閆赟彬 侯博陽 鄒京燕 李欣 石志城 崔博倫 黃荀 敏隆 朱軍

基于二維奇異譜特征提取的高光譜影像同質(zhì)劃分

閆赟彬1侯博陽2鄒京燕3李欣1石志城1崔博倫1黃荀1敏隆1朱軍4

（1 北京空間機(jī)電研究所，北京 100094）（2 北京信息科技大學(xué)儀器科學(xué)與光電工程學(xué)院，北京 100101）（3航天恒星科技有限公司，北京 100083）（4航天東方紅衛(wèi)星有限公司，北京 100094）

高光譜影像數(shù)據(jù)具有維度高、信息冗余等特征，傳統(tǒng)的特征提取方法通常使用了固定窗格提取高光譜影像的空間特征，忽略了地物之間的空間關(guān)系，對地物空間信息利用不充分。對此，文章提出了融合超像素算法的二維奇異譜分析方法，通過超像素劃分并提取同質(zhì)區(qū)域，經(jīng)過二維奇異譜分析，從每個(gè)波段中提取空間結(jié)構(gòu)信息，增強(qiáng)本類別的特征信息，同時(shí)減少類間差異性與噪聲帶來的影響。對所提取的空間特征，結(jié)合粒子優(yōu)化算法提取高光譜影像最佳波段組合。實(shí)驗(yàn)結(jié)果表明，在Indian Pines與Salinas數(shù)據(jù)影像數(shù)據(jù)集中，使用同樣的支持向量機(jī)分類器，文章所提出特征提取方法實(shí)現(xiàn)的分類精度相比于原始數(shù)據(jù)分別提升了15.99%與3.7%，相比于2DSSA提升了3.12%與0.91%。改進(jìn)的奇異譜分析方法，可以充分利用同質(zhì)區(qū)域的局部一致性，從而提高數(shù)據(jù)處理的性能，減少了影像中的冗余信息和噪聲。

高光譜超像素 同質(zhì)區(qū)域 特征提取二維奇異光譜分析 遙感數(shù)據(jù)處理

0 引言

高光譜影像（Hyperspectral Image，HSI）數(shù)據(jù)由成百上千個(gè)波段組成，含有豐富的空間和光譜信息，可用于精確識別物體種類[1]。近年來，HSI在林業(yè)資源檢測[2]、環(huán)境保護(hù)[3]、農(nóng)業(yè)產(chǎn)量估計(jì)[4]等領(lǐng)域得到了廣泛應(yīng)用。但是由于維度災(zāi)難與休斯（Hughes）現(xiàn)象、信息冗余、混合像元等先天性問題[5]給HSI信息處理帶來了一定的困難。因此，對HSI有效信息的提取與挖掘尤為重要[6]。

為解決這些問題，國內(nèi)外學(xué)者在高光譜數(shù)據(jù)特征提取方面進(jìn)行了大量的研究，并提出了一系列的方法。例如，基于空間域的特征提取方法包括局部二值模式[7]、灰度共生矩陣[8]和Gabor濾波[9]等。該類方法通過提取影像數(shù)據(jù)的顏色、紋理、形狀等空間特征來提高不同地物的辨別能力?；谕队袄碚摰奶卣魈崛》椒☉?yīng)用也十分廣泛，其中可分為無監(jiān)督和有監(jiān)督的特征提取。典型的無監(jiān)督特征提取方法包括主成分分析[10]、最小噪聲分離變換[11]等。有監(jiān)督特征提取包括線性判別分析[12]、廣義判別分析[13]等。此類算法主要是通過減少信息冗余，增大類間差異來提高分類精度。

隨著近些年深度學(xué)習(xí)技術(shù)的快速發(fā)展，基于深度學(xué)習(xí)的特征提取方法如卷積神經(jīng)網(wǎng)絡(luò)[14-16]、自編碼器[17]已經(jīng)成功應(yīng)用于HSI分析，這些方法可以從數(shù)據(jù)中自動學(xué)習(xí)和提取特征，在高光譜數(shù)據(jù)分類中取得了良好的效果。但深度學(xué)習(xí)所需的算力成本較高，中間過程黑箱，且泛化能力一般。因此，研究小算力開銷、數(shù)學(xué)機(jī)理清晰明了的算法來實(shí)現(xiàn)具有較強(qiáng)泛化能力的HSI高精度分類算法，仍具有重要意義。

