基于多級交叉局部二值模式的高光譜圖像分類

王立國， 張 震

（哈爾濱工程大學 信息與通信工程學院，哈爾濱150001）

0 引 言

高光譜圖像包含了數百個連續的光譜帶，包含詳細的光譜信息，故可以有效地區分不同的地物類別，但是高光譜圖像的高維數和少量可用的標記樣本通常會造成Hughes現象［1］。因此，有必要減少高光譜圖像的維度，其中一種策略是將頻段選擇和相關矩陣等方法用于挖掘具有代表性的譜帶［2］；另一種策略是降維，將高光譜數據投射到低維空間中，包括傳統的主成分分析PCA和Fisher的線性判別分析LDA等［3-4］。對于高光譜圖像分類，結合空間信息有助于提高分類性能，馬爾可夫隨機場MRF在與相鄰樣本之間具有相互依存關系上，可以捕獲復雜空間的上下文信息。Tarabalka等提出的SVM-MRF，在高光譜圖像下表現出了較好的分類性能［5］。Gabor特征提取也能獲得有效的空間和光譜信息，Jia等提出了一種級聯超像素正則化Gabor特征融合方法CSRGFF［6］，而不是使用反映局部強度和變化的Gabor幅度和相位特征。文獻［7］提出了一種用于高光譜圖像分類的三維高斯-Gabor特征提取與選擇方法，充分挖掘高光譜圖像的空譜特征，在高光譜圖像下取得較優的分類結果。局部二值模式LBP能夠成功地描述局部圖像紋理信息和空間結構［8］，一般多用于模式識別［9］和計算機視覺問題中的旋轉不變紋理分類。近年來，LBP也被應用于高光譜圖像的紋理特征提取，文獻［10］提出了通過局部二值模式從降維影像中提取空間紋理特征，以線性加權求和為多核組合方式，與原始光譜特征結合構造混合核極限學習機模型的方法。Li等在從高光譜圖像中選擇的波段子集中采用LBP和全局Gabor濾波器來產生對空間紋理信息的全面描述［11］。Ye等提出了分段的LBP，通過對相關波段進行分組，從每個波段組中提取空間光譜特征［12］。上述方法雖然都取得不錯的效果，但都是采用了傳統的LBP描述子。一方面，只考慮了中心像元和鄰域像元的關系，沒有考慮鄰域像元之間的關系；另一方面，經傳統LBP描述子獲得的特征向量維度過高，不利于后序的計算處理［13］。

針對前面相關方法的不足，本文提出了一種利用多級交叉的LBP算子獲取多尺度紋理特征輔助高光譜圖像分類的方法，稱其為MCSLBP-SVM。此方法從水平垂直方向和對角方向，計算中心像元和鄰域像元的編碼值，和鄰域像元之間的編碼值。同時，利用多尺度的窗口生成統計直方圖，得到多范圍、高精度的紋理特征，將其用于輔助分類，獲得了較好的分類結果。

1 多級交叉局部二值模式

1.1 局部二值模式

傳統的局部二值模式LBP算子，通過比較中心像素與鄰域像素進行灰度值的閾值運算，得到中心像素和鄰域像素的二值關系，將二值化的鄰域像素值按照一定的編碼規則生成編碼值，最后將該編碼值的統計直方圖作為紋理特征描述。傳統的LBP算子表示為：

式中：rp為鄰域像素灰度值；rc為中心像素灰度值；s（x）為閾值化函數。

計算過程：首先，取3×3大小的8鄰域，比較鄰域范圍內中心像素和鄰域像素的灰度值，根據閾值化函數s（x）將鄰域位置賦值為0或1，得到8個二進制數值，然后，按照一定的編碼規則獲得LBP算子的編碼值，計算LBP算子的值如圖1所示。其中LBP描述子為：2+4+32+128=166。

圖1 LBP閾值化示意圖Fig.1 Schematic diagram of LBP thresholding

LBP算子雖然廣泛地應用于自然圖像的各個領域，但其不適合直接應用于高光譜圖像分類。傳統LBP算子都是針對像素點的灰度值進行計算的，然而高光譜圖像的每個像元有很多個波段，這些波段中的反射率等信息組成了該像元的光譜向量，對于這一特點，提出了適合高光譜圖像的HLBP算子，其定義為：

