高光譜空譜一體化圖像分類研究

高曉健，郭寶峰，于 平

高光譜空譜一體化圖像分類研究

高曉健1，郭寶峰1，于 平2

（1.杭州電子科技大學信息與控制研究所，浙江杭州310018；2.中國科學院長春光學精密機械與物理研究所，吉林長春130000）

高光譜圖像分類是遙感圖像處理技術中的一個熱點，提高分類精度是目前一個重要研究方向。常規的高光譜圖像分類技術主要關注于如何更好地利用光譜空間的分類信息，往往忽視圖像空間域信息。本文提出了一種基于空譜一體化處理的高光譜圖像分類方法，在利用數據進行自身光譜特征分類的同時采用區域生長法和二值形態學法相結合的空間域有效信息對光譜分類結果進行補充。實驗證明本方法能提高高光譜圖像分類精度。

圖像處理；高光譜分類；空譜一體化；空間信息

1 引 言

隨著對地觀測技術的發展，光譜遙感技術成為人們獲取地表信息的重要手段。高光譜遙感作為一種新型的遙感方式，在軍用和民用領域都發揮著極其重要的作用［1］。高光譜圖像分類是高光譜信息處理的重要方向，其中高精度的分類算法是實現各種應用的一個重要前提。

然而，高光譜圖像以其高分辨率、多波段數、大數據量的特點［2］給傳統圖像分類技術帶來了巨大的挑戰。傳統的分類方法不管是最大似然分類法、決策樹分類法還是人工神經網絡方法、支持向量機方法都僅僅從光譜域層面對地物特征進行分類識別。然而，高光譜遙感數據不僅包含有豐富的地物光譜信息，而且在圖像空間維、光譜維兩個不同的維度都會對地物特征有具體的描述和表達［3］。傳統的高光譜圖像分類方法，往往只著重于數據光譜維上的特性，而忽視了空間維的信息。作為光譜維分析的補充，通過對圖像空間維的分析，可以獲得大量隱含的、豐富的、對地物識別與處理相當有用的信息［4］。

空譜一體化的技術就是將空間信息引入到高光譜分類中，在光譜域分類結果的基礎上，對圖像像素鄰域進行決策，以期對分類結果進行修正。本文采用了通過區域生長法、二值形態學法兩種策略對譜域分類結果進行修正，仿真實驗證明了本文方法能夠提高地物分類的精度。

2 空譜一體化方法

首先通過對高光譜數據的譜域信息分析，采用SVM的分類方法，得到分類結果矩陣。之后，在結果矩陣的基礎上應用空間領域法則，得到修正后的結果。在空間維，對若干光譜波段進行灰度圖成像，應用不同的邊緣檢測算法，得到目標區域的邊緣輪廓信息。結合譜域結果，分別采用區域生長和二值形態學法對結果進行修正，得到最終的分類結果。

在區域生長法下，譜域分類目標結果點被視為種子區域，目標區域的邊緣信息視為區域生長的邊界，用以防止過度生長，限制條件為區域生長的總像素點不能超過目標種子群的兩倍。

在二值形態學法下，譜域分類結果點和目標邊界輪廓區域被視為目標點。按實際情況對目標點區域進行適當的二值形態學運算操作，填補圖像孔洞，平滑圖像邊界。

空譜一體化的流程如圖1所示。

圖1 空譜一體化流程Fig.1 Flow chart of spatial-spectral integration

3 區域生長法

3.1 區域生長原理

區域生長法，顧名思義就是一種基于某個確定的準則將像素或者種子連接成區域的方法［5］。首先，必須在待分割的區域中選定一個種子點或種子區域作為此區域生長的起點，之后對種子周圍符合事先設計好的某個生長準則的點劃歸到此區域中。繼而將新生長出來的點作為種子點，重新在其鄰域探索符合生長規則的點，直到沒有新的鄰點滿足生長規則時區域生長停止。

一般地，應用區域生長法需要考慮以下三個問題［6］。

（1）選擇能夠代表區域特性的一個種子點或一組種子區域。在空譜一體化應用中，首先有對基于光譜信息的分類結果，故而可以選取每種目標的分類結果的像素點作為種子集。

（2）確定相應的區域生長準則。由于基于先驗知識，知道目標點具有聚集特性。對種子點周圍的四鄰域內，進行搜索，檢測是否有未分類的像素點（即非目標像素點）。若有則對該點做生長操作，判定其為種子點的模式類別。