在計(jì)算資源有限的情況下能夠高效地處理大規(guī)模的高光譜數(shù)據(jù)，適用于實(shí)際應(yīng)用中計(jì)算資源有限的平臺，如無人機(jī)、嵌入式設(shè)備等。此外，對高光譜數(shù)據(jù)進(jìn)行分析往往需要可解釋性高光譜特征，這對于遙感圖像處理領(lǐng)域來說尤其重要。因?yàn)楦吖庾V數(shù)據(jù)通常具有較高的維度和復(fù)雜性，需要深入理解數(shù)據(jù)特征和算法機(jī)理，以獲得可靠的分類結(jié)果。奇異譜分析就是其中一類具有優(yōu)異特征提取性能的方法。2015年，ZABLZA等[18]提出了二維奇異譜分析方法（Two-Dimensional Singular Spectrum Analysis，2DSSA）并成功應(yīng)用于HSI分類中。該方法將單個(gè)波段圖像分解為不同的成分，包括主要成分及紋理與噪聲，通過組合部分成分構(gòu)建空間特征圖，取得了一定效果。但是2DSSA在工作時(shí)只能處理小鄰域窗口內(nèi)的空間關(guān)系，無法充分提取全局的特征空間信息。因此，本文提出了一種超像素二維奇異譜分析方法（Superpixel 2DSSA，SP-2DSSA）提取其空間特征，摒棄傳統(tǒng)規(guī)則窗口的同時(shí)利用光譜相似性構(gòu)建二維嵌入式窗口，充分考慮了其圖像的空間結(jié)構(gòu)與波段之間的關(guān)系，加強(qiáng)了同類之間的相似性與不同類別之間差異性；利用粒子群優(yōu)化算法（Particle Swarm Optimization, PSO）篩選出能夠充分表達(dá)HSI特征的波段組合，進(jìn)一步加強(qiáng)地物樣本的可分性。

1 算法原理

本文提出的SP-2DSSA算法流程主要包括以下三個(gè)步驟：

1）首先，提取原始的HSI數(shù)據(jù)彩色圖像，并使用簡單線性迭代聚類（Simple Linear Iterative Clustering，SLIC）對其進(jìn)行超像素分割用于劃分出同質(zhì)區(qū)域；

2）在同質(zhì)區(qū)域中對每一個(gè)樣本選取一定數(shù)量與其距離最近的樣本，構(gòu)建二維嵌入窗口，2DSSA增強(qiáng)其空間特征；

3）最后，通過PSO來篩選出個(gè)波段，分別為Band1, Band2, ···, Band,并使用支持向量機(jī)（Support Vector Machines，SVM）來對樣本進(jìn)行分類。

SP-2DSSA算法流程如圖1所示。

圖1 SP-2DSSA算法流程

1.1 基于SLIC的同質(zhì)劃分

超像素是由一系列位置相鄰且顏色、亮度和紋理等特征相似的像素點(diǎn)組成的小區(qū)域[19]。基于該思想，將HSI分割的超像素塊看作同質(zhì)區(qū)域。其中，SLIC與其它超像素分割算法相比，具有較好分割性能，在圖像處理方面得到了廣泛的使用。

具體的同質(zhì)劃分步驟[20]為：

3）計(jì)算出同質(zhì)區(qū)域內(nèi)的像素均值中心，作為新的聚類中心，經(jīng)過多次迭代直至滿足停止迭代條件。

整個(gè)圖像被分成一定數(shù)量的同質(zhì)區(qū)域。

1.2 SP-2DSSA特征提取

每一個(gè)超像素中為同類地物的可能較大，后續(xù)2DSSA可構(gòu)建具有低秩特性的軌跡矩陣，進(jìn)而最大程度地去除噪聲與干擾，保留其主要空間特征。為了盡可能地提取出原始的HSI數(shù)據(jù)每個(gè)波段的特征信息，SP-2DSSA與傳統(tǒng)的2DSSA主要區(qū)別在于構(gòu)建二維嵌入窗口時(shí)不同。傳統(tǒng)的2DSSA使用規(guī)則的滑動窗口，未充分考慮地物之間的空間關(guān)系；而 SP-2DSSA則根據(jù)同質(zhì)區(qū)域的空間結(jié)構(gòu)自適應(yīng)構(gòu)建滑動窗口。

