針對高光譜圖像的目標分類方法現狀與展望

李秉璇,周 冰,賀 宣,劉賀雄

(陸軍工程大學石家莊校區電子與光學工程系,河北 石家莊 050003)

1 引 言

高光譜分辨率遙感通過使用連續細分光譜波段對地物進行持續的遙感并成像[1],可以獲取地物和目標的三維圖像,分別包括空間維和光譜維,圖像中獲取的信息可以對地物和目標進行深層次的分析。目前,高光譜成像無論在民用和軍用上都有很大的發展。民用上,高光譜成像在礦物勘察、災害預防、植被生長監視和大氣成分檢測已經獲得了深入的發展。軍用上,高光譜成像可以通過與場景中物體特征波段的比較,達到識別偽裝的目的[2]。

為了進一步進行圖像處理和目標識別,圖像分類已經成為高光譜成像應用的一項重要技術。通過對高光譜圖像中每一個像元賦予唯一的分類標識,最終達到區分地物并識別目標的目的。本文在總結了高光譜圖像分類方法發展現狀的基礎上,分析了其存在的問題,展望了其發展的方向。

2 高光譜圖像分類面臨的主要問題及分類過程

2.1 光譜數據維數高,信息量大

用高光譜圖像遙感成像獲得的光譜數據量非常大,采用不當的方法進行處理,反而影響分類。高維的數據也對高光譜圖像預處理造成了很大的困難,如何對高光譜數據進行高速高效的處理成為高光譜圖像處理中的關鍵問題。

2.2 特征空間維數高

高光譜圖像獲取的數據細節程度較高,特征維數較高。隨著特征維數的升高,對于含參模型的參數估計需要的訓練樣本急劇升高,圖像分類精度隨著參與運算的波段數先增加后減少,也被稱為是hughes現象。

2.3 異物同譜和異譜同物現象

由于太陽不同入射角和大氣折射率的區別,不同空間位置分布的地物可能顯示出相同或相似的光譜特征,不同光譜曲線也有可能是同一種地物,這對高光譜圖像精細分類提出了新的挑戰。如何結合空間位置分布和光譜特征對高光譜圖像進行分類也成為目前研究的熱點問題[3]。

從高光譜成像的原理來看,對于高光譜圖像分類過程如圖1所示。光譜數據預處理的目的主要是消除高光譜圖像由于大氣散射和折射、幾何畸變等引起的噪聲,包括幾何校正、大氣校正、光譜一階微分以及光譜平滑性處理。對于處理后的數據,需要確定地物的種類數以及分類類別數,選取分類類別的訓練樣本對分類器進行訓練。然后采用波段選擇或者特征提取的方法對數據降維后進行分類,對分類后的數據可以采用主成分濾波等手段進一步消除孤立點和噪聲,提升分類效果[4]。最后,還需要對分類的結果進行評價,常用的結果評價方法有:混淆矩陣、Kappa分析、漏分誤差和多分誤差。

圖1 高光譜分類過程

3 高光譜圖像分類的主要策略

高光譜圖像分類的理論基礎是“同譜同物”,其分類方法目前主要可以分為:①以先驗樣本有無為依據的監督分類和非監督分類；②基于光譜信息的光譜相似性和光譜特征分類；③只基于光譜信息的分類器和空譜聯合分類器；④單分類器和多分類器融合的分類策略。

3.1 基于先驗樣本有無的監督分類和非監督分類

監督方法是指事先已經有了已知的先驗訓練樣本,通過訓練樣本對模型進行訓練,獲得參數的最佳估計值,對模型進行優化,使用優化后的模型或分類器進行分類的過程[5]。監督分類常用的方法有最小距離法、高斯最大似然分類法(MLC)等。