式中：（x，y）為中心像元的位置；vc為中心像元的光譜向量；vp為鄰域像元的光譜向量；cos（vp，vc）為vc和vp的夾角余弦；K為給定的閾值。

1.2 多級交叉局部二值模式

無論是傳統的LBP算子還是適用于高光譜的HLBP算子，都只考慮了中心像元和鄰域像元之間的關系，沒有考慮鄰域像元和鄰域像元之間的關系。在生成統計直方圖獲取紋理特征向量時，其特征向量維度較高，不利于后序的計算處理。因此，提出了一種適用于高光譜的多級交叉局部二值模式，稱其為MCLBP。計算了水平垂直方向和對角方向，降低了特征向量維度，且考慮了鄰域像元之間的關系，使得對紋理特征的描述進一步精確。MCLBP鄰域示意圖如圖2所示，其定義如下：

首先，計算中心像元與水平垂直四個鄰域像元的局部LBP算子Llv：

圖2 MCLBP鄰域示意圖Fig.2 Neighborhood diagram of MCLBP

然后，計算中心像元和對角四個鄰域像元的局部LBP算子Ldia：

最后，計算鄰域像元之間的局部LBP算子Larea：

通過對上述算子級聯可以獲得多級交叉LBP算子MCLBP：

式中：（x，y）為中心像元的位置；vc為中心像元的光譜向量，v1，…，v8為鄰域像元光譜向量；s為閾值化函數，與式（4）相同。

通過對高光譜圖像的每一個像元進行MCLBP算子的計算，可以得到MCLBP圖像MX×Y×B，進一步對圖像M計算統計直方圖即可獲得紋理特征。

2 基于多尺度紋理特征的高光譜分類框架

2.1 多尺度紋理特征

由于高光譜圖像各地物類別的分布，既可能有緊密聚集的大塊地物，也可能有分布離散的小塊地物，為了更精確地描述不同范圍的紋理特征。在利用MCLBP算子生成統計直方圖時，要選用多尺度的窗口，獲取不同窗口下的統計直方圖，可獲得多尺度的紋理特征。高光譜圖像的多尺度紋理特征向量Tex的定義為：

式中：Wi（x，y）為某一窗口大小的統計直方圖向量；m為MCLBP圖像MX×Y×B對應的數值；k為窗口大小；Count函數為計算數值出現的次數。

多尺度紋理特征計算示意圖如圖3所示，具體步驟如下：

（1）對原始高光譜圖像進行PCA主成分分析，獲得降維后的圖像RX×Y×B；

（2）對圖像RX×Y×B進行MCLBP算子運算，獲得編碼值圖像MX×Y×K；

（3）利用編碼值圖像MX×Y×K結合多個窗口大小，獲取多個統計直方圖圖像WX×Y×V；

（4）將多個統計直方圖圖像WX×Y×V級聯，獲得多尺度紋理特征圖像TexX×Y×nV。

圖3 多尺度紋理特征計算示意圖Fig.3 Sketch map of multi scale texture feature calculation

圖4 本文分類方法流程Fig.4 Flow chart of classification method in this paper

2.2 本文分類方法

利用多級交叉LBP算子獲得編碼值圖像，并且使用多個窗口生成統計直方圖，可獲得多尺度紋理特征。將該紋理特征與光譜特征級聯，獲得包含空間信息和光譜信息的空譜聯合向量，利用支持向量機SVM對其進行分類。本方法獲得的多范圍、高精度的紋理特征，較好地解決了獲得紋理特征時只考慮鄰域像元和得到的特征維度較高的問題，具體流程如圖4所示。

3 實驗仿真與分析

3.1 實驗數據

為了驗證本方法的有效性，利用兩個廣泛使用的開源真實數據集Indian pines和Pavia高光譜數據進行實驗。Indian pines數據集是通過印第安納地區AVIRIS成像光譜儀獲得的，其空間分辨率為20 m，圖像像素為145×145，地物像素占10 249個。其中包含220個光譜帶，去掉水汽區域和噪聲譜帶后，保留了200個光譜帶，并且在實驗過程中選取樣本數目較多的12類進行實驗，其真實地物類別如圖5所示。Pavia數據集是通過帕維亞大學的ROSIS成像光譜儀獲得的，其空間分辨率為1.3 m，圖像像素為610×340，地物像素占42 776個。其中包含115個光譜帶，去掉水汽區域和噪聲帶后，保留了103個光譜帶，在實驗過程中選取全部的9類進行實驗。其真實地物類別如圖6所示。

圖5 Indian pines真實地物圖Fig.5 Real feature map of Indian pines

圖6 Pavia真實地物圖Fig.6 Real feature map of Pavia

3.2 實驗條件和評價指標

圖7 不同窗口大小下分類精度折線圖Fig.7 Line chart of classification accuracy under different window sizes