SP-2DSSA方法主要包括二維窗口自適應(yīng)嵌入、奇異值分解（Singular Value Decomposition，SVD）、分組與重投影，具體操作流程如下：

其中軌跡矩陣大小為。每個(gè)波段圖像均可構(gòu)建相應(yīng)的軌跡矩陣，其中，軌跡矩陣中包含有圖像的全局和局部空間信息，以增強(qiáng)特征表達(dá)能力。

對于軌跡矩陣，根據(jù)奇異值分解可表示為

1.3 波段選擇

SP-2DSSA對HSI的每個(gè)波段圖像均進(jìn)行了特征提取，但是對于地物分類來講，數(shù)據(jù)維度過高問題仍然存在。本文采用類別的可分性[22]構(gòu)建智能優(yōu)化算法的適應(yīng)度函數(shù)篩選出最佳波段組合[23]，從而達(dá)到數(shù)據(jù)降維的目的，其中粒子群優(yōu)化算法收斂速度較快，所以本文使用該算法進(jìn)行波段選擇。在確定波段數(shù)的情況下，將Jeffries-Matusita[24]距離作為樣本之間可辨別性的判斷依據(jù)。

2 實(shí)驗(yàn)設(shè)置

采用美國噴氣實(shí)驗(yàn)室提供的Indian Pines數(shù)據(jù)集與Salinas 數(shù)據(jù)集[25]開展SP-2DSSA算法的有效性驗(yàn)證。Indian Pines數(shù)據(jù)集包含145×145個(gè)像素以及224個(gè)波段，去除損壞波段及受水汽影響較大的波段后保留有200個(gè)波段，除背景外共含有16種地物類型用于分類研究。圖3展示了Indian Pines數(shù)據(jù)所提取的彩色圖像及樣本分布圖像。

圖3 Indian Pines數(shù)據(jù)

圖4 Salinas數(shù)據(jù)

最后與2DSSA算法比較，用于驗(yàn)證本文所提出算法的有效性。為公平起見，算法統(tǒng)一使用相同的訓(xùn)練集與測試集。將按照類別比例隨機(jī)抽取20%的樣本作為訓(xùn)練數(shù)據(jù)集，剩余樣本用于測試集。對于分類器，采用SVM來完成對高光譜數(shù)據(jù)的分類，其中SVM核函數(shù)為高斯核函數(shù)，懲罰系數(shù)設(shè)置為10 000。此外，采用每類精度、平均精度（Average Accuracy, AA）、整體精度（Overall Accuracy, OA）、Kappa系數(shù)用于定量評估不同方法的性能。

3 結(jié)果分析

為客觀地評價(jià)SP-2DSSA方法的性能，在實(shí)驗(yàn)中將2DSSA與SP-2DSSA嵌入窗口中的像素?cái)?shù)保持一致，在2DSSA中使用的滑動窗口為5×5，SP-2DSSA的包括自身及近鄰像素個(gè)數(shù)為25。圖5（b）和圖5（c）分別為Indian Pines在第131波段的2DSSA，SP-2DSSA算法所提取的空間特征圖。

圖5 131波段原始圖像及2DSSA與SP-2DSSA特征圖

與2DSSA相比，SP-2DSSA構(gòu)造的特征圖中保留了更多的細(xì)節(jié)與紋理，增強(qiáng)了噪聲分離能力，從而增加了地物類別的分辨能力，主要原因是在構(gòu)建軌跡矩陣時(shí)使用了同質(zhì)區(qū)域的劃分，使其保留了局部空間信息。

為進(jìn)一步定量化評價(jià)SP-2DSSA算法有效性，分別對原始數(shù)據(jù)（Original）、2DSSA及SP-2DSSA在經(jīng)過PSO+SVM后所表現(xiàn)的性能進(jìn)行詳細(xì)分析。為研究近鄰像素個(gè)數(shù)對分類結(jié)果的影響，分別選取了9，25，49，81個(gè)進(jìn)行分析，如圖6所示。圖中結(jié)果表明在窗口25時(shí)，得到的較好的分類結(jié)果。SP-2DSSA不受限于傳統(tǒng)的規(guī)則窗口，在構(gòu)建嵌入窗口時(shí)自適應(yīng)性更強(qiáng)。

