基于优势集聚类和马尔科夫随机场的高光谱图像分类算法

doi:10.6046/gtzyyg.2019.02.04

基于优势集聚类和马尔科夫随机场的高光谱图像分类算法

曲海成, 郭月^,, 王媛媛

辽宁工程技术大学软件学院,葫芦岛 125105

Hyperspectral image classification based on dominant sets clustering and Markov random fields

QU Haicheng, GUO Yue^,, WANG Yuanyuan

College of Software, Liaoning Technical University, Huludao 125105, China

通讯作者: 郭月(1994-),女,硕士,主要从事高光谱图像特征提取及分类方面研究。Email:GY_Gina@163.com。

责任编辑: 陈理

收稿日期: 2018-03-12 修回日期: 2018-06-9 网络出版日期: 2019-06-15

基金资助:

国家自然科学基金青年基金项目“面向宽幅高光谱遥感影像的高效压缩方法研究”. 41701479
生产技术问题创新研究基金项目“卫星遥感图像大数据压缩与快速处理技术”共同资助. 20160092T

Received: 2018-03-12 Revised: 2018-06-9 Online: 2019-06-15

作者简介 About authors

曲海成(1981-),男,副教授,博士,主要从事高光谱遥感影像高性能计算方面研究。Email:haichengqu@hit.edu.cn。。

摘要

为充分利用高光谱图像自身丰富的光谱信息和空间信息,提出一种基于优势集聚类和马尔科夫随机场相结合的高光谱图像分类算法。首先,分析高光谱图像局部空谱一致性,完成对波段信息量和差异程度的度量,构造无向加权图,利用优势集聚类方法选择出保留良好结构信息的最优波段子集; 其次,通过马尔科夫随机场对波段选择后的相邻像元建立局部空谱一致性,有效利用图像空间上下文信息; 最后,根据贝叶斯定理,将高光谱图像分类问题转化为最大后验概率的求解问题,从而获得分类结果。2个经典数据集(Indian Pines和Pavia University)的实验表明,相比其他同类算法,该算法能达到更高的总体分类精度和Kappa系数。

关键词： 优势集 ; 聚类 ; 波段选择 ; 马尔科夫随机场 ; 高光谱图像 ; 分类

Abstract

In order to make full use of the abundant spectral information and spatial information of hyperspectral images, this paper proposes a hyperspectral image classification algorithm based on dominant sets clustering and Markov random fields. First of all, the local spectral-spatial consistency of hyperspectral images is analyzed, the measurement of both band informativeness and independence is completed, an un-directed weighting graph is constructed and dominant sets clustering method is used to select the optimal band subset which preserves good structure information. Secondly, the local spectral-spatial consistency of adjacent pixels after the band selection is established by using Markov random fields, which makes the context information of the image space effectively used. Finally, according to the Bayesian theorem, the hyperspectral image classification problem is transformed into the maximum posterior probability which can solve the problem and yield the classification results. Experiments on two datasets, i.e., Indian Pines and Pavia University, show that this algorithm can achieve higher overall classification accuracy and Kappa coefficient than other similar algorithms.

Keywords： dominant sets ; clustering ; band selection ; Markov random fields ; hyperspectral image ; classification

PDF (4806KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

曲海成, 郭月, 王媛媛. 基于优势集聚类和马尔科夫随机场的高光谱图像分类算法. 国土资源遥感[J], 2019, 31(2): 24-31 doi:10.6046/gtzyyg.2019.02.04

QU Haicheng, GUO Yue, WANG Yuanyuan. Hyperspectral image classification based on dominant sets clustering and Markov random fields. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(2): 24-31 doi:10.6046/gtzyyg.2019.02.04

0 引言

随着高光谱遥感技术迅速发展,成像光谱仪能够捕获地表物质精准的光谱响应和空间细节特征。通过有效分析与利用丰富的地表物质信息,可对遥感地物进行更细致的分类^[1]。然而,高光谱图像中丰富的光谱信息意味着其波段数量(维数)较多,波段间信息冗余和高度相关不可避免。另外,由于高光谱图像标记样本成本昂贵,分类所用的训练样本数量有限且维数较高,如果直接对高光谱图像数据集进行分类,易发生Huges现象^[2,3]。因此,降维处理通常作为高光谱图像分类的预处理环节。高光谱图像降维方法通常分为特征提取和波段选择2大类。特征提取方法是以数据变换的形式实现对光谱数据的降维(如主成分分析、独立成分分析)。而波段选择(也称特征选择)则是直接从原始高光谱数据上百个波段中挑选出有效且有意义的波段子集。与特征提取方法相比,波段选择方法选取的波段子集,保留了原始波段的物理意义与地表物质的原始光谱特性,易于解释^[4]。