（3）設置區域生長終止條件和限制條件。有目標點聚集特性的先驗知識，可以通過對空間域圖像的邊緣檢測確定目標的大致輪廓，從而可以確定區域生長的邊界。區域生長的終止條件即為生長區域達到邊界，不再通過四鄰域搜索形成新增長種子點。為了防止過度生長，限制條件為區域生長的總像素點不能超過目標種子群的兩倍。

3.2 邊緣檢測

區域生長法的關鍵是生長準則和停止準則的確定。這里就是要確定目標邊緣的問題。邊緣檢測可以獲得圖像中灰度值發生突變的那些像素，其主要目的就是通過某種算法提取圖像中的目標與背景、目標與目標之間的交界線［7］。所謂交界線就是圖像灰度值不連續的部分，在圖像空間中表現為灰度值產生劇烈變化的區域邊界。下面介紹在本方法中應用到的邊緣檢測算子。

（1）LoG算子

Marr和Hildreth在1980年提出了一種將高斯濾波和Laplacian算子邊緣檢測結合的方法，稱為LoG（Laplacian of Gaussian）算法［8］，具體實現方法分為幾步：首先對圖像f（x，y）采用高斯濾波函數進行濾波操作，然后采用Laplacian算子依據二階導數過零點來檢測邊緣。典型的LoG算子的卷積模板形式為：

LOG算子相比Laplacian算子有更高的邊界定位精度，對于圖像噪聲有較強的適應能力。

（2）Canny算子

Canny邊緣檢測的具體實現方法分為幾步：首先對圖像f（x，y）采用高斯濾波函數進行濾波操作。然后，對梯度幅值進行非極大值抑制，確定候選邊緣點。其具體做法為尋找圖像梯度中的局部極大值點，并且設置非局部極大值點為零，從而使得圖像邊緣得到細化。最后，采用雙閾值處理，首先設定高閾值T1和低閾值T2（一般取T1＝0.4T2），然后掃描圖像。若圖像中的點（i，j）的梯度幅值大于高閾值，則該點為邊緣點。若圖像中的點（i，j）的梯度幅值小于低閾值，則該點為一定不為邊緣點。若點（i，j）的梯度幅值在兩閾值之間，則要視其鄰接像素中是否有邊緣點，若有則將其劃歸為邊緣點。

邊緣檢測的方法一般是通過邊緣檢測算子實現的。為了提高邊緣檢測的有效性，采用多種邊緣檢測方法，可以實現邊緣檢測的互補。

4 二值形態學法

由于基于光譜信息的檢測結果并不非常理想，通過對目標輪廓的邊緣提取，采用對檢測結果和目標邊緣互補的形式，借助形態學的方法結合空間信息來優化最終的分類檢測精度。

形態學最基本的研究對象就是二值圖像，稱為二值形態學。圖像二值化后像素1的點即為前景目標，像素0的點為背景，通過利用被稱之為結構元素的探針在圖像內不斷平移，考察探針與圖像周圍的相互關系，對圖像信息進行交、并、差等基本集合運算，從而實現對圖像的形態學處理。最常見的二值形態學運算方法包括了二值膨脹、二值腐蝕、開運算、閉運算。

（1）膨脹運算

膨脹就是在二值圖像處理中使得對象“加長”或者“變粗”的操作。膨脹通過集合的形式定義，若A和B是Z2中的集合，那么A被B膨脹可定義為：

上式可等價為：

其中，A稱為輸入圖像；B稱為結構元素。膨脹實際上是通過輸入圖像的所有點通過對結構元素的平移z，然后將所標記的點取并集得到的。

膨脹是對二值圖像的目標邊界點進行擴充，具有填補圖像目標中大于結構元素的空洞的作用。

（2）腐蝕運算

腐蝕運算是對二值圖像的目標邊界點的進行收縮或細化，具有去除小于結構元素的目標的作用。

若A和B是Z2中的集合，那么B對A進行腐蝕的定義為：

上式表征了開運算可以通過計算所以能夠填入圖像內部的結構元素平移的并集來求得。

開運算作用于圖像能夠過濾那些無法包含結構元素的對象區域，可以很好地平滑圖像的輪廓，切斷細長的連接起到分離作用。

（4）閉運算

閉運算是開運算的對偶運算。若集合A為輸入圖像，集合B為結構元素，那么結構元素對集合A的閉運算操作定義為

B對A進行閉運算的實質就是結構元素B對圖像集合A先作膨脹運算，然后對結果進行腐蝕運算。形態學閉運算實現對圖像外表進行濾波處理，能夠抹除圖像的尖角，改善圖像中存在的細長彎角，除去原圖像中的小孔洞。

