金椿柏, 楊 桄*, 盧 珊, 劉文婧, 李德軍, 鄭 南

1. 空軍航空大學, 吉林 長春 130022

2. 東北師范大學地理科學學院, 吉林 長春 130024

引 言

高光譜圖像因其包含豐富的光譜、 空間信息, 廣泛地用于遙感地物分類和目標識別。 隨著高光譜遙感技術(shù)的進步, 成像光譜儀的各種性能指標不斷優(yōu)化, 高光譜圖像的光譜分辨率得到大幅度提高, 覆蓋的波段范圍更廣, 導致了數(shù)據(jù)量呈現(xiàn)快速增長的趨勢。 高光譜圖像所蘊含的海量信息, 雖然為相關(guān)實際應(yīng)用提供了充足的數(shù)據(jù)支撐, 但增加了高光譜圖像的處理難度和維度災(zāi)難, 為數(shù)據(jù)的運用、 存儲和傳輸?shù)葞砹酥T多困難與挑戰(zhàn)[1]。 高光譜圖像包含多達數(shù)百個波段, 其中鄰近的波段包含的信息通常存在一定程度的信息重復(fù), 導致了整個圖像數(shù)據(jù)的冗余, 已成為阻礙高光譜遙感技術(shù)應(yīng)用繼續(xù)發(fā)展的主要問題之一。 高光譜數(shù)據(jù)降維也已成為眾多學者研究重要方向。

降低高光譜圖像數(shù)據(jù)維度的方法分為特征提取和波段選擇。 前者用于找到正確的映射方式, 將數(shù)據(jù)由維度高的特征空間轉(zhuǎn)變?yōu)榈途S度的特征空間, 在此過程中, 原始高維特征空間中信息量最大的內(nèi)容被保留下來, 但是空間變換會導致原始高光譜數(shù)據(jù)的物理信息發(fā)生改變, 容易出現(xiàn)一些關(guān)鍵信息丟失的現(xiàn)象。 相反, 波段選擇從原始光譜數(shù)據(jù)集中選擇最具代表性的波段進行組合, 波段子集不會失真。 這一特征對于表示高光譜圖像的重要信息至關(guān)重要, 因此成為高光譜圖像處理領(lǐng)域的熱點問題。 波段選擇可以按照幾種模式實現(xiàn), 即基于波段優(yōu)先級的方法[2-3]、 基于聚類的方法[4]和基于深度學習的方法[5-6], 還有少部分方法的提出是基于波段的低秩性和稀疏性[7-8]。 波段優(yōu)先級, 即利用一種有效的指標來衡量波段重要性并進行排序、 選擇, 或采用與目標函數(shù)相結(jié)合的搜索方法, 對波段執(zhí)行遍歷添加與移除得到最優(yōu)化的波段選擇子集, 缺點是評估波段優(yōu)先級時波段的獨立性較強, 沒有考慮波段之間的相關(guān)性, 得到的波段子集仍存在信息重疊、 波段冗余的現(xiàn)象。 聚類是將高度相關(guān)的波段劃分到同一個波段簇里, 從中選取富有代表意義的波段, 組合得到最優(yōu)的波段子集, 該類方法的缺點是只采納了不同波段間的相關(guān)性, 而忽視了代表波段的信息特性, 因此可能無法選擇一些信息特性更強、 包含地物信息更優(yōu)、 對目標更具鑒別能力的波段。

人的視覺系統(tǒng)具有基于“顯著性”處理圖像中的復(fù)雜信息, 準確提取有價值區(qū)域的能力, 這些視覺上感興趣的區(qū)域一般用作基于內(nèi)容的圖像索引和檢索技術(shù)。 源于視覺解譯圖像原理得到的目標顯著性理論被應(yīng)用到機器視覺, 成為許多計算機圖像處理任務(wù)的組成部分。 基于高光譜圖像進行顯著目標增強現(xiàn)正在成為圖像分類、 目標識別、 圖像分割等領(lǐng)域的一項重要任務(wù)[9]。 Cao等[10]提出了一種在高光譜圖像中檢測目標的方法, 通過擴展Itti的模型來計算高光譜圖像中的顯著目標。 Yan等[11]使用光譜梯度對比法計算高光譜圖像的顯著目標, 對Itti模型檢測導致的高對比度邊緣靈敏度問題實現(xiàn)了一定優(yōu)化。 Moan等[12]將主成分分析的降維方法結(jié)合視覺顯著性模型提出了一種新的光譜圖像顏色可視化波段選擇方法, 其中定義了光譜波段顯著性的概念。