波段选择方法根据是否需要样本标记信息可分为监督和无监督2大类。监督波段选择方法需要已知的样本标记信息进行训练学习,可明确地选择含有地物重要信息的波段,如光谱角度制图法、光谱混合距离法和光谱相关系数法等。然而在实际应用中,高光谱图像可用的标记样本信息有限,因此,在这种情况下无监督波段选择方法更适用^[5,6]。由于不需要样本标记信息,无监督波段选择方法通常基于聚类的方式对高光谱图像进行波段选择。在众多聚类算法中,优势集聚类算法^{[7,8,9,10,11,12,13]}是由优势集理论^[10]产生的一种基于图论的聚类算法,在各领域应用中展现出良好的聚类性能,如图像分割^[11]、目标检测^[12]和人类活动分析^[13]等。Hou等^[8]提出基于优势集的简单特征组合方法,该方法利用优势集聚类对支持向量机分类器中核矩阵进行加权处理,有效提升了分类器泛化能力。而传统的无监督波段选择方法通常根据图像的原始光谱信息来选择最优波段子集,并且以不同的统计方法测量波段的信息量和差异程度。高光谱图像是一个三维立方体,具有丰富的结构信息,有意义的结构信息利用是有效的。为此,Zhu等^[9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果。因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维。

高光谱图像分类通常分为特征降维和分类器设计2个方面,传统分类器通常基于光谱信息进行分类,如支持向量机、K最近邻和随机森林等。由于受光照等外在因素的影响,成像光谱仪所获取的高光谱遥感影像往往存在“同物异谱”和“异物同谱”现象^[14],仅依靠光谱信息进行分类很容易出现错分,产生“椒盐”现象。为此,基于马尔科夫随机场的分类后处理方法^[15,16,17]利用相邻像元标签的局部空谱一致性将像元分类与图像分割方法统一起来,将光谱与空间信息以组合的形式综合利用图像上下文信息,已被广泛应用于高光谱图像分类。鲍蕊等^[18]提出综合聚类和上下文特征的高光谱图像分类方法,该方法将聚类信息与隐马尔科夫随机场模型相结合获取图像的空间信息并对图像进行分类,实验证明该方法有效弥补了单纯基于光谱信息进行图像分类的不足。

综上所述,为有效利用高光谱图像局部空谱一致性分析获取的空间信息,本文将基于优势集聚类波段选择方法与基于马尔科夫随机场的分类后处理方法相结合,提出基于优势集聚类和马尔科夫随机场的高光谱图像分类算法(dominant sets clustering and Markov random fields,DSSM)。

1 基于优势集聚类的波段选择

选取基于优势集聚类的波段选择算法^[9]作为高光谱数据的特征降维预处理方法。该算法主要分为2个部分: ①结构感知度量,在结构信息提取的基础上进行波段信息量和差异程度度量; ②图形表示和优化,利用优势集聚类算法将波段选择问题转化为图形表示,选择出特征差异最大的波段子集。

1.1 结构感知度量

高光谱图像波段选择的第一步通常是直接对波段进行信息量和差异程度2方面的度量,忽视了高光谱立方体空间结构信息的利用,而结构上有意义的信息对波段选择度量才是有利的。为此,通过局部空谱一致性分析,利用高光谱图像自身结构信息,完成对波段信息量和差异程度的度量。为简化计算,在对高光谱数据进行局部空谱一致性分析之前需要先进行归一化预处理。具体算法描述如下:

假定 ${H_{l}}_{l = 1}^{N}$ 为具有N个波段的高光谱图像中波段图像的全集,通过以下3个梯度公式开始分析图像结构信息,进而进行局部空谱一致性分析,即

(1)

dx (i, j, l) = \frac{H_{l} (i + 1, j) - H_{l} (i - 1, j)}{2}

(2)

dy (i, j, l) = \frac{H_{l} (i, j + 1) - H_{l} (i, j - 1)}{2}

(3)

dz (i, j, l) = \frac{H_{l + 1} (i, j) - H_{l - 1} (i, j)}{2}

式中: $H_{l} (i, j)$ 表示高光谱图像第l波段对应的图像中坐标为 $(i, j)$ 的像元样本值; $dx (i, j, l)$ , $dy (i, j, l)$ 和 $dz (i, j, l)$ 分别表示该像元样本的水平,垂直和光谱梯度值。然后,将 $H_{l}$ 生成的梯度图进行二值化表示,即

