聯(lián)合紋理和光譜特征的高光譜圖像分類方法

余 健

（韓山師范學(xué)院計(jì)算機(jī)與信息工程學(xué)院，廣東潮州 521041）

1 引 言

高光譜遙感技術(shù)通過成像光譜儀能夠獲取地物幾十至上百個(gè)電磁波段的光譜信息，形成“圖譜合一”的高光譜圖像數(shù)據(jù)．高光譜圖像數(shù)據(jù)是二維空間和一維光譜構(gòu)成的圖像立方體，在圖像空間中每個(gè)波段是一幅二維圖像，而在光譜空間中每個(gè)像素（也稱為像元）則反映為一條連續(xù)光譜響應(yīng)曲線，不同的物質(zhì)在高光譜圖像中表現(xiàn)為不同的輻射強(qiáng)度．

高光譜遙感圖像具有較高的空間平面分辨率以及豐富的地物光譜信息，從而使高精度的地物分類和目標(biāo)識(shí)別成為可能．但由于高光譜數(shù)據(jù)的波段數(shù)目較多，部分波段存在較強(qiáng)的相關(guān)性以及冗余信息，抑制了地物分類的性能，甚至產(chǎn)生“維數(shù)災(zāi)難（Huges）”現(xiàn)象[1]．

傳統(tǒng)的高光譜遙感圖像分類只考慮光譜特征信息，而沒有充分利用其空間特征信息，導(dǎo)致分類的準(zhǔn)確率不高．越來越多的學(xué)者將空間信息融入到高光譜圖像的分類中，以提高分類器性能．Li Jun等[2]使用馬爾科夫隨機(jī)場分割的結(jié)果作為多類logistic回歸分類器的貝葉斯先驗(yàn)，從而將空間信息和基于光譜分類特征的分類器結(jié)合起來．He Zhi、Wang Qiang和Shen Yi等[3]利用經(jīng)驗(yàn)?zāi)B(tài)分解和形態(tài)學(xué)小波變換得到光譜和空間特征，基于多任務(wù)稀疏學(xué)習(xí)方法對空譜域特征進(jìn)行同時(shí)分類，達(dá)到了較高的分類準(zhǔn)確率．Zhang等[4]采用了圖像分割和主動(dòng)學(xué)習(xí)方法來提升高光譜圖像分類性能，取得了不錯(cuò)成果．Chen等[5]則采用了旋轉(zhuǎn)森林和多尺度圖像分割法取得了較高的分類準(zhǔn)確率．一些學(xué)者[6-11]將空間特征和光譜特征相結(jié)合提出了多種高光譜圖像分類方法，也取得較好效果．

本文通過主成分分析（PCA）算法對高光譜圖像進(jìn)行降維處理，選取主成分最大的一個(gè)波段，使用灰度共生矩陣提取其像元空間鄰域紋理特征信息，從中選取貢獻(xiàn)最大的6個(gè)特征，并采用4個(gè)不同方向表示，獲取了24維紋理特征向量，聯(lián)合其光譜特征信息，進(jìn)行地物分類．

2 紋理和光譜特征提取

高光譜遙感圖像具有幾十到上百個(gè)波段，波段間存在較大冗余．如果采用所有波段的平面圖像參與分類，則會(huì)出現(xiàn)維數(shù)災(zāi)難現(xiàn)象．因此，需要先采用主成分分析（PCA）方法對高光譜遙感圖像進(jìn)行降維處理，再分類．本文只選擇高光譜遙感圖像PCA降維后，主成分最大的那個(gè)波段的二維圖像，作為最能夠代表圖像空間平面維變化的一個(gè)二維平面表征，聯(lián)合其光譜信息來抑制高光譜圖像分類中的“同譜異物”現(xiàn)象，提高分類的準(zhǔn)確率．

基于灰度共生矩陣的紋理特征提取方法是紋理分析中常用的方法，該方法的實(shí)現(xiàn)原理是圖像灰度元素之間的空間相關(guān)性，通過計(jì)算圖像中存在一定相對位置關(guān)系（一定方向上，相距一定距離）的某兩個(gè)像素之間的灰度相關(guān)性，建立起圖像的一個(gè)灰度共生矩陣，并從這個(gè)矩陣中統(tǒng)計(jì)所需要的特征量來進(jìn)行圖像紋理特征分析．

