基于二维奇异谱特征提取的高光谱影像同质划分.pdf
《基于二维奇异谱特征提取的高光谱影像同质划分.pdf》由会员分享,可在线阅读,更多相关《基于二维奇异谱特征提取的高光谱影像同质划分.pdf(11页珍藏版)》请在咨信网上搜索。
1、高光谱影像数据具有维度高、信息冗余等特征,传统的特征提取方法通常使用了固定窗格提取高光谱影像的空间特征,忽略了地物之间的空间关系,对地物空间信息利用不充分。对此,文章提出了融合超像素算法的二维奇异谱分析方法,通过超像素划分并提取同质区域,经过二维奇异谱分析,从每个波段中提取空间结构信息,增强本类别的特征信息,同时减少类间差异性与噪声带来的影响。对所提取的空间特征,结合粒子优化算法提取高光谱影像最佳波段组合。实验结果表明,在 Indian Pines 与 Salinas 数据影像数据集中,使用同样的支持向量机分类器,文章所提出特征提取方法实现的分类精度相比于原始数据分别提升了 15.99%与 3
2、.7%,相比于 2DSSA 提升了 3.12%与 0.91%。改进的奇异谱分析方法,可以充分利用同质区域的局部一致性,从而提高数据处理的性能,减少了影像中的冗余信息和噪声。关键词 高光谱 超像素 同质区域 特征提取 二维奇异光谱分析 遥感数据处理 中图分类号:P237 文献标志码:A 文章编号:1009-8518(2023)03-0097-11 DOI:10.3969/j.issn.1009-8518.2023.03.011 Homogeneous Area of the Hyperspectral Image Based on Two-Dimensional Singular Spectru
3、m Feature Extraction YAN Yunbin1 HOU Boyang2 ZOU Jingyan3 LI Xin1 SHI Zhicheng1 CUI Bolun1 HUANG Xun1 LIAN Minlong1 ZHU Jun4(1 Beijing Institute of Space Mechanics&Electricity,Beijing 100094,China)(2 Beijing Information Science&Technology University,School of Instrumentation Science and Opto
4、-Electronic Engineering,Beijing 100101,China)(3 Space Star Technology Co.,Ltd.,Beijing 100083,China)(4 DFH Satellite Co.,Ltd.,Beijing 100094,China)Abstract Hyperspectral image data has the characteristics of high dimension,information redundancy,etc.Traditional feature extraction methods usually use
5、 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 98 航 天 返 回 与 遥 感 2023 年第 44 卷 su
6、perpixel 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 d
7、ifferences 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
8、 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 p
9、erformance of data processing and reducing the redundant information and noise in the image.Keywords hyperspectral image classification;super pixels;homogeneous area;feature extraction;two-dimensional spectrum analysis;remote sensing data processing 0 引言 高光谱影像(Hyperspectral Image,HSI)数据由成百上千个波段组成,含有
10、丰富的空间和光谱信息,可用于精确识别物体种类1。近年来,HSI 在林业资源检测2、环境保护3、农业产量估计4等领域得到了广泛应用。但是由于维度灾难与休斯(Hughes)现象、信息冗余、混合像元等先天性问题5给 HSI 信息处理带来了一定的困难。因此,对 HSI 有效信息的提取与挖掘尤为重要6。为解决这些问题,国内外学者在高光谱数据特征提取方面进行了大量的研究,并提出了一系列的方法。例如,基于空间域的特征提取方法包括局部二值模式7、灰度共生矩阵8和 Gabor 滤波9等。该类方法通过提取影像数据的颜色、纹理、形状等空间特征来提高不同地物的辨别能力。基于投影理论的特征提取方法应用也十分广泛,其中可