(4)

B_{l}^{(x)} (i, j) = \{\begin{array}{l} 1 dx (i, j, l) \geq μ^{(x)} \\ 0 其他 \end{array}

式中 $μ^{(x)}$ 为第l波段图像中所有像元样本水平梯度的均值。同样,用y和z分别替换x推出类似二值化的 ${B_{l}^{(y)} {(i, j)}}_{l = 1}^{N}$ 和 ${B_{l}^{(z)} {(i, j)}}_{l = 1}^{N}$ 。

将二值化后的结果制定一个局部空谱一致性的判别函数,即

(5)

D_{l} (i, j) = [B_{l}^{(x)} (i, j) \oplus B_{l}^{(x)} (i + 1, j)] |[B_{l}^{(y)} (i, j) \oplus B_{l}^{(y)} (i, j + 1)] |[B_{l}^{(z)} (i, j) \oplus B_{l + 1}^{(z)} (i, j)]

式中 $\oplus$ 和 $│$ 分别表示布尔运算中异或(XOR)和或(OR)操作。若 $D_{l} (i, j) = 0$ ,则表示局部空谱一致; 否则为局部空谱不一致。

由式(5)获得的 ${D_{l}}_{l = 1}^{N}$ 反映了水平方向、垂直方向和光谱方向上的局部空谱结构一致性,所以 ${D_{l}}_{l = 1}^{N}$ 的统计量可以用作结构感知的度量,完成对波段信息量和独立性的度量。

基于获得的局部空谱一致性 ${D_{l}}_{l = 1}^{N}$ ,波段信息量度量 $θ_{l}$ 则表示为

(6)

θ_{l} = \exp [- λ (μ_{D_{l}} - {\overset{}{μ}}_{D_{l}})]

式中: $μ_{D_{l}}$ 为 $D_{l}$ 的平均值,表示波段 $H_{l}$ 的结构程度; ${\overset{}{μ}}_{D_{l}}$ 为 $μ_{D_{l}}$ 进行高斯滤波后的结果; $λ$ 为控制参数,其值设为0.5。 $θ_{l}$ 越大,则表示波段信息量越大。

基于获得的局部空谱一致性 ${D_{l}}_{l = 1}^{N}$ ,将第l和第k波段之间的差异程度定义为波段差异程度度量,表达式为

(7)

l_{lk} = \exp (- γ d_{l} {d^{T}}_{k})

式中: $d_{l}$ 为 $D_{l}$ 的矢量转换; $γ$ 为调整参数,一般实验设为0.5。这个定义产生一个对称的差异性矩阵

$L = (l_{lk})$ ,且 $l_{lk} = l_{kl}$ 。由于每个波段都是自相关的,因此 $L$ 的主对角线上的元素被约束为0。

1.2 图形表示和优化

通过高光谱图像的结构分析完成了对波段信息量和独立程度的度量,下一步则是最优波段子集的筛选,利用优势集聚类方法将波段选择问题转化为图形表示,完成波段选择。

具体来讲,先构造无向加权图 $G = (V, E, f, g)$ ,其中 $V = {1, \dots, N}$ 为N个光谱波段的顶点集合, $E \subseteq V \times V$ 为边缘集。根据上述波段信息量和差异程度的度量公式,图G的顶点集和边缘集的权重函数分别定义为 $f (l) = θ_{l}$ 和 $g (l, k) = l_{lk}$ 。

假定 $S \subseteq V$ 为非空顶点子集, $l \in S$ 且 $k \notin S$ 。波段l关于波段k的内部相关性可表示为

(8)

$φ (l, S| k) = \frac{1}{f (k)} \overset{}{\sum_{i \in S}} f (i) \overset{}{\sum_{i \in S}} g (l, i)$ 。

波段l与k的外部相关性定义为

(9)

$φ (l, k) = \frac{f (l)}{f (k)} [g (l, k) - φ (l, S| k)]$ 。

然后,对于顶点集S,波段l的权值可用递归形式表示为

(10)

w_{S} (l) = \{\begin{array}{l} f {(l)}^{- 2} |S| = 1 \\ \sum_{i \in S \ {l}} φ_{S \ {l}} (i, l) w_{S \ {l}} (i) 其他 \end{array}