2.1 灰度共生矩陣

一幅圖像的灰度共生矩陣能反映出圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息，它是分析圖像的局部模式和它們排列規(guī)則的基礎(chǔ)[12]．

設(shè)f(x,y)為一幅二維數(shù)字圖象，其大小為M×N，灰度級別為Ng，則滿足一定空間關(guān)系的灰度共生矩陣為

其中#(x)表示集合x中的元素個(gè)數(shù)，顯然P為Ng×Ng的矩陣，若(x1,y1)與(x2,y2)間距離為d，兩者與坐標(biāo)橫軸的夾角為θ，則可以得到各種間距及角度的灰度共生矩陣P(i,j,d,θ)．

對距離為d，水平方向（即θ=0）的灰度共生矩陣計(jì)算公式為

同理可得其他三個(gè)方向的灰度共生矩陣．

在得到了上述灰度共生矩陣后，可以從中計(jì)算出一些能夠反映圖像紋理特征的向量，有二階距、對比度、相關(guān)、熵、方差、逆差距、和平矩、和方差、和熵、差平均、差方差、差熵等14個(gè)特征向量，本文采用了其中貢獻(xiàn)最大的6個(gè)特征，分別為：角二階矩（ASM）、相關(guān)（Correlation）、對比度（Contrast）、熵（Entropy）、相異性（Dissimilarity）和逆差距（Homogeneity），統(tǒng)稱為GLCM-6．

2.2 GLCM-6特征

（a）角二階矩（ASM）：反應(yīng)圖像的灰度分布以及紋理顆粒的粗細(xì)，也被稱為能量，描述的是灰度共生矩陣中所有元素的平方和．ASM值越大，說明圖像的紋理分布越均勻，變化越規(guī)矩．

（b）相關(guān)（Correlation）：用于反映圖像中的像素的灰度相關(guān)性，描述的是灰度共生矩陣中行或列間的矩陣元素的相似程度，若矩陣元素相似程度越大，則相關(guān)度越大，圖像紋理特征的灰度相關(guān)性越大．

其中μi、μj、σi、σj的定義如下

（c）對比度（Contrast）：用于反映圖像的紋理深淺和清晰度，灰度共生矩陣中的灰度相差較大的像素對越多，其對比度越大，對應(yīng)的，其紋理溝紋越深，清晰度越好．

（d）熵（Entropy）：用于反映圖像紋理特征的復(fù)雜度，熵是信息量的度量，其值越大，表明灰度共生矩陣中的元素越分散，圖像的紋理分布越均勻．

（e）相異性（Dissimilarity）：同對比度類似，但在計(jì)算灰度差時(shí)所采取的增長方式與計(jì)算對比度時(shí)不同，對比度計(jì)算時(shí)期灰度差權(quán)值權(quán)重呈指數(shù)增長，相異性的計(jì)算權(quán)重呈線性增長．

（f）逆差距（Homogeneity）：用于反映圖像的不同局部區(qū)域間的相異性，逆差距越大，說明圖像不同局部區(qū)域間的紋理變化越小，其紋理在局部區(qū)域分布得越均勻．

2.3 高斯歸一化方法

本文使用灰度共生矩陣提取其像元空間鄰域紋理特征信息，從中選取貢獻(xiàn)最大的6個(gè)特征，即GLCM-6，并采用4個(gè)不同方向（0°，45°，90°，135°）表示，獲取了24維紋理特征向量．對獲得的24維紋理特征，選用高斯歸一化方法進(jìn)行處理，方便分類器的訓(xùn)練．歸一化公式如下

其中，μ、σ分別為原始數(shù)據(jù)集的均值和方差，上標(biāo)(n)表示n維特征向量，取n=24，μj，σj表示第j維的均值、方差．使用3σj進(jìn)行歸一化，保證了V(n)的值落在[-1，1]區(qū)間上的概率接近100%，對于離群點(diǎn)，小于-1則置-1，大于1則置1．對特征向量采用高斯歸一化至[-1，1]區(qū)間內(nèi)，然后用歸一化后的數(shù)據(jù)進(jìn)行分類．經(jīng)測試，經(jīng)過高斯歸一化后的特征，可以加快分類的訓(xùn)練速度，也能夠提高準(zhǔn)確率．

2.4 聯(lián)合紋理和光譜特征

假設(shè)高光譜遙感圖像使用PCA降維后主成分最大的波段平面圖像為X．不失一般性，設(shè)高光譜圖像中任意像元xi，提取像元xi的k×k鄰域矩陣的GLCM-6的紋理特征，并將其展開形成一個(gè)24維和向量ti.