本研究在空間域引入目標顯著性算法對波段圖像中地物目標的顯著特征進行提取增強, 依據(jù)不同地物在波段內(nèi)顯著程度定義波段分離地物的能力, 從而選擇對地物目標分離能力強的波段用于地物分類, 實現(xiàn)數(shù)據(jù)降維。 為保證選擇結(jié)果中各波段兼具相關(guān)性和獨立性, 采用結(jié)合波段聚類劃分子空間和根據(jù)波段顯著性排序選擇的方式組合波段子集。

1 實驗部分

1.1 實驗數(shù)據(jù)

選擇的數(shù)據(jù)為由國產(chǎn)GF-5衛(wèi)星在我國東北地區(qū)于采集得到的高光譜數(shù)據(jù)局部。 GF-5衛(wèi)星[13]共搭載了六種類型的有效載荷, 選用數(shù)據(jù)由可見短波紅外高光譜相機(advanced hyperspectral imager, AHSI)采集, 共包含330個光譜波段, 其中150個波段屬于可見光近紅外范圍、 180個波段屬于短波紅外范圍, 光譜分辨率分別為5和10 nm。

1.2 數(shù)據(jù)預(yù)處理

圖像數(shù)據(jù)預(yù)處理需將現(xiàn)有數(shù)據(jù)經(jīng)輻射定標、 大氣校正以及反射值異常波段剔除。 大氣校正的方法為FLAASH大氣校正, 根據(jù)實驗數(shù)據(jù)實際情況選擇能見度、 氣溶膠模型和氣溶膠反演方法, 并采取一定程度的光譜平滑。 數(shù)據(jù)及預(yù)處理過程中某一點光譜曲線如圖1所示, 得到包含305個有效波段的高光譜圖像數(shù)據(jù)。

圖1 預(yù)處理過程

1.3 實驗流程

主要實驗流程如圖2。

圖2 實驗流程

1.4 基于空間域目標顯著性提取的波段選擇方法

顯著性目標檢測(salient object detection, SOD) 源于人眼視覺系統(tǒng)對所觀察圖像中感興趣區(qū)域的處理, 當人眼觀看照片時, 視覺注意力會使人更加關(guān)注照片中的某類明顯物體或特殊范圍。 當觀眾品鑒一幅畫作, 畫中有一條自西向東流過的河流, 多數(shù)情況下觀眾會先注意到畫里的河流, 而不是河流周邊景物, 所以這幅畫作中的河流就是所提到的顯著性目標。 目標顯著性算法就是利用計算機完成這項工作, 即將圖像中的顯著性目標檢測到, 并將其增強后輸出具有更加明顯目標的顯著性圖像。 引入視覺顯著性算法模型處理全波段空間域圖像數(shù)據(jù), 可以揭示諸多波段內(nèi)不同地物目標的顯著程度, 利用地物目標顯著性的判別性差異程度定義波段顯著性, 并采用波譜聚類分析劃分波段子空間的方式保持光譜數(shù)據(jù)相關(guān)性, 進而提取最優(yōu)波段組成選擇子集應(yīng)用于地物分類。

1.4.1 波段子空間劃分

進行波段選擇, 要先根據(jù)波段相關(guān)性進行光譜域的波段聚類, 將所有光譜波段劃分成為互不相同的子空間, 在光譜域子空間內(nèi)進行波段排序選擇, 以減少所選擇子集的光譜相關(guān)性信息重疊程度。 將預(yù)處理得到的高光譜圖像數(shù)據(jù), 計算所包含305個有效波段兩兩之間的相關(guān)系數(shù), 即Wi與Wj兩波段的相關(guān)系數(shù)ri, j, 計算原理如式(1)。

(1)