式中: $S \ {l}$ 为除去波段l的集合; $w_{S} (l)$ 为l与在 $S \ {l}$ 中的顶点之间相关整体连接的度量。

顶点集S的内部总权值为

(11)

$W (S) = \sum_{l \in S} w_{S} (l)$ 。

根据优势集的定理^[10],优势集的求解问题可转化为二次规划问题,即

(12)$\mathop{}_{z}^{argmax}\frac{1}{2}zAz^{T},\ s.t. z∈△$ ,

式中: 关系矩阵 $A = YLY$ ; $Y = diag (Θ)$ , $Θ = (θ_{l}, \dots, θ_{N})$ ; $Δ = {z \in R^{N} : (z \geq 0) \land (e^{T} z = 1)}$ 。

假设 $z^{*}$ 是式(12)的解, $σ (z^{*}) = {i \in V : z_{i}^{*} \neq 0}$ 则是图 $G = (V, E, f, g)$ 的优势集,并且 $w_{σ {z^{*}} ⋃ {i}} (i) \neq 0$ , $i \notin σ (z^{*})$ 。

二次规划问题通常可由复制动态方程来求解,即

(13) $z_{i}(t+1)=z_{i}(t)\frac{(AZ)_{i}}{z(t)^{T}AZ(t)},i=1,....N$ ,

式中t为迭代次数,该方程可保证约束条件Δ在动态下是不变的。

2 基于优势集提取的上下文信息分类方法

由上文可知,基于优势集聚类的波段选择方法通过分析高光谱图像局部空谱一致性,将空间信息引入波段信息量和差异程度的度量,再利用优势集聚类从全局角度完成波段选择,最终获取的最优波段子集保留原始数据有意义的空间信息。为了有效利用波段选择后高光谱图像的空间信息,结合基于马尔科夫随机场分类后处理方法,将获取的波段子集作为概率支持向量机(probabilistic support vector machine,PSVM)的输入特征进行分类,再将获得的分类图应用马尔科夫随机场通过图像局部空谱一致性分析利用空间信息进行优化处理,从而高效完成高光谱图像分类。

2.1 基于马尔科夫随机场分类后处理方法

图像分类的目的实质是对图像进行标记,即在观察x时估计y。根据Bayes准则,即

(14)

P (y | x) = \frac{P (y) P (x | y)}{P (x)}

式中: P(y)表示在标签上y的先验概率; P(x)为观测x所给定的,即其为一个常量; $P (x | y)$ 为给定标签y来观测数据x的条件概率(即似然函数)。因此有

(15)

$P (y | x) \propto P (x | y) P (y)$ 。

可将式(14)的条件概率求解问题转化成通过最大化后验分布对观测x的估计,即对MAP(maximum a posterior)的估计。

因此,通过最大化后验分布可以给出分类结果,表达式为

(16)

\hat{y} = \underset{y}{argmax} {\overset{M}{\sum_{i = 1}} lb P (y_{i} | x_{i}) + lb P (y)}

式中: M表示图像中含有像元总个数; $P (y_{i} | x_{i})$ 可以使用PSVM进行建模获取; $P (y)$ 通过利用相邻像元局部相关性的马尔可夫随机场建模得到。P(y)的表达式为

(17)

P (y) = C \exp {- \sum_{(i, j) \in M_{e}} W (y_{i}, y_{j})}

式中: C为归一化参数; $W (y_{i}, y_{j})$ 表示相邻像元i和j之间的空间相关性函数; $M_{e}$ 为相邻像元的集合(本文采用8邻域)。为了计算函数 $W (y_{i}, y_{j})$ ,采取Potts模型^[17]求解,即

(18)

W (y_{i}, y_{j}) = β [1 - δ (y_{i}, y_{j})]

式中: $δ (\begin{matrix} \end{matrix})$ 为Kronecker函数,当 $a = b$ 时, $δ (a, b) = 1$ ,否则, $δ (a, b) = 0$ ; $β$ 为控制空间平滑度的非负常数参数。然而,Kronecker函数项往往会降低不同类别地物之间边缘的分类结果。因此,将式(18)改成文献[16]中提出的形式,即

(19)

W (y_{i}, y_{j}) = β [1 - δ (y_{i}, y_{j})] \exp [- d (x_{i}, x_{j})]