再設(shè)像元xi的光譜特征為si，設(shè)該高光譜遙感圖像具有m個(gè)波段，則像元xi的紋理-光譜特征為：

該特征具有24+m維．提取紋理和光譜特征之后，分別采用支持向量機(jī)（SVM）和擴(kuò)展隨機(jī)森林方法訓(xùn)練分類器，并進(jìn)行高光譜遙感圖像地物分類實(shí)驗(yàn)．

3 分類算法

3.1 SVM算法

支持向量機(jī)（Support Vector Machine，SVM）是Cortes和Vapnik于1995年首先提出的[13]，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中．

支持向量機(jī)方法是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無錯(cuò)誤地識(shí)別任意樣本的能力）之間尋求最佳折衷，以期獲得最好的泛化能力．本文選用引入RBF核函數(shù)的支持向量機(jī)算法，以獲得非線性分類能力．

3.2 極端隨機(jī)樹

極端隨機(jī)樹（Extremely randomized trees，ERT）是由PierreGeurts等人于2006年提出[14，15]．該算法與隨機(jī)森林算法十分相似，都是由許多決策樹集成的分類器．但與隨機(jī)森林分類器相比，主要有兩點(diǎn)不同：

一是不采用隨機(jī)森林bootstrap采樣替換策略，即對于每棵樹，它們使用的訓(xùn)練集是從總的訓(xùn)練集中有放回采樣出來的，這意味著，總的訓(xùn)練集中的有些樣本可能多次出現(xiàn)在一棵樹的訓(xùn)練集中，也可能從未出現(xiàn)在一棵樹的訓(xùn)練集中．而是直接采用原始的訓(xùn)練樣本，目的在于減少偏差．

二是在對每棵決策樹的節(jié)點(diǎn)劃分時(shí)，先隨機(jī)選取特征的一個(gè)子集，在對數(shù)據(jù)進(jìn)行劃分時(shí)，則是對子集中的每個(gè)特征隨機(jī)選取一個(gè)劃分閾值，然后從這些劃分條件中選取劃分效果最好的一個(gè)做為當(dāng)前節(jié)點(diǎn)的最終劃分依據(jù)．極端隨機(jī)樹完全隨機(jī)地選擇特征，得到的結(jié)果相比隨機(jī)森林方差更小、更穩(wěn)定．

4 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證所提出方法的有效性，選用二組高光譜遙感圖像數(shù)據(jù)集，即Indian Pines和Pavia University scene(PaviaU)進(jìn)行實(shí)驗(yàn)，分別選擇傳統(tǒng)的光譜特征與本文提出的紋理-光譜特征的分類結(jié)果進(jìn)行對比．在分類方法方面，分別采用SVM算法（RBF核函數(shù)）和極端隨機(jī)樹方法，選擇PCA算法獲取主成分最大的那個(gè)波段，對該波段的二維空間提取紋理特征，形成聯(lián)合的紋理-光譜特征．以10折交叉驗(yàn)證的方式得到結(jié)果，分類指標(biāo)采用平均精度、Kappa系數(shù)、Jaccard（相似）系數(shù)和混淆矩陣，所有實(shí)驗(yàn)運(yùn)行10次，取平均值．

Indian Pines數(shù)據(jù)集是1992年采用AVIRIS（機(jī)載可見/紅外成像光譜儀）系統(tǒng)在美國印第安納州的印度松樹測試地拍攝的航空數(shù)據(jù)，空間分辨率為20 m，圖像大小為145×145像素，共224波段．去除大氣水汽吸收波段及低信噪比波段后，波段數(shù)降為200．光譜范圍為0.4～2.5μm，圖像數(shù)據(jù)包含16類地物類別，具體情況如表1所示．

表1 Indian Pines數(shù)據(jù)集地物類別

采用SVM算法和極端隨機(jī)算法對Indian Pines數(shù)據(jù)集進(jìn)行分類，移動(dòng)窗口大小為3×3像素，其性能評價(jià)結(jié)果如表2所示．