高斯最大似然分類法(MLC)是一種經典的監督分類算法,該類分類器被認為是一種穩定性好、魯棒性好的分類器。但是該類分類器訓練樣本的需求隨著數據維數成二次方增加,當數據維數較高或者樣本數據與模型符合度較差時,分類效果不理想,對于出現的這些問題,很多學者做了相關研討和實驗。姚伏天假設各類樣本數據服從高斯分布,建立判別函數,通過最大似然比貝葉斯準則來判斷各個像元對規定類別的歸屬概率[6]。Jon提出了一種聯合神經網絡和統計建模的方法對高光譜數據進行分類,首先單獨處理各個數據源的信息并進行建模,然后應用決策融合方案來組合數據源的信息,提升了分類精度[7]。

③綜合創新能力：初步具備常微分方程理論和方法解決實際問題的能力，以及初步的創新能力、小論文寫作能力等。

非監督方法是在不存在先驗知識的情況下,通過圖像自身的特征或者圖像上點的分布來進行聚類分類的方法。非監督方法缺乏先驗知識,直接用于圖像分類效果不好,一般作為監督方法的輔助方法。代表性的非監督方法有:K均值聚類法、ISODATA動態聚類、平行管道法。

半監督方法是為了解決先驗樣本較少且難獲取,從未分類樣本中挖掘分類信息的方法,通過先對未分類樣本進行分類,再將已分類后的樣本信息加入訓練樣本集中,從而減少對先驗樣本的需求,緩解hughes現象。半監督方法對于樣本分類錯誤很敏感,經過多次重復容易造成錯誤的累積。為了彌補這一缺陷,blum提出了一種協同訓練的方法,首先訓練兩個分類器,然后將兩個分類器的無標簽樣本分別交給對方進行訓練[8]。李蓉提出了融合KNN算法和SVM算法的一種新方法,通過KNN算法為SVM算法訓練無標簽樣本作為訓練樣本,隨后SVM使用擴展后的訓練樣本集進行分類的方法[9]。

還有一類半監督算法是基于聚類假設或者流型假設,直接將高光譜數據加入分類函數中。高恒辰提出了一種基于聚類假設的半監督算法,首先基于聚類假設構造新的核函數,然后通過核函數有效融合空譜信息,提升分類效果[10]。田彥平提出了一種融合主動學習與半監督分類的方法,通過結合主動學習算法,加入了大批未標記樣本,提高了分類精度,節省了標記樣本時間[11]。

3.2 基于光譜信息的光譜相似性和光譜特征分類

通過光譜相似性分類的方法是通過計算樣本光譜曲線和像元光譜曲線之間的相似程度,通過設定閾值來進行分類的方法。最為典型的有光譜相關系數、光譜信息散度、信息熵、光譜角度量等,這一方法的優點是不需要降維和波段選擇,但是如果目標光譜曲線和背景很相似時,分類效果大大降低。Wang提出了一種利用低次諧波重建信號,通過測量目標和參考光的頻譜幅度差來計算其相似性,實驗結果表明,該方法具有良好的魯棒性和泛化性[12]。閆兵工提出了一種利用信息熵和光譜特征向量來進行高光譜圖像分類的方法,提升了分類精度,取得了很好的效果[13]。

通過光譜特征分類的方法進行分類是指在光譜特征空間中,利用圖像的統計特性來進行分類的方法。在光譜特征分類中,由于hughes現象,圖像的分類精度對于訓練樣本的要求很高,所以一般先進行降維處理,再進行分類,主要的方法有:主成分分析(PCA)[14]、最大噪聲分數變換(MNF)[15]、線性判別分析[16]以及多種方式融合灰色關聯度分析等。經過降維后的光譜數據再使用傳統分類方法諸如SVM[17]、決策樹、KNN算法等進行分類,這種分類方式能夠提升分類速度,加強分類方法的魯棒性和泛化性。

3.3 只基于光譜信息的分類器和空譜聯合分類器

經典的高光譜圖像分類方法單單利用了高光譜圖像的光譜信息,而忽略了目標的空間信息 。高光譜數據具有空間聚類的特點,結合空間信息和光譜信息能夠提升分類速度和精度,更好的挖掘空間信息。空譜聯合分類分為兩種:同步分類和后處理分類方法。同步分類是將光譜信息和空間信息充分融合,綜合考量兩部分的信息進行分類,但該類方法增大了數據維數和計算復雜度容易陷入不適定性問題,李娜采用了空間場模型和光譜向量結合的方法來融合空間信息和光譜信息,使用馬爾可夫隨機場模型描述空間信息,使用概率支撐向量機描述光譜信息,綜合兩類信息進行分類,提升了分類精度[18]。