實驗CPU為Inter（R）Core i5-7200U、64位Windows10操作系統、內存為4 GB的PC機，使用Matlab 2016 a進行仿真實驗。三種高光譜數據集在實驗中都選取1%作為訓練樣本，選取高斯徑向基作為本文實驗中支持向量機SVM的主要核函數，通過交叉驗證搜索法自動取得核參數σ和懲罰因子C的最優值，最終記錄的數據為實驗10次數據的平均值。評價指標為總體分類精度OA、平均分類進度AA和Kappa系數。

將本方法與其他方法進行對比，以證明本方法的可行性和有效性。第一種方法是利用標準支持向量機算法SVM進行分類；第二種方法是采用Gabor濾波提取紋理特征，經過與光譜特征級聯融合再利用SVM進行分類，稱其為Gabor-SVM方法；第三種方法是利用適用于高光譜的HLBP算子獲得紋理特征，再與光譜特征融合后利用SVM分類，稱其為HLBP-SVM；第四種方法是利用本文提出的多級交叉定向LBP算子獲得單一尺度紋理特征，將其與光譜特征融合后利用SVM分類，稱其為MCLBP-SVM。

在利用MCLBP算子生成統計直方圖以獲得紋理特征時，根據選擇的窗口大小不同，獲得的統計直方圖也有所不同，如MCLBP-SVM方法。在不同窗口大小下，所獲得分類精度折線圖如圖7所示。可以看出，兩種高光譜數據集都是在窗口大小為35左右取得較高的分類精度，所以在MCLBP-SVM方法對比實驗中，窗口大小取35。本文方法獲得多尺度紋理特征時，窗口大小分別取25、35和45的組合，并由以上窗口大小獲得紋理特征后疊加。

3.3 實驗結果及分析

在Indian pines數據集上驗證了本文算法，每類的訓練樣本和測試樣本的選擇策略為選取1%作為有標簽訓練樣本，其他為無標簽的測試樣本。對比實驗和本文實驗共5種算法的分類結果如圖8所示。

圖8 Indian pines高光譜圖像分類結果圖Fig.8 Classification result maps of Indian pines hyperspectral images

從幾種算法的分類結果可以看出，本文方法相比較于Gabor-SVM和HLBP-SVM方法，分類精度更高，錯分現象更少，擁有更清晰的輪廓，說明本文方法提出的多級交叉LBP算子獲得的紋理特征是有效的。與MCLBP-SVM方法相比，本文方法邊緣的錯分更少，輪廓更加規整，驗證了本文方法中多尺度紋理特征考慮多范圍的變化是有效合理的。各方法的總體分類精度OA、平均分類精度AA和Kappa系數如表1所示。可以看出，本方法的OA、AA和Kappa系數均優于其他方法，進一步證明了本文方法在幾種方法中分類效果最佳。

表1 Indian pines高光譜圖像分類結果Table 1 Classification results of Indian pines hyperspectral images

在Pavia高光譜數據集上的實驗，每類的訓練樣本和測試樣本的選擇策略為每類選取1%作為有標簽訓練樣本，其他為無標簽的測試樣本。對比實驗和本文實驗共5種算法的分類結果如圖9所示。

圖9 Pavia高光譜圖像分類結果圖Fig.9 Classification result maps of Pavia hyperspectral images

幾種算法的分類結果與Indian pines數據集分類結果類似，相比較于Gabor-SVM和HLBP-SVM方法，本方法分類精度更高，錯分現象更少，這是因為利用多級交叉LBP算子可以多角度的獲取紋理特征，并考慮了鄰域像元之間的關系。與MCLBP-SVM方法相比，本文方法處理的圖像邊緣更加規整，“斑點”現象減少，充分說明了多尺度紋理特征的有效性。各方法的總體分類精度OA、平均分類精度AA和Kappa系數如表2所示。可以看出，本方法的OA、AA和Kappa系數都優于其他方法，同樣，證明了本文方法在幾種方法中分類效果最佳。

表2 Pavia高光譜圖像分類結果Table 2 Classification results of Pavia hyperspectral images

4 結 論

提出了一種基于多級交叉LBP算子獲得多尺度紋理特征的高光譜圖像分類方法。利用新的MCLBP算子獲取編碼值圖像，并且在利用編碼值圖像生成統計直方圖時，采取多個窗口的組合，獲得了多尺度的紋理特征。多尺度紋理特征充分考慮了鄰域像元之間的關系，描述的空間信息更加廣泛，降低了特征維度，便于后序分類的計算。實驗表明，本文方法在兩個開源數據集上，總體分類進度OA、平均分類精度AA和Kappa系數都是幾種對比方法中最好的，證明了本文方法的有效性和可行性。