表2 Indian Pines檢測性能對比

由表2可以發(fā)現(xiàn)，采用Indian Pines數(shù)據(jù)集，使用本文提出的紋理-光譜聯(lián)合特征，不論選擇SVM算法，還是極端隨機(jī)樹，其平均準(zhǔn)確率、Kappa系數(shù)和Jaccard系數(shù)均優(yōu)于只采用光譜特征的傳統(tǒng)方法．

以極端隨機(jī)樹分類算法為例，只采用光譜特征，對Indian Pines數(shù)據(jù)集進(jìn)行分類后，各地物類別的混淆矩陣（歸一化后）分別如圖1所示．

圖1 Indian Pines光譜特征分類混淆矩陣

通過圖1和圖2對比，可以發(fā)現(xiàn)，紋理-光譜方法相比傳統(tǒng)的光譜特征方法，對于Alfalfa（苜蓿）、Corn-notill（免耕玉米）、Corn-mintill（少耕玉米）、Corn（玉米）、Grass-pasture（草地/牧草）、Grass-tree（草地/樹木）、Oats（燕麥）、Soybean-notill（免耕大豆）、Soybean-clean（純凈大豆）、Woods（森林）、Buildings-Grass-Trees-Drives（建筑/草/樹/道路）、Stone-Steel-Towers（石鋼塔）等12個(gè)地物類別的分類精度分別提高了20%、7%、3%、9%、2%、1%、50%、7%、8%、3%、11%、11%，而Wheat（小麥）類別的分類精度低了10%，其它3個(gè)類別的分類精度與傳統(tǒng)方法相同．因此，聯(lián)合紋理-光譜特征方法對于該數(shù)據(jù)集大多數(shù)地物類別的分類精度都優(yōu)于傳統(tǒng)光譜特征方法．

Pavia University scene（PaviaU）數(shù)據(jù)集為ROSIS（反射光學(xué)系統(tǒng)成像光譜儀）系統(tǒng)在意大利南部拍攝的帕維亞大學(xué)圖像，空間分辨率為1.3 m，圖像大小為610×340像素，127個(gè)波段，光譜范圍0.43～8.6μ m．去除大氣水汽吸收波段及低信噪比波段后，剩余103個(gè)波段用來分類，此地區(qū)共包含9種地物類別，見表3．

以極端隨機(jī)樹分類算法為例，采用本文提出的紋理-光譜特征，對Indian Pines數(shù)據(jù)集進(jìn)行分類后，各地物類別的混淆矩陣（歸一化后），如圖2所示．

圖2 Indian Pines紋理-光譜特征分類混淆矩陣

表3 PaviaU數(shù)據(jù)集地物類別

采用SVM算法和極端隨機(jī)算法對PaviaU數(shù)據(jù)集進(jìn)行分類，其性能評價(jià)結(jié)果如表4所示．

由表4可以發(fā)現(xiàn)，采用PaviaU數(shù)據(jù)集，使用本文提出的紋理-光譜聯(lián)合特征，不論選擇SVM算法還是極端隨機(jī)樹，其平均準(zhǔn)確率、Kappa系數(shù)和Jaccard系數(shù)均優(yōu)于只采用光譜特征的傳統(tǒng)方法．

以極端隨機(jī)樹分類算法為例，只采用光譜特征，對PaviaU數(shù)據(jù)集進(jìn)行分類后，各地物類別的混淆矩陣（歸一化后），如圖3所示．

以極端隨機(jī)樹分類算法為例，采用本文提出的紋理-光譜特征，對PaviaU數(shù)據(jù)集進(jìn)行分類后，各地物類別的混淆矩陣（歸一化后），如圖4所示．

通過圖3和圖4對比，可以發(fā)現(xiàn)，紋理-光譜方法相比傳統(tǒng)的光譜特征方法，對于Asphalt（瀝青馬路）、Meadows（低洼地）、Gravel（砂礫）、Trees（樹木）、Bare Soil（裸土）、Self-Blocking Bricks（地磚）6個(gè)地物類別的分類精度分別提高了2%、1%、5%、3%、1%、4%，而其它3個(gè)類別的分類精度與傳統(tǒng)方法相同．因此，采用本文提出的聯(lián)合紋理-光譜特征方法對于該數(shù)據(jù)集大多數(shù)地物類別的分類精度都優(yōu)于傳統(tǒng)光譜特征方法．