圖6 SP-2DSSA不同近鄰像素下S的分類結(jié)果

在指定波段數(shù)為5～40時(shí)，原始數(shù)據(jù)與2DSSA、SP-2DSSA的分類精度如圖7所示。在大多數(shù)波段下，SP-2DSSA算法取得了最高的分類精度，證明本文所提出了算法的有效性。在波段選擇過程中，所選擇的波段數(shù)越多，光譜信息越豐富，同時(shí)信息冗余也會增加[26]，如圖7所示隨著波段數(shù)的增加，分類精度提升逐漸變緩。

圖7 不同算法在5～40個(gè)波段下的分類精度

對于少數(shù)波段數(shù)下，SP-2DSSA的分類精度略低于2DSSA算法，主要原因在于PSO中使用JM距離構(gòu)建適應(yīng)度函數(shù)。JM距離是基于類條件概率，對類別之間相似性評價(jià)是近似的，在實(shí)際使用過程中具有一定的局限性，選擇出的最佳波段組合未必是最優(yōu)的。

表1展示了不同算法在波段數(shù)為5～40之間的最高分類精度及其對應(yīng)的波段數(shù)。經(jīng)SP-2DSSA算法處理后，分類精度與降維效果均是最優(yōu)的。

為進(jìn)一步評估SP-2DSSA算法的性能，如表2所示，給出了Indian Pines數(shù)據(jù)集波段數(shù)20下不同算法的每個(gè)類別的分類精度以及OA，AA與Kappa系數(shù)。表3為Salinas數(shù)據(jù)集在15個(gè)波段數(shù)下的分類結(jié)果：在絕大多數(shù)地物類別上，SP-2DSSA的分類精度優(yōu)于其他方法；在OA上取得了最高的分類精度；SP-2DSSA的Kappa系數(shù)是最高的，分類器模型的一致性最好。結(jié)果表明，SP-2DSSA方法可以有效地提取HSI的空間信息，增強(qiáng)其特征表達(dá)能力，并提高不同地物的可辨別性。對于樣本Oats，由于其樣本數(shù)極少，無法有效的對其分類。

表1 不同算法在波段數(shù)為5～40的最高精度及對應(yīng)波段數(shù)

Tab.1 The highest accuracy and corresponding band numbers of different algorithms when the number of bands is 5～40

表2 Indian Pines數(shù)據(jù)集不同方法分類精度統(tǒng)計(jì)

Tab.2 Statistics of the classification accuracy of different methods of Indian Pines dataset

表加粗?jǐn)?shù)據(jù)為各指標(biāo)中的最佳指標(biāo)。

表3 Salinas數(shù)據(jù)集不同方法分類精度統(tǒng)計(jì)

Tab.3 Statistics of the classification accuracy of different methods of Salinas dataset

表加粗?jǐn)?shù)據(jù)為各指標(biāo)中的最佳指標(biāo)。

圖8 Indian Pines與圖9 Salinas為不同方法下的分類圖，SP-2DSSA與2DSSA相比，減少了區(qū)域性誤分類問題，增加了點(diǎn)狀誤分類噪聲；同時(shí)，對于小片地物的分類效果要明顯優(yōu)于2DSSA。SP-2DSSA在同質(zhì)區(qū)域劃分上可以增強(qiáng)2DSSA空間特征能力，但仍有一定的提升空間。

圖8 Indian Pines數(shù)據(jù)集分類圖

圖9 Salinas數(shù)據(jù)集分類圖

4 結(jié)束語

本文針對傳統(tǒng)的2DSSA方法無法充分提取HSI特征信息的問題，提出SP-2DSSA算法。SP-2DSSA算法能夠有效地提取HSI數(shù)據(jù)的空譜特征，增強(qiáng)每個(gè)波段的空間結(jié)構(gòu)信息，選出提高分類精度波段組合。用于算法驗(yàn)證的公開數(shù)據(jù)集數(shù)據(jù)空間分辨率低且混合像元嚴(yán)重，SP-2DSSA算法在數(shù)據(jù)集上得到了良好的效果，說明了SP-2DSSA算法在復(fù)雜地物分類問題上具有優(yōu)越性，可為高光譜技術(shù)在農(nóng)林業(yè)監(jiān)測、礦產(chǎn)資源調(diào)查、城市土地資源規(guī)劃等領(lǐng)域的應(yīng)用提供支撐。