11、分为无监督和有监督的特征提取。典型的无监督特征提取方法包括主成分分析10、最小噪声分离变换11等。有监督特征提取包括线性判别分析12、广义判别分析13等。此类算法主要是通过减少信息冗余,增大类间差异来提高分类精度。随着近些年深度学习技术的快速发展,基于深度学习的特征提取方法如卷积神经网络14-16、自编码器17已经成功应用于 HSI 分析,这些方法可以从数据中自动学习和提取特征,在高光谱数据分类中取得了良好的效果。但深度学习所需的算力成本较高,中间过程黑箱,且泛化能力一般。因此,研究小算力开销、数学机理清晰明了的算法来实现具有较强泛化能力的 HSI 高精度分类算法,仍具有重要意义。在计算资源有
12、限的情况下能够高效地处理大规模的高光谱数据,适用于实际应用中计算资源有限的平台,如无人机、嵌入式设备等。此外,对高光谱数据进行分析往往需要可解释性高光谱特征,这对于遥感图像处理领域来说尤其重要。因为高光谱数据通常具有较高的维度和复杂性,需要深入理解数据特征和算法机理,以获得可靠的分类结果。奇异谱分析就是其中一类具有优异特征提取性能的方法。2015年,ZABLZA 等18提出了二维奇异谱分析方法(Two-Dimensional Singular Spectrum Analysis,2DSSA)并成功应用于 HSI 分类中。该方法将单个波段图像分解为不同的成分,包括主要成分及纹理与噪声,通过组合部
13、分成分构建空间特征图,取得了一定效果。但是 2DSSA 在工作时只能处理小邻域窗口内的空间关系,无法充分提取全局的特征空间信息。因此,本文提出了一种超像素二维奇异谱分析方法(Superpixel 2DSSA,SP-2DSSA)提取其空间特征,摒弃传统规则窗口的同时利用光谱相似性构建二维嵌入式窗口,充分考虑了其图像的空间结构与波段之间的关系,加强了同类之间的相似性与不同类别之间差异性;利用粒子群优化算法(Particle Swarm Optimization,PSO)筛选出能够充分表达 HSI 特征的波段组合,进一步加强地物样本的可分性。第 3 期 闫赟彬 等:基于二维奇异谱特征提取的高光谱影像
14、同质划分 99 1 算法原理 本文提出的 SP-2DSSA 算法流程主要包括以下三个步骤:1)首先,提取原始的 HSI 数据彩色图像,并使用简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)对其进行超像素分割用于划分出同质区域;2)在同质区域中对每一个样本选取一定数量与其距离最近的样本,构建二维嵌入窗口,2DSSA 增强其空间特征;3)最后,通过 PSO 来筛选出 K 个波段,分别为 Band1,Band2,BandK,并使用支持向量机(Support Vector Machines,SVM)来对样本进行分类。SP-2DSSA 算法流程如图 1
15、所示。图 1 SP-2DSSA 算法流程 Fig.1 Flow diagram of the SP-2DSSA algorithm 1.1 基于 SLIC 的同质划分 超像素是由一系列位置相邻且颜色、亮度和纹理等特征相似的像素点组成的小区域19。基于该思想,将 HSI 分割的超像素块看作同质区域。其中,SLIC 与其它超像素分割算法相比,具有较好分割性能,在图像处理方面得到了广泛的使用。SLIC 算法是基于 CIELAB 的彩色空间来计算颜色特征的相似度。对于一张波段图像,期望超像素分割个数为 M。本算法通过提取原始的 HSI 数据的彩色图像作为 SLIC 算法的输入图像。具体的同质划分步骤2
16、0为:1)首 先 将 图 像 划 分 为 均 匀 大 小 的 矩 形 网 格,矩 形 中 心 作 为 M 个 初 始 化 聚 类 种 子T,1,2,mmmmmmbMlmaxy=,C,其中ml,ma,mb分别代表mC的 CIELAB 颜色空间的亮度、从绿色到红色的分量、从蓝色到黄色的分量,(mx,my)是mC在图像中的坐标。2)将聚类中心移动至mC邻域内梯度最小位置处。在聚类中心mC的一定区域内,寻找其同类地物,并将划分至该聚类中心所代表的同质区域。3)计算出同质区域内的像素均值中心,作为新的聚类中心,经过多次迭代直至满足停止迭代条件。整个图像被分成一定数量的同质区域。100 航 天 返 回 与
17、 遥 感 2023 年第 44 卷 1.2 SP-2DSSA 特征提取 每一个超像素中为同类地物的可能较大,后续 2DSSA 可构建具有低秩特性的轨迹矩阵,进而最大程度地去除噪声与干扰,保留其主要空间特征。为了尽可能地提取出原始的 HSI 数据每个波段的特征信息,SP-2DSSA 与传统的 2DSSA 主要区别在于构建二维嵌入窗口时不同。传统的 2DSSA 使用规则的滑动窗口,未充分考虑地物之间的空间关系;而 SP-2DSSA 则根据同质区域的空间结构自适应构建滑动窗口。SP-2DSSA 方法主要包括二维窗口自适应嵌入、奇异值分解(Singular Value Decomposition,SV