圖3 波段相關(guān)性系數(shù)矩陣圖

圖4 單波段相關(guān)性系數(shù)變化曲線圖

將波段相關(guān)系數(shù)矩陣結(jié)合單獨波段相關(guān)性系數(shù)曲線變化率進行閾值二值化處理, 得到同一維度的二值化矩陣圖, 如圖5所示。 沿對角線可將全部波段分為5個互不重疊的子空間, 即0～75、 76～195、 196～235、 236～298、 299～305。

圖5 二值化矩陣圖

1.4.2 空間域目標視覺顯著性提取

選取Spectral Residual算法、 Frequency-tuned算法、 Histogram-based Contrast算法、 LC算法, 使用這四種視覺顯著性算法對高光譜圖像光譜域波段進行目標視覺顯著性提取運算處理, 運用不同的視覺顯著性算法模型對同一光譜波段進行處理, 會提取出不同的視覺效果。

(1) Spectral Residual算法

Spectral Residual算法[14]從自然圖像統(tǒng)計原理出發(fā), 提出了一種前端方法來模擬預(yù)注意視覺搜索行為。 區(qū)別于一般的圖像算法, 該方法致力于逐幅圖像進行對數(shù)譜分析, 并從計算得到譜殘差中發(fā)現(xiàn), 諸圖像的對數(shù)譜具有一致性, 平均光譜曲線表明平均對數(shù)譜表現(xiàn)出局部線性, 這種線性關(guān)系可以反映圖像中的重復(fù)信息, 并刪去該部分無意義的信息, 得到能引起人類視覺系統(tǒng)關(guān)注的顯著信息。 然后, 將光譜殘差變換到空間域, 在算法模型中, 光譜殘差包含圖像中的特異性部分, 利用傅里葉逆變換, 在空間域構(gòu)造目標顯著性圖像來顯示目標位置。

(2) Frequency-tuned算法

Frequency-tuned算法[15]能夠輸出具有顯著對象細致邊界的全像素目標顯著性圖。 該算法主要利用了顏色和亮度特性, 通過從原始圖像中保留更多的頻率內(nèi)容得以更好地保留邊界。 首先對輸入圖像進行高斯濾波, 去除高頻信息, 接著對濾波后的圖像進行顏色空間轉(zhuǎn)換; 然后基于原圖的Lab空間顏色像素計算算術(shù)平均像素值Iμ=[Lμ,aμ,bμ], 寬為w和高為h像素的圖像I輸出目標顯著圖的方法可以表示為

S(x,y)=‖Iμ-Iwhc(x,y)‖

(2)

式(2)中,S(x,y)為圖像中某點的顯著值,Iwhc(x,y)為該點原始圖像的高斯濾波處理得到的像素值向量。

(3) Histogram-based Contrast算法

Histogram-based Contrast算法[16]是一種基于區(qū)域?qū)Ρ榷鹊囊曈X顯著性區(qū)域檢測算法, 此種算法將全局對比度與空間相干性進行同等考量, 使用像素顏色的對比度定義顯著性值的大小, 計算得到目標顯著性圖。 先將輸入圖像進行空間轉(zhuǎn)換間, 由于該算法中相同的顏色具有相同的顯著值, 所以采用顏色統(tǒng)計直方圖對其進行歸類后再運算。

(3)

式(3)中,ci表示像素點(x,y)的顏色值,cj代表其中一種顏色的值,n不同像素顏色的數(shù)量,fj為顏色cj的概率。

(4) LC算法

Zhai等[17]提出人眼在觀看圖像時, 會被靜止圖像中特別的物體所吸引, 這叫做“空間注意”, 因為人眼視覺對色彩、 強度和紋理等信號的對比度感知非常靈敏。 LC算法以此為基本, 提出了一種利用圖像顏色統(tǒng)計信息計算空間目標顯著性圖的有效方法。 基于圖像顏色直方圖, 得出計算復(fù)雜度與圖像像素數(shù)成線性關(guān)系。 根據(jù)像素的顏色對比度輸出圖像的顯著性映射。 像素Ik的顯著性值的定義如式(4), 其中Ii的值在[0; 255]的范圍內(nèi), ‖*‖表示顏色距離度量。

(4)

由上述四種空間域目標視覺顯著性特征提取的方法處理第78波段圖像得到的結(jié)果圖S與其原灰度圖像Band78、 水體地物的地面真值(Ground-truth)參考, 效果對比如圖6。