總體上，SP-2DSSA算法相比于2DSSA，性能上得到了一定提升，但仍有改進(jìn)的空間。其中，同質(zhì)劃分借鑒了超像素分割來完成，由于是在全局圖像上進(jìn)行分割，會引入自身固有的局限性，存在錯(cuò)分的情況。同質(zhì)劃分的精確性對HSI分類結(jié)果有著重要影響，因此，通過識別地物空間的復(fù)雜度，自適應(yīng)的劃分同質(zhì)區(qū)域，可能會帶來算法性能進(jìn)一步的提升。

[1] 何明一, 暢文娟, 梅少輝. 高光譜遙感數(shù)據(jù)特征挖掘技術(shù)研究進(jìn)展[J]. 航天返回與遙感, 2013, 34(1): 1-12. HE Mingyi, CHANG Wenjuan, MEI Shaohui.Advance in Feature Mining from Hyperspectral Remote Sensing Data[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(1): 1-12. (in Chinese)

[2] 潘潔, 廖振峰, 張衡, 等. 基于高光譜數(shù)據(jù)與網(wǎng)絡(luò)GIS應(yīng)用的森林病蟲害監(jiān)測系統(tǒng)研究[J]. 世界林業(yè)研究, 2015, 28(3): 47-52. PAN Jie, LIAO Zhenfeng, ZHANG Heng, et al. Hyperspectral Data and Web GIS Based Monitoring System for Forest Pests and Diseases[J]. World Forestry Research, 2015, 28(3): 47-52. (in Chinese)

[3] 郭學(xué)飛, 曹穎, 焦?jié)櫝? 等. 土壤重金屬污染高光譜遙感監(jiān)測方法綜述[J]. 城市地質(zhì), 2020, 15(3): 320-326. GUO Xuefei, CAO Ying, JIAO Runcheng, et al. Overview of Hyperspectral Remote Sensing Monitoring Method of Soil Heavy Metals[J]. Urban Geology, 2020, 15(3): 320-326. (in Chinese)

[4] 張偉. 高光譜技術(shù)在農(nóng)業(yè)遙感中應(yīng)用的研究進(jìn)展[J]. 農(nóng)業(yè)技術(shù)與裝備, 2022, (5): 91-93. ZHANG Wei. Research Progress of Hyperspectral Technology in Agricultural Remote Sensing[J]. Agricultural Technology & Equipment, 2022, (5): 91-93. (in Chinese)

[5] 蘇紅軍. 高光譜遙感影像降維: 進(jìn)展、挑戰(zhàn)與展望[J]. 遙感學(xué)報(bào), 2022, 26(8): 1504-1529. SU Hongjun. Dimensionality Reduction for Hyperspectral Remote Sensing: Advances, Challenges, and Prospects[J].National Remote Sensing Bulletin, 2022, 26(8): 1504-1529. (in Chinese)

[6] 張淳民, 穆廷魁, 顏廷昱, 等. 高光譜遙感技術(shù)發(fā)展與展望[J]. 航天返回與遙感, 2018, 39(3): 104-114. ZHANG Chunmin, MU Tingkui, YAN Tingyu, et al. Overview of Hyperspectral Remote Sensing Technology[J]. Spacecraft Recovery & Remote Sensing, 2018, 39(3): 104-114. (in Chinese)

[7] 王立國, 石瑤, 張震. 聯(lián)合改進(jìn)LBP和超像素級決策的高光譜圖像分類[J]. 信號處理, 2023, 39(1): 61-72. WANG Liguo, SHI Yao, ZHANG Zhen. Hyperspectral Image Classification Combining Improved Local Binary Mode and Superpixel-level Decision[J]. Journal of Signal Processing, 2023, 39(1): 61-72. (in Chinese)

[8] 王增茂, 杜博, 張良培, 等. 基于紋理特征和形態(tài)學(xué)特征融合的高光譜影像分類法[J]. 光子學(xué)報(bào), 2014, 43(8): 122-129. WANG Zengmao, DU Bo, ZHANG Liangpei, et al. Based on Texture Feature and Extend Morphological Profile Fusion for Hyperspectral Image Classification[J]. Acta Photonica Sinica, 2014, 43(8): 122-129. (in Chinese)

[9] 段小川, 王廣軍, 梁四海, 等. 一種新的空譜聯(lián)合高光譜圖像分類方法[J]. 遙感信息, 2021, 36(3): 76-84. DUAN Xiaochuan, WANG Guangjun, LIANG Sihai, et al. A New Spectral-spatial Joint Method of Hyperspectral Image Classification[J]. Remote Sensing Information, 2021, 36(3): 76-84. (in Chinese)