表4 PaviaU檢測性能對比

圖3 PaviaU光譜特征分類混淆矩陣

5 結(jié)束語

通過灰度共生矩陣方法獲取貢獻(xiàn)最大的6個(gè)統(tǒng)計(jì)量，形成24維紋理特征向量，聯(lián)合光譜特征，分別采用SVM算法和極端隨機(jī)樹算法，對公開的高光譜遙感數(shù)據(jù)集進(jìn)行分類測試，獲得了比傳統(tǒng)采用單一光譜特征方法更高的分類精度．但在某些地物類別上，仍存在錯(cuò)分結(jié)果，這需要進(jìn)一步研究高光譜遙感圖像中的同譜異物特點(diǎn)，更好地提取其非線性特征進(jìn)行分類，以達(dá)到更高的分類精度．

圖4 PaviaU紋理-光譜特征分類混淆矩陣

[1]Hughes G．On the mean accuracy of statistical pattern recognizers[J]//IEEE Trans．Inf．Theory,1968,14(1):55-63．

[2]LI Jun，Bioucas-Dias J M，Plaza A．Spectral-Spatial Hyperspectral Image Segmentation Using Subspace Multinomial Logistic Regression and Markov Random Fields[J]．IEEE Transactions on Geoscience and Remote Sensing，2012，50(3):809-823．

[3]He Zhi，Wang Qiang，Shen Yi，et al．Kernel sparse multi-task learning for hyperspectral image classification with empirical mode decomposition and morphological wavelet-based features[J]．IEEE Transactions on Geoscience and Remote Sensing，2014，52（8）:5150-5163．

[4]Zhang Z，Pasolli E，Crawford M M，et al．An active learning framework for hyperspectral image classification using hierarchi?cal segmentation[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，9（2）:640-654．

[5]Chen J，Xia J，Du P，et al．Combining Rotation Forest and Multiscale Segmentation for the Classification of Hyperspectral Data[J]．IEEE Journal of Selected Topics in Applied Earth Observations&Remote Sensing，2017，9（9）：4060-4072．

[6]朱勇，吳波．光譜與空間維雙重稀疏表達(dá)的高光譜影像分類[J]．地球信息科學(xué)學(xué)報(bào)，2016，18（2）：263-271．

[7]李鐵，孫勁光，張新君，等．高光譜遙感圖像空譜聯(lián)合分類方法研究[J]．儀器儀表學(xué)報(bào)，2016，37（6）：1379-1389．

[8]葉珍，白璘，粘永健．基于Gabor特征與局部保護(hù)降維的高光譜圖像分類算法[J]．光學(xué)學(xué)報(bào)，2016（10）：504-513．

[9]李壘，任越美．基于隨機(jī)森林的高光譜遙感圖像分類[J]．計(jì)算機(jī)工程與應(yīng)用，2016，52（24）：189-193．

[10]付瓊瑩，余旭初，張鵬強(qiáng)，等．聯(lián)合空譜信息的高光譜影像半監(jiān)督ELM分類[J]．華中科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2017（7）：89-93．

[11]李吉明，賈森，彭艷斌．基于光譜特征和紋理特征協(xié)同學(xué)習(xí)的高光譜圖像數(shù)據(jù)分類[J]．光電工程，2012，39（11）：88-94．

[12]薄華，馬縛龍，焦李成．圖像紋理的灰度共生矩陣計(jì)算問題的分析[J]．電子學(xué)報(bào)，2006，34（1）:155-158．

[13]齊濱，趙春暉，王玉磊．基于支持向量機(jī)與相關(guān)向量機(jī)的高光譜圖像分類[J]．吉林大學(xué)學(xué)報(bào)（工），2013，43（s1）：143-147．

[14]王愛平，萬國偉，程志全，等．支持在線學(xué)習(xí)的增量式極端隨機(jī)森林分類器[J]．軟件學(xué)報(bào)，2011，22（9）：2059-2074．

[15]呂偉民，王小梅，韓濤．結(jié)合鏈路預(yù)測和ET機(jī)器學(xué)習(xí)的科研合作推薦方法研究[J]．?dāng)?shù)據(jù)分析與知識(shí)發(fā)現(xiàn)，2017，1（4）：38-45．