5 實驗與分析

（1）數據概述

實驗數據由中國科學院長春光學精密機械與物

其中，“Θ”是數學形態學的腐蝕算子；A為輸入圖像；B為結構元素。在二維空間下，z為某向量，集合B平移z得到（B）z。腐蝕的理解就是將結構元素平移某個向量后仍包含在輸入圖像空間中的所有點的集合。

（3）開運算

若集合A為輸入圖像，集合B為結構元素，那么結構元素對集合A的開運算操作定義為：

可見，膨脹腐蝕運算的組合運算構成了開運算。集合的結構元素B對圖像集合A先作一次腐蝕，然后對結果作一次膨脹。開運算另外一種等價表達形式為：理研究所提供，由可見近紅外和短波紅外兩個波段組成。其中的可見近紅外區域共80個波段，空間大小為226×500像素。圖2所示的是第55波段的灰度圖。

圖2 數據第55波段灰度圖Fig.2 gray level image of the 55th band

通過灰度圖，可以觀察到在兩個通道高光譜圖像中，遙感數據地物包括了以大量植被（林木和莊稼地）為背景下的一輛廂式貨車、兩輛半掛車和多個靶標（不同材質且覆有不同涂料）。實驗中，靶標為目標區域。為了便于后期處理，將半掛車上的5個靶標，自左向右依次標記為靶標1至靶標5，莊稼地上的矩形靶標自左向右依次標記為靶標6至靶標10。

本次試驗還提供了8組（每組200個樣本點）不同目標的室內光譜響應曲線，記為sig1到sig8。

（2）空域分類

實驗目的為以8組室內光譜指紋（sig1-sig8）作為目標先驗信息，從外場實測高光譜圖像數據中，檢測出與光譜指紋相近的8組目標。

采用基于支持向量機的分類方法，8組光譜指紋為SVM的目標訓練數據，分別設為模式1至模式8；數據集按2%的比例選取背景訓練點，背景點設為訓練模式9。選取高斯徑向基函數為支持向量機核函數，以網格搜索法為參數尋優方法，各模式類兩兩訓練得到36組二分類器。根據投票法則，每個點得票最多的模式類作為該點的最終預測類別。全部預測結果如圖3所示，sig2-sig7為非目標點，sig1為目標1的點，sig8為目標2的點。

（3）空域邊緣檢測

對高光譜數據中各個波段做灰度成像，選擇目標點清晰、亮度合適的波段（第12波段與第49波段），由于單波段灰度圖無法確定目標輪廓，實驗采取了兩個波段目標輪廓圖疊加的方法。應用不同的邊緣檢測算子對其進行邊緣檢測（第12波段采用Canny算子、第49波段采用LoG算子），得到目標1、目標2區域邊緣的輪廓結果圖。同時根據先驗知識，知道目標區域存在于靶標上成塊狀聚集分布，所以確定了如圖4區域的目標邊緣圖。

圖3 檢測到的為sig1至sig8同一物質的像素點（白色部分）Fig.3 detected results taken sig1 to sig8 as target signature（white region）

圖4 目標邊緣區域Fig.4 target edge

（4）區域生長法修正

確定相應的區域生長準則。由于基于先驗知識，知道目標點具有聚集特性。對種子點周圍的四鄰域內，進行搜索，檢測是否有未分類的像素點（即非目標像素點）。若有則對該點做生長操作，判定其為種子點的模式類別。分類修正結果如圖5所示。

圖5 區域生長法結果

Fig.5 results of the region growingmethod

（5）二值形態學法修正

將空域目標邊緣信息與譜域基于光譜指紋的檢測結果相結合，對兩者的結果矩陣做或運算。選擇結構元素ones（3）對結合矩陣做組合的腐蝕膨脹運算，按照如下次序進行形態學操作：

Step 1：膨脹運算1次；

Step 2：閉運算1次；

Step 3：腐蝕運算1次；

Step 4：開運算1次。

分類修正結果如圖6所示。

圖6 二值形態學法結果Fig.6 results of the binarymorphologymethod

（6）結果與分析

譜域分類結果以及通過區域生長法和形態學法對譜域分類結果進行修正后的分類結果統計如表1所示。

表1 各方法目標檢出率（%）Tab.1 target detection rateswith differentmethods

譜域分類結果顯示，對于目標1的分類精度只有23.44%，對于目標2的分類精度只有30.17%。結合空域信息，進行優化修正，采用區域生長法時，目標1的檢測精度達到了83.68%，目標2的檢測精度達到了96.31%，分別比譜域分類結果提高了60.24%和66.14%，同時誤分類并沒有顯著提高。而當采用二值形態學優化方法時，目標1的檢測精度達到了64.34%，目標2的檢測精度達到了48.79%，分別比譜域分類結果提高了40.87%和18.62%，同時虛警率并沒有顯著提高。

