值的分析,本文算法在分類(lèi)一致性上相較其他算法也有相應(yīng)提升。

        圖9 顯示了真實(shí)地物信息和KSC 數(shù)據(jù)集下6 種方法分類(lèi)效果圖,可以看出在圖中所標(biāo)記區(qū)域,BOVWCN算法的分類(lèi)結(jié)果更接近于真實(shí)地物信息。

        圖9 KSC數(shù)據(jù)集分類(lèi)效果圖Fig9 Classification results of KSC data set

        表5給出了在KSC數(shù)據(jù)集下的6種方法分類(lèi)結(jié)果。本文算法較為RBF-SVM、KNN、LBP-KELM、SSFL、LBP-KELM 以及3D-CNN 算法OA 值提高了30.66%、14.94%、2.42%、2.14%以及1.46%。由此,可以得出以下結(jié)論:

        表5 KSC數(shù)據(jù)集不同算法分類(lèi)結(jié)果Table 5 KSC data set classification results of different methods

        ①單純使用支持向量機(jī)算法在不同數(shù)據(jù)集上的分類(lèi)結(jié)果表現(xiàn)不穩(wěn)定;

        ②本文算法在訓(xùn)練樣本數(shù)據(jù)較少的情況下,仍能保持較高的分類(lèi)精度。

        為更直觀(guān)地表現(xiàn)各算法分類(lèi)結(jié)果的類(lèi)間混淆,利用弦圖工具進(jìn)行直觀(guān)分析[33-34]。圖10 顯示了KSC 數(shù)據(jù)集在6種方法分類(lèi)下的混淆弦圖,結(jié)果表明,BOVW-CN類(lèi)間混淆數(shù)據(jù)相比其他方法最少,從而達(dá)到最好的分類(lèi)效果。可以證明,本文提出的算法能夠有效地提取高光譜遙感圖像特征,從而更加準(zhǔn)確地完成分類(lèi)任務(wù)。

        圖10 KSC數(shù)據(jù)集分類(lèi)混淆弦圖Fig.10 Confusion circos of KSC data set

        (3)動(dòng)態(tài)演化閾值個(gè)數(shù)和聚類(lèi)中心個(gè)數(shù)對(duì)本文所提算法的影響

        圖11 為不同復(fù)雜網(wǎng)絡(luò)動(dòng)態(tài)演化閾值的個(gè)數(shù)對(duì)OA值、AA值和Kappa系數(shù)的影響。隨著閾值個(gè)數(shù)增加,在動(dòng)態(tài)演化過(guò)程中生成的子網(wǎng)絡(luò)個(gè)數(shù)增加,拓?fù)鋮?shù)提取數(shù)目也隨之增加。在分類(lèi)中,每增加2 個(gè)閾值,分類(lèi)的準(zhǔn)確率以及Kappa值可增加0.85%至1.12%。

        圖11 閾值個(gè)數(shù)對(duì)評(píng)價(jià)指標(biāo)的影響Fig.11 Influence of threshold number on evaluation index

        當(dāng)使用K-Means算法構(gòu)建視覺(jué)詞典時(shí),為研究單個(gè)類(lèi)型地物不同的聚類(lèi)中心個(gè)數(shù)對(duì)整體分類(lèi)精度的影響,分別在兩個(gè)數(shù)據(jù)集上,并在聚類(lèi)中心個(gè)數(shù)1 至5 對(duì)圖像進(jìn)行分類(lèi)。

        結(jié)果如圖12 所示,聚類(lèi)中心的增加對(duì)最終分類(lèi)結(jié)果的影響較小。聚類(lèi)中心的增加雖然對(duì)分類(lèi)結(jié)果有提升的效果,但同時(shí)增加了所提取特征向量的維數(shù)。

        圖12 聚類(lèi)中心個(gè)數(shù)對(duì)評(píng)價(jià)指標(biāo)的影響Fig.12 Influence of number of clustering centers on evaluation index

        相較之下,求取均值作為單一中心的計(jì)算結(jié)果雖然在精度上有所損失,但能夠有效降低向量的維數(shù),提升算法的運(yùn)行效率。

        4 結(jié)束語(yǔ)

        本文提出一種基于視覺(jué)詞典和復(fù)雜網(wǎng)絡(luò)的高光譜遙感圖像光譜特征提取方法,通過(guò)對(duì)高光譜遙感數(shù)據(jù)進(jìn)行預(yù)處理,計(jì)算歸一化數(shù)據(jù)聚類(lèi)的聚類(lèi)中心,構(gòu)建視覺(jué)詞典,通過(guò)視覺(jué)詞典機(jī)制形成光譜直方圖特征。同時(shí),為突出樣本波段間的關(guān)聯(lián)特征,將歸一化數(shù)據(jù)矩陣化,采用復(fù)雜網(wǎng)絡(luò)理論方法構(gòu)建復(fù)雜網(wǎng)絡(luò),經(jīng)動(dòng)態(tài)演化之后,提取網(wǎng)絡(luò)拓?fù)鋮?shù)形成復(fù)雜網(wǎng)絡(luò)特征。融合兩種特征向量,作為圖像樣本點(diǎn)的光譜特征進(jìn)行分類(lèi)。實(shí)驗(yàn)表明,本文所提方法具有很好的分類(lèi)效果,克服了光譜信息不足的缺陷,能夠挖掘出深層光譜信息,提高了高光譜遙感圖像的分類(lèi)精度。但是,該算法沒(méi)有結(jié)合空間信息。下一步的研究工作,將結(jié)合高光譜遙感圖像的空間特征信息。

        猜你喜歡
        特征提取分類(lèi)方法
        分類(lèi)算一算
        基于Gazebo仿真環(huán)境的ORB特征提取與比對(duì)的研究
        電子制作(2019年15期)2019-08-27 01:12:00
        分類(lèi)討論求坐標(biāo)
        數(shù)據(jù)分析中的分類(lèi)討論
        教你一招:數(shù)的分類(lèi)
        一種基于LBP 特征提取和稀疏表示的肝病識(shí)別算法
        可能是方法不對(duì)
        用對(duì)方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        捕魚(yú)
        一区二区三区精品亚洲视频| 一本色道久久88综合日韩精品| 各种少妇正面着bbw撒尿视频| 国产伦精品一区二区三区| 久草视频国产| 亚洲一区精品一区在线观看| 中文字幕日本av网站| av在线播放男人天堂| 亚洲av日韩av在线观看| 成人一区二区免费视频| 97成人精品| 国产亚洲精品国看不卡| 97超碰中文字幕久久| 国产高清乱码又大又圆| 午夜精品一区二区三区的区别| 国产成人综合久久精品推| 2020国产精品久久久久| 日本人妻高清免费v片| 国产内射一级一片内射视频| 精品国产午夜理论片不卡| 九九精品视频在线观看| 日本午夜理伦三级好看| 国产91精品一区二区麻豆亚洲| 国产成人精品一区二区三区| 九九九精品成人免费视频小说| 国产女主播强伦视频网站| 久久久麻豆精亚洲av麻花| 私人vps一夜爽毛片免费| 极品粉嫩小泬无遮挡20p| 久久精品国产亚洲综合色| av福利资源在线观看| 国产一区二区三区在线综合视频| 午夜精品久久久久久| 国产成人亚洲欧美三区综合| 久久精品女人天堂av麻| 欧洲乱码伦视频免费| 激情偷乱人伦小说视频在线| 人妖精品视频在线观看| 国产一区二区av在线观看| 日韩 无码 偷拍 中文字幕| 欧美极品色午夜在线视频|