[10] PRASAD S, BRUCE L M. Limitations of Principal Components Analysis for Hyperspectral Target Recognition[J]. IEEE Geoscience and Remote Sensing Letters, 2008, 5(4): 625-629. (in Chinese)

[11] 張世瑞, 樊彥國, 張漢德, 等. 基于核最小噪聲分離變換的高光譜目標(biāo)探測研究[J]. 激光與光電子學(xué)進(jìn)展, 2021, 58(12): 312-319. ZHANG Shirui, FAN Yanguo, ZHANG Hande, et al.Hyperspectral Target Detection Based on Kernel Minimum Noise Separation Transformation[J]. Laser & Optoelectronics Progress, 2021, 58(12): 312-319. (in Chinese)

[12] 周亞文, 董廣軍, 薛志祥, 等. 基于稀疏判別分析的HSI特征提取[J]. 測繪科學(xué)技術(shù)學(xué)報(bào), 2017, 34(4): 370-375. ZHOU Yawen, DONG Guangjun, XUE Zhixiang, et al.Hyperspectral Imagery Feature Extraction Based on Sparse Discriminant Analysis[J]. Journal of Geomatics Science and Technology, 2017, 34(4): 370-375. (in Chinese)

[13] 楊國鵬. 基于機(jī)器學(xué)習(xí)方法的高光譜影像分類研究[D]. 鄭州: 信息工程大學(xué), 2010. YANG Guopeng. Research on Machine Learning Methods for Hyperspectral Imagery Classification[D]. Zhengzhou: Engineering University, 2010. (in Chinese)

[14] 劉萬軍, 梁雪劍, 曲海成. 自適應(yīng)增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)圖像識別[J]. 中國圖象圖形學(xué)報(bào), 2017, 22(12): 723-1736. LIU Wanjun, LIANG Xuejian, QU Haicheng. Adaptively Enhanced Convolutional Neural Network Algorithm for Image Recognition[J]. Journal of Image and Graphics, 2017, 22(12): 723-1736. (in Chinese)

[15] HU W, HUANG Y, WEI L, et al. Deep Convolutional Neural Networks for Hyperspectral Image Classification[EB/OL]. [2022-12-04]. https://www.hindawi.com/journals/js/2015/258619/.

[16] CHEN Y, JIANG H, LI C, et al. Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(10): 6232-6251.

[17] CHEN Y, LIN Z, ZHAO X, et al. Deep Learning-based Classification of Hyperspectral Data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 2094-2107.

[18] ZABALZA J, REN J C, ZHENG J B, et al.Novel Two-dimensional Singular Spectrum Analysis for Effective Feature Extraction and Data Classification in Hyperspectral Imaging[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(8): 1-16.

[19] 雷濤, 連倩, 加小紅, 等. 基于快速SLIC的圖像超像素算法[J]. 計(jì)算機(jī)科學(xué), 2020, 47(2): 149-155. LEI Tao, LIAN Qian, JIA Xiaohong, et al. Fast Simple Linear Iterative Clustering for Image Superpixel Algorithm[J]. Computer Science, 2020,47(2): 149-155. (in Chinese)

[20] 孫珂. 融合超像元與峰值密度特征的遙感影像分類[J]. 國土資源遙感, 2020, 32(4): 41-45. SUN Ke. Remote Sensing Image Classification Based on Super Pixel and Peak Density[J]. Remote Sensing for Land and Resources, 2020, 32(4): 41-45. (in Chinese)

[21] 趙瑩瑩, 潘兆杰, 付航, 等. 高光譜影像奇異譜特征提取和分類方法[J]. 遙感信息, 2022, 37(4): 1-9. ZHAO Yingying, PAN Zhaojie, FU Hang, et al. A Novel Hyperspectral Image Feature Extraction and Classification Method Based on Singular Spectrum Analysis[J]. Remote Sensing Information, 2022, 37(4): 1-9. (in Chinese)

[22] 張立國, 孫勝春, 王磊, 等. 基于類間可分性的波段選擇算法[J]. 激光與光電子學(xué)進(jìn)展, 2022, 59(4): 417-424. ZHANG Liguo, SUN Shengchun, WANG Lei, et al. Band Selection Algorithm Based on Inter-class Separability[J]. Laser & Optoelectronics Progress, 2022, 59(4): 417-424. (in Chinese)