圖6 不同目標顯著性方法效果對比

1.4.3 光譜域波段顯著性定義

引入目標視覺顯著性算法模型逐個波段進行地物目標的視覺顯著性特征增強處理之后, 提取到含有顯著目標圖像中能反映眾多地物目標的不同特征的顯著性特征波段。 遂進行基于圖像顯著性評價指標量化波段的目標顯著程度, 利用波段顯著性描述不同波段的目標可分離性。 一般來說, 圖像顯著性檢測包括注視點顯著性檢測和目標顯著性檢測兩種不同類型的評價方法。 前者主要是檢測人眼關(guān)注點的位置, 常用的評價指標有: ROC、 AUC、 shuffled AUC等指標, 后者檢測被人眼關(guān)注的目標區(qū)域, 常用的評價指標有: 平均絕對誤差(mean absolute error, MAE)和F度量值等(F-measure)等[18]。

選用計算波段圖像內(nèi)各類地物真值分別與目標顯著圖像的MAE量化所選波段內(nèi)各類地物的可分離程度。 先將目標顯著圖像和各類目標地物的地面真值分別二值化, 用式(5)進行計算。

(5)

接下來, 定義波段ik的波段顯著性為OS(ik)如式(6), 根據(jù)目標顯著性評價指標對所有波段進行所有分類地物C中互不相同的地物a和地物b顯著性對比度差異分析。 基于波段顯著性, 進行子空間內(nèi)降序排列, 從排序的結(jié)果挑選顯著性較好的波段, 使用分類器進行分類實驗。

(6)

1.4.4 波段選擇子集

在各子空間內(nèi)分別進行波段顯著性的降序排列, 提取各聚類子空間內(nèi)波段顯著性最高的波段, 即具有對地物判別能力強的波段組成結(jié)果子集用于地物分類, 并對分類精度進行評價, 篩選出適合應(yīng)用于分類識別的目標視覺顯著性算法。 并與常用的波段選擇算法比較, 驗證所提出方法的有效性。

在1.4.1節(jié)中劃分的5個高光譜圖像子空間內(nèi), 依據(jù)波段顯著性提取波段, 組合為波段選擇子集, 經(jīng)四種不同目標顯著性算法處理的高光譜波段選擇結(jié)果如表1。 其中, 在每個波段子空間內(nèi)提取一個波段, 組合結(jié)果中波段數(shù)目為5, 即最少波段選擇數(shù)量以用于地物分類進行實驗驗證。

表1 目標顯著波段選擇結(jié)果子集

各類地物在劃分好的五個子空間中的光譜特征曲線如圖7所示, 從圖中可以看出, 根據(jù)目標顯著性算法提出的波段選擇方法所得到的波段選擇子集, 在各個子空間中所選擇的波段中, 不同的地物的反射值差異明顯, 例如, 在第Ⅰ子空間中, 引入的目標顯著性算法所提取的波段集中在第59波段和第33波段, 在光譜反射值可見, 第59和33波段位置下, 各類地物反射差值較大, 并且曲線形狀呈現(xiàn)較陡變化, 說明此類位置的光譜反射值變化斜率大, 數(shù)值變化明顯。 同種情況也發(fā)生在其他波段空間內(nèi), 可為所選擇波段應(yīng)用于分類地物目標起到了判別作用, 具體判別情況如何可將選擇完畢的波段子集進行地物分類實驗, 驗證其分類性能。

圖7 地物光譜特征曲線

為更好地驗證提出的基于目標視覺顯著性波段選擇算法的實用性和有效性, 在選取波段子集中包含各子空間一個波段后, 進行選擇波段擴充, 分別在互斥的子空間中提取相同數(shù)量, 共10, 15, 20, 25個波段, 并在分類實驗中進行精度驗證, 從而對目標顯著性算法在高光譜數(shù)據(jù)波段提取領(lǐng)域進行更完備地驗證和說明。

2 結(jié)果與討論

根據(jù)不同目標顯著性算法所得到子集包含5個波段的數(shù)據(jù), 隨機選擇5%的樣本選擇執(zhí)行監(jiān)督訓練, 利用支持向量機(support vector machines, SVM)分類器和馬氏距離(Mahalanobis distance, MD)分類器中進行分類運算, 對應(yīng)算法的波段選擇子集分類結(jié)果如圖8所示。