后處理分類的方法是在空間分類的基礎上,結合光譜信息進一步優化分類結果,提升分類精度。后處理分類原理簡單,能有效得消除“椒鹽噪聲”,在現有的分類算法中應用廣泛。王彩玲和王洪偉等提出了一種空譜聯合探測的后處理算法,先利用分類器將分類區域劃分為潛在目標區域以及背景區域,再利用目標區域的聚類特性進行鄰域聚類[19]。孫樂提出了一種空譜聯合的分類算法,使用融合分類器進行光譜空間的信息提取,在采用馬爾可夫模型進行空間信息挖掘,可以在訓練樣本較少的情況下達到很好的分類效果[20]。

3.4 單分類器和多分類器融合的分類策略

傳統的分類方法都只使用了單分類器進行分類,但實踐和理論都證明,引入多個分類器能有效提升分類速度和分類精度。

多分類器進行融合的方法有三種,包含并行構造、串行構造、混合結構,但目前并行結構在多分類器融合中使用較為廣泛。吳爾津針對單個分類器的優缺點,運用類集降少、重新判定、殘差交融等思想將基本分類器進行融合,構建一系列多分類器,結果表明,多分類器可以獲得更好的分類結果[21]。

4 高光譜圖像分類的優化方法及人工智能算法

為了進一步提升高光譜分類的效果和精度,研究者基于傳統的分類方法提出了一系列的優化方法,如:核函數、稀疏表示等。同時,隨著機器學習與人工智能的快速發展,在高光譜圖像分類中引入人工智能算法也成為目前研究的熱點。

4.1 高光譜圖像分類的優化方法

4.1.1 核函數方法

核函數使用某種非線性變換K(x,x′),將低維空間映射到高維光譜空間,當K(x,x′)等于高維空間的內積時,能夠在低維空間直接進行高維空間的內積運算,大大簡化了計算。核函數的方法在高光譜中的典型應用就是Vapnik將線性SVMs推廣到非線性SVMs中。核函數的類型主要有線性核函數、多項式核函數、高斯徑向核函數。

線性核函數分類能力有限,隨著q的增大,分類效果也隨之提高,但是計算量也會增大,高斯徑向核函數分類能力不低于高階多項核函數,并且包含其他核函數的特點,計算復雜度低,因此在傳統核函數中最常使用。

核函數在解決高維空間向量內積的問題上提供了新的思路,但目前核函數的參數確定方法往往是根據經驗確定,如何準確快速確定和函數的參數仍待研究。

4.1.2 稀疏表達模型

稀疏表示本質上就是通過訓練樣本建立一個過完備基,將信號表示為過完備基上的稀疏線性組合。稀疏表示可以通過過完備基來簡化信號形式,進一步提取信號中的信息,同時也有利于對信號進行處理和加工,并減少了計算量。

稀疏表示應用到高光譜分類一個重要的問題就是如何獲取稀疏表示的超完備字典。宋相法和焦李成利用稀疏表示的方法來提取特征空間信息,隨后通過隨機森林的方法對信息進行分析,最后使用投票的方法進行分類,雖然對于稀疏表示特征分析方法提高了精度,但對于光譜空間和特征空間的融合還有待研究[22]。

4.2 高光譜圖像分類的人工智能算法

人工智能(artificial intelligence)算法在許多領域已經成為研究的熱點,人工智能算法最突出的特點就是可以通過機器學習的手段,解決一些復雜的問題,其通過訓練建立的模型非常穩定。目前在高光譜分類使用的人工智能算法主要有:支持向量機、遺傳算法、蟻群算法、人工神經網絡。

4.2.1 支持向量機(SVM)