實驗證明了結合空域信息與譜域信息的一體化的高光譜分類技術有利于對傳統光譜分類方法的精度的提升。

6 結 論

本文針對傳統高光譜圖像分類技術僅僅局限于光譜域信息的特點，提出了基于空譜一體化的分類技術。通過對數據本身光譜特征分類的同時，采用空間領域法、區域生長法和二值形態學法結合空間域的有效信息對光譜分類結果進行補充，實驗結果表明，識別分類精度都得到了顯著的提升，顯示了空譜一體化處理比傳統的譜域處理有更好的分類性能。

［1］ Lin Ying，Xu Weiming，Yuan Liyin，et al.Signal component analysis and process for thermal infrared hyperspectral system［J］.Laser＆Infrared，2010，40（12）：1324－1329.（in Chinese）林穎，徐衛明，袁立銀，等.熱紅外高光譜系統信號成分分析及處理［J］.激光與紅外，2010，40（12）：1324－1329.

［2］ JM Bioucas-Dias，JM PNascimento.Hyperspectral subspace identification［J］.Geoscience and Remote Sensing，2008，46（8）：2435－2445.

［3］ Peng Yanying，Sun Xudong，Liu Yande.Research progress of hyperspectral imaging in nondestructive detection of fruits and vegetables quality［J］.Laser＆Infrared，2010，40（6）：586－592.（in Chinese）彭彥穎，孫旭東，劉燕德.果蔬品質高光譜成像無損檢測研究進展［J］.激光與紅外，2010，40（6）：586－592.

［4］ F Dell’Acqua，PGamba，A Ferrari，et al.Exploiting spectral and spatial information in hyperspectral urban data with high resolution［J］.Geoscience and Remote Sensing Letters，2004，1（4）：322－326.

［5］ Fang Fang.Advanced natural color image segmentation based on region growing and clustering algorithm［D］. Yanshan University，2006.（in Chinese）方芳.基于區域生長與聚類的彩色圖像分割方法的改進［D］.秦皇島：燕山大學，2006.

［6］ Fu Yingjie.Hippocampal contour extraction based on region growing and level set and three dimensional reconstruction［J］.Southwest Jiaotong University，2012.（in Chinese）付英杰.結合區域生長和水平集的海馬輪廓提取和三維重建［D］.成都：西南交通大學，2009.

［7］ Lin Yuchi，Cui Yanping，Huangyinguo.Study on edge detection and target recognition in complex background［J］. Optics and Precision Engineering，2006，14（3）：509－514.（in Chinese）林玉池，崔彥平，黃銀國.復雜背景下邊緣提取與目標識別方法研究［J］.光學精密工程，2006，14（3）：509－514.

［8］ Xi Jing，Zhang Jizhong.Edge detection from remote sensing images based on canny operator and hough transform［C］.International Conference on Remote Sensing，2010：272－274.

Classification of hyperspectral remote sensing image based on spatial-spectral integration

GAO Xiao-jian1，GUO Bao-feng1，YU Ping2
（1.Institute of Information and Control Technology，Hangzhou Dianzi University，Hangzhou 310018，China；2.Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，Changchun 130000，China）

Hyperspectral image classification is an important research area in remote sensing data processing，and extensive research has been carried out to obtain higher classification accuracy.The traditional hyperspectral image classification techniques usually concentrate on the information drawn from the spectral domain，while the information of spatial domain is ignored.In this paper，a hyperspectral classification method based on the combination of spectral and spatial information is proposed.Spatial domainmethods，such as the region growingmethod and the binarymorphologymethod，are applied to complement the classification result from the spectral domain information.Experimental results based on a hyperspectral data set show that the proposed method has the capability to increase the classification accuracy.

image processing；hyperspectral remote sensing classification；spatial-spectral integration；spatial information

TP751.1

A

10.3969／j.issn.1001-5078.2013.11.21

1001-5078（2013）11-1296-05

國防基礎科研計劃（No.B3920110001）資助。

高曉健（1987－），男，碩士研究生，研究方向為圖像處理與目標識別。E-mail：gao－xiaojian＠foxmail.com

2013-01-23；

2013-04-11