[23] 丁勝. 智能優(yōu)化算法在高光譜遙感影像分類中的應(yīng)用研究[D]. 武漢: 武漢大學(xué), 2010. DING Sheng. Smart Optimization Methods for Hyperspectral Remote Sensing Classification[D]. Wuhan: Wuhan University, 2010. (in Chinese)

[24] 王志成. 基于Jeffries-Matusita距離的遙感影像最優(yōu)對象構(gòu)建分類算法及應(yīng)用研究[D]. 煙臺: 中國科學(xué)院大學(xué)(中國科學(xué)院煙臺海岸帶研究所), 2021. WANG Zhicheng. Studies on Remote Sensing Image Optimal Object Construction Classification Algorithm Based on Jeffries-Matusita Distance and Its Application[D]. Yantai: University of Chinese Academy of Sciences (Yantai Institute of Coastal Zone Research), 2021. (in Chinese)

[25] GRA?A M, VEGANZONS M A, AYERDI B. Hyperspectral Remote Sensing Scenes[EB/OL]. (2021-07-21)[2022-12-23]. https://www.ehu.eus/ccwintco/index.pectral_Remote_Sensing_Scenes.

[26] 王芳. 最佳波段組合的典型地物信息提取[J]. 航天返回與遙感, 2022, 43(2): 82-91. WANG Fang. Best Band Combination of Chinese High-resolution Satellite Image Information Extraction[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(2): 82-91. (in Chinese)

Homogeneous Area of the Hyperspectral Image Based on Two-Dimensional Singular Spectrum Feature Extraction

YAN Yunbin1HOU Boyang2ZOU Jingyan3LI Xin1SHI Zhicheng1CUI Bolun1HUANG Xun1LIAN Minlong1ZHU Jun4

（1 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（2 Beijing Information Science & Technology University, School of Instrumentation Science and Opto-Electronic Engineering, Beijing 100101, China）（3 Space Star Technology Co., Ltd., Beijing 100083, China）（4 DFH Satellite Co., Ltd., Beijing 100094, China）

Hyperspectral image data has the characteristics of high dimension, information redundancy, etc. Traditional feature extraction methods usually use fixed pane to extract the spatial features of hyperspectral image, ignore the spatial relationship between ground objects, and make insufficient use of the spatial information of ground objects. In this paper, a two-dimensional singular spectrum analysis method based on superpixel algorithm is proposed. The homogeneous region is divided and extracted by superpixel. After two-dimensional singular spectrum analysis, spatial structure information is extracted from each band to enhance the characteristic information of this category and reduce the influence of inter-class differences and noise. The optimal band combination of hyperspectral image is extracted by particle optimization algorithm based on the extracted spatial features. The experimental results show that in Indian Pines and Salinas data image sets, the classification accuracy achieved by the proposed feature extraction method is improved by 15.99% and 3.7% compared with the original data, and by 3.12% and 0.91% compared with 2DSSA, respectively, using the same SVM classifier. The improved singular spectrum analysis method can make full use of the local consistency of the homogeneous region, thus improving the performance of data processing and reducing the redundant information and noise in the image.

hyperspectral image classification; super pixels; homogeneous area; feature extraction; two-dimensional spectrum analysis; remote sensing data processing

P237

A

1009-8518(2023)03-0097-11

10.3969/j.issn.1009-8518.2023.03.011

閆赟彬，男，1997年生，2020年獲太原理工大學(xué)應(yīng)用物理學(xué)專業(yè)學(xué)士學(xué)位，現(xiàn)于中國空間技術(shù)研究院攻讀航空宇航科學(xué)與技術(shù)專業(yè)碩士學(xué)位。主要研究方向?yàn)楦吖庾V數(shù)據(jù)特征提取與分類。E-mail：yunbin418@163.com。

2022-10-17

科工局民用航天項(xiàng)目（D010206）

閆赟彬, 侯博陽, 鄒京燕, 等. 基于二維奇異譜特征提取的高光譜影像同質(zhì)劃分[J]. 航天返回與遙感, 2023, 44(3): 97-107.

YAN Yunbin, HOU Boyang, ZOU Jingyan, et al. Homogeneous Area of the Hyperspectral Image Based on Two-Dimensional Singular Spectrum Feature Extraction[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(3): 97-107. (in Chinese)

（編輯：陳艷霞）