支持向量機是一種基于機構風險最小化的機器學習監督算法,支持向量機結合核函數的方式,對高維數據進行分類時不需要降維,算法速度快,精度高,對于小樣本的分類目標效果較好。劉向東和陳兆乾提出了一種快速支持向量機分類算法,幾乎不損失識別精度的前提下提高識別速度,但在進行矩陣轉換時較為困難[23]。徐杰基于支持模糊向量機的分類方法通過灰色關聯度分析,有效的抑制了噪聲和孤立點[24]。譚琨使用投票的方法有效解決了SVM多分類問題,分別使用了幾種核函數進行了分類,最終結果表明高斯RBF核函數精度最高,但是如何準確估計參數值仍需研究[25]。陳建杰通過基于池的主動學習引入SVM多分類算法中,提高了分類精度,當樣本數據量較大時,該算法仍較慢[26]。梁亮將ICA(獨立分量分析)特征提取和支持向量機算法結合起來,提出了一種新型算法,提升了分類效果[27]。

4.2.2 人工神經網絡

人工神經網絡是機器學習的一個分支,近年來在圖像處理方面獲得了很大的發展。深度學習是建立在神經網絡的基礎上的一種新的機器學習方法,其模型層數復雜,解決多分類問題的效果較好。深度學習典型的結構包括卷積神經網絡(CNN)、棧式自編碼網絡(SAE)、深度置信網絡(DBN)。在高光譜分類方面,李新國提出了一種利用深度置信網進行高光譜分類的方法,其多層感知器結構能夠對數據進行更深層次的挖掘。馬效瑞提出了一種基于深度學習的高光譜影像分類方法,實現了深度特征提取,豐富了高光譜影響數據分析方法。

人工智能算法雖然在解決高光譜數據波段范圍廣、波段相關性高方面提供了一定的思路,但人工智能算法模型對于樣本量的需求非常大,只有通過足夠的訓練才能建立穩定的模型,達到良好的分類效果。如何設計新型人工智能分類模型和小樣本分類方法仍是人工智能算法需要解決的問題。

5 總結與展望

隨著高光譜遙感成像空間的分辨率和光譜分辨率不斷提高,對于高光譜圖像分類算法的要求也越來越高。對于傳統高光譜圖像分類策略的算法而言,發展空譜聯合、多特征融合、多分類器融合、多尺度融合的分類算法成為未來的發展方向,如何有效結合各方面數據源,深入挖掘圖像信息,提升分類效率和分類精度,使得算法更好地應用到實際生活和應用中成為尚待解決的問題。

對于人工智能算法而言,雖然人工智能算法在解決某些復雜問題上為我們提供了思路,但樣本需求高、建模困難、分類效果差、分類效率低仍是人工智能算法主要的問題。如何降低人工智能分類模型對樣本的需求量,以最少的訓練樣本獲取最精確的模型參數,提升人工智能算法的分類效果和分類精度,發展人工智能和傳統分類相結合的優化算法,讓人工智能算法趨于實用成為未來高光譜圖像分類算法的重要研究方向之一。

綜上可以看到,高光譜圖像分類方法的發展方向呈現如下特點:

(1)發展新型分類器和分類方法仍是高光譜圖像分類的主要方向之一。在機器學習、人工智能迅速發展的當前,如何有效將先進算法應用到高光譜圖像識別上來仍是研究的熱點。可以預見,隨著智能算法的進一步發展,其在高光譜圖像分類上的應用也將越來越成熟。

(2)發展多尺度融合、多方法融合、空譜聯合的分類器。如何有效結合多個光譜尺度、多分類器方法、空間信息和光譜信息仍是尚待解決的問題,有效結合多個分類器的優點,挖掘各個光譜范圍內的信息,聯合空間信息和光譜信息來進行分類有利于高光譜圖像分類處理的進一步發展。

(3)發展實時化、自動化的高光譜高光譜圖像分類算法。目前常用的分類算法分類時間都相對較長,在一些自然災害預警、軍事偽裝識別等領域對于算法的實時性和自動化要求較高,如何能實現高光譜圖像實時分類以及自動分類將成為未來主要的研究方向之一。