圖8 基于SVM分類器分類結(jié)果(a), (b), (c), (d)和基于MD分類器分類結(jié)果(e), (f), (g), (h)

采取總體精度(overall accuracy, OA)和Kappa系數(shù)對分類結(jié)果進行評價, 如表2所示。

表2 各算法波段子集分類結(jié)果精度評價

同時, 經(jīng)波段擴充后的波段子集, 各類算法的分類結(jié)果精度評價如圖9和圖10所示。

圖9 各算法基于SVM分類器的總體分類精度(a)和Kappa系數(shù)(b)

圖10 各算法基于MD分類器的總體分類精度(a)和Kappa系數(shù)(b)

由上述圖表可知, 四種目標顯著性增強算法中, LC算法較其他算法在選擇少量波段進行圖像分類中具有相對穩(wěn)定杰出的表現(xiàn), 并且在子集選擇數(shù)量為10波段時的分類性能表現(xiàn)優(yōu)勢較為明顯。 體現(xiàn)出其在揭示不同波段中地物目標顯著性的獨特作用。 與其他幾種常見的波段選擇方法, 包括交叉信息法(mutual information, MI)[19]、 自動子空間劃分法(auto-subspace partition, ASP)[20], 自適應(yīng)波段選擇法(adaptive band selection, ABS)[21]分別選擇數(shù)量為10波段的子集進行對比, 結(jié)果子集如表3, 分類結(jié)果精度評價如表4。

表3 不同波段選擇方法的結(jié)果子集

表4 不同波段選擇方法分類結(jié)果精度評價

通過對比三種高光譜波段選擇算法所選擇的波段子集, 可以發(fā)現(xiàn), 通過MI算法選擇的波段結(jié)果子集, 由于該方法側(cè)重信息含量, 選取位置較為集中于波長較長的部分波段區(qū)間, ASP算法由于先將全波段劃分了若干子空間, 所選波段較為分散, 算法性能可在精度評價結(jié)果中體現(xiàn), ABS與ASP同時存在所選波段同本算法相比在區(qū)間內(nèi)的緊湊性較強, 可能會由于近鄰波段間相關(guān)性較強, 造成選擇信息重復(fù)和整體信息確實的情況。

相對于其他三種常用波段選擇算法, 引入的基于LC目標顯著性算法的波段選擇方法, 在SVM分類器中較其他常用的波段選擇算法表現(xiàn)出了最佳的總體精度87.780 0%和Kappa系數(shù)0.805 3, 在MD分類器中僅次于同樣采用子空間劃分的ASP方法, 實驗驗證了本算法在實際應(yīng)用中的有效性, 并且同全波段圖像處理相比, 冗余信息減少, 使計算數(shù)據(jù)量得到大幅降低, 運算時間顯著減少, 具有實際應(yīng)用價值。

3 結(jié) 論

提出了一種基于目標顯著性的波段選擇方法用于高光譜數(shù)據(jù)降維和地物分類。 將目標顯著性增強算法與顯著程度評價指標相結(jié)合, 將逐個波段圖像使用目標增強處理得到的顯著性圖, 計算其分類地物差量的波段顯著性。 然后結(jié)合波段相關(guān)性聚類劃分子空間, 在子空間內(nèi)排序得到地物目標可分離程度大的目標顯著性波段, 組成波段選擇子集代入分類器進行圖像分類處理, 并對得到的分類結(jié)果進行精度評價。 結(jié)果表明, 本文所提出的波段選擇算法對于分類地物在分類精度、 分類速度均具有較為優(yōu)異的表現(xiàn), 其中基于目標視覺顯著性提取的LC算法在所選波段的分類精度表現(xiàn)最好, 在與其他常用波段選擇算法的對比中也具有相當優(yōu)勢。 本研究重點在于引入目標顯著性算法處理波段并選擇地物分離性強的波段, 并沒有把目標顯著性圖像的背景抑制與突出目標邊緣的優(yōu)勢運用到圖像分類中, 計劃下一步進行顯著圖與顯著波段的融合, 進一步提高發(fā)現(xiàn)地物目標的準確率和速度。