18、D)、分组与重投影,具体操作流程如下:1)SP-2DSSA 构建轨迹矩阵过程为:首先假设原始的 HSI 数据行数、列数、波段数分别为W、H、B。在每个波段图像,1,2,bbB=X中,对每个样本,在其所在的同质区域内(其所在的超像素块),选取该样本及其近邻样本共S个,记录这些样本的坐标值。如图2中,红色为图像中某一像素,有色区域为其所在同质区,蓝色为该同质区域距离最近的样本。同时将重新排列构造的向量1,2,S,T(,)iiippp=iP并排列组成轨迹矩阵A。()1,11,21,2,12,22,12S,1S,2,WHWHSWHWHppppppppp=A=P PP(1)其中轨迹矩阵A大小为SWH。每
19、个波段图像均可构建相应的轨迹矩阵,其中,轨迹矩阵中包含有图像的全局和局部空间信息,以增强特征表达能力。(a)同质区域(a)Homogeneous area(b)轨迹矩阵(b)Trajectory matrix 图 2 二维嵌入窗口构建示意 Fig.2 Two-dimensional embedded window construction diagram 2)计算矩阵TAA的特征值,1,2,iiS=,其中10ii,对应的特征向量为iU。i为轨迹矩阵A的奇异值;向量iU,iV分别为奇异值对应的左奇异向量与右奇异向量21。其中,iV定义为 Tiii=A UV(2)则矩阵iA定义为 Tiiii=AU
20、 V(3)对于轨迹矩阵A,根据奇异值分解可表示为 1Sii=A=A(4)不同的iA代表着原始图像不同成分,最大奇异值所对应的成分1A保留了图像的大部分信息,其余成分分别代表图像的纹理与噪声。进而,需要对iA进行分组,选出其中最佳组合作为近似值代表原始图像,第 3 期 闫赟彬 等:基于二维奇异谱特征提取的高光谱影像同质划分 101 目的是丢弃其噪声成分与无用成分并保留有效信息。在经过上述操作,仅选取最大奇异值所对应的成分即可满足后续需求,本算法选择1A以提高算法效率。3)在之前步骤中,记录矩阵A每一个元素对应像素的坐标值。计算A中来自同一像素的平均值并重新投影至其在图像中的位置。1.3 波段选择
21、 SP-2DSSA对HSI的每个波段图像均进行了特征提取,但是对于地物分类来讲,数据维度过高问题仍然存在。本文采用类别的可分性22构建智能优化算法的适应度函数筛选出最佳波段组合23,从而达到数据降维的目的,其中粒子群优化算法收敛速度较快,所以本文使用该算法进行波段选择。在确定波段数的情况下,将Jeffries-Matusita24距离作为样本之间可辨别性的判断依据。2(1e)ijDijJ=(5)式中 ijD为Bhattacharya距离,可表示为 T11211()()ln2()82(|)2ijijijijijijD+=+(6)式中 i,j分别代表HSI数据第i类与第j类样本均值;i,j代表两类
22、别的协方差矩阵。HSI数据中含有n种地物类别,则通过式(7)来构建适应度函数F 11nnijjiiFJ=+=(7)J距离值越大,代表类别可分度越高;距离越小,类别越难以区分。2 实验设置 采用美国喷气实验室提供的Indian Pines数据集与Salinas 数据集25开展SP-2DSSA算法的有效性验证。Indian Pines数据集包含145145个像素以及224个波段,去除损坏波段及受水汽影响较大的波段后保留有200个波段,除背景外共含有16种地物类型用于分类研究。图3展示了Indian Pines数据所提取的彩色图像及样本分布图像。(a)彩色图像(a)Color image(b)地面真
23、值图(b)Ground truth 图 3 Indian Pines 数据 Fig.3 Indian Pines data 102 航 天 返 回 与 遥 感 2023 年第 44 卷 Salinas数据集与Indian Pines数据集为同一探测器提供,其中包含512217个像素,去除损坏波段及受水汽影响较大的波段后保留有204个波段。该数据集一共包含16种不同的地物类别参与分类研究。图4为Salinas提取的彩色图与样本分类图。(a)彩色图像(a)Color image(b)地面真值图(b)Ground truth 图 4 Salinas 数据 Fig.4 Salinas data 最后与
24、2DSSA算法比较,用于验证本文所提出算法的有效性。为公平起见,算法统一使用相同的训练集与测试集。将按照类别比例随机抽取20%的样本作为训练数据集,剩余样本用于测试集。对于分类器,采用SVM来完成对高光谱数据的分类,其中SVM核函数为高斯核函数,惩罚系数设置为10 000。此外,采用每类精度、平均精度(Average Accuracy,AA)、整体精度(Overall Accuracy,OA)、Kappa系数用于定量评估不同方法的性能。3 结果分析 为客观地评价SP-2DSSA方法的性能,在实验中将2DSSA与SP-2DSSA嵌入窗口中的像素数保持一致,在2DSSA中使用的滑动窗口为55,SP
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 二维 奇异 特征 提取 光谱 影像 同质 划分
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。