(20)

d (x_{i}, x_{j}) = \frac{1}{N} \overset{N}{\sum_{n = 1}} [q_{n} (x_{i}) lb \frac{q_{n} (x_{i})}{q_{n} (x_{j})} + q_{n} (x_{j}) lb \frac{q_{n} (x_{j})}{q_{n} (x_{i})}]

(21)

q_{n} (x_{i}) = \frac{x_{i} n}{\overset{N}{\sum_{n = 1}} x_{i} n}

式中 $d (x_{i}, x_{j})$ 表示x_i和x_j之间的差异。W_ij较大,表示x_i和x_j为不同类别边缘的相邻像元,在模型优化后,y_i和y_j采用不同的标签; 而W_ij较小,表示x_i和x_j为同类别区域内的相邻像元,模型优化后,y_i和y_j采用相同的类标签。

然后,基于 $P (y_{i} | x_{i})$ 和 $P (y)$ ,最终给出MAP结果为

(22)

$\hat{y} = \underset{y}{argmax} {\overset{M}{\sum_{i = 1}} lb P (y_{i} | x_{i}) + β \sum_{(i, j) \in M_{e}} δ (y_{i}, y_{j}) \exp [- d (x_{i}, x_{j})]}$ 。

最终,标签结果可以通过最小化式(22)由有效的基于图切割扩展算法^[19]求解获得。

2.2 DSSM算法

DSSM算法首先通过基于优势集波段选择算法对归一化处理后的高光谱数据实现特征提取; 再将获取的特征应用PSVM进行分类; 最后,利用马尔科夫随机场分类后处理方法将分类问题转化为最大后验概率的求解问题,从而实现高光谱图像的分类。DSSM算法流程如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 DSSM算法流程

Fig.1 Flow chart of DSSM algorithm

DSSM算法具体实现过程如下。

输入: 高光谱数据 $X \in R^{H \times W \times N}$ ,类别个数为K,其中H和W分别为高光谱数据的空间维度的长度和宽度,N为光谱维度上的波段数。

步骤1: 将数据集X归一化处理后,利用局部空谱一致判别函数得到结构感知度量 ${D_{l}}_{l = 1}^{N}$ ,进而获得波段的信息量 $θ_{l}$ 及波段间差异程度 $l_{lk}$ 。

步骤2: 根据优势集的定义,将波段选择问题转化为图形表示,利用二次规划方程求解优势集,得到保留良好结构信息的最优波段子集 $\hat{X}$ 。

步骤3: 在 $\hat{X}$ 中随机选取训练样本,剩下的则为测试样本。

步骤4: 将训练样本应用PSVM进行训练,得到的训练模型对 $\hat{X}$ 进行测试,获得 $P (y | x)$ 。

步骤5: 通过马尔科夫随机场对 $\hat{X}$ 进行建模,获得 $P (y)$ 。

步骤6: 将 $P (y | x)$ 和 $P (y)$ 进行MAP处理,利用基于图切割扩展算法求解MAP判别函数。

输出: 分类结果。

3 实验结果与分析

3.1 实验数据

选用Indian Pines与Pavia University高光谱遥感影像作为实验的数据集,检验算法性能。

1)Indian Pines数据集: 该数据集是由AVIRIS传感器获取的覆盖印第安纳州西北部某农业区域的高光谱遥感影像。该图像大小为145像素×145像素,空间分辨率为20 m,光谱范围从0.42.5 μm,含有16种地物类别; 去除大气水分和信噪比低的波段,剩余200个波段。该数据集的真实地物标记信息如表1所示。

表1 Indian Pines数据集的真实地物类别标记信息

Tab.1 Ground truth categorization information of Indian Pines dataset

新窗口打开| 下载CSV

2)Pavia University数据集: 该数据集是由ROSIS传感器采集覆盖Pavia大学区域的高光谱遥感影像,图像大小为610像素×340像素,空间分辨率为1.3 m,光谱范围0.430.86 μm,含有9种地物类别; 去除大气水分和信噪比低的波段,剩余103个波段。该数据集的真实地物标记信息如表2所示。

表2 Pavia University数据集的真实地物类别标记信息

Tab.2 Ground truth categorization information of Pavia University dataset

新窗口打开| 下载CSV

3.2 实验结果分析

为验证算法有效性,DSSM算法与单独使用SVM算法、优势集聚类与SVM结合的算法(DS-SVM)、优势集聚类与K最近邻结合的算法(DS-KNN)、优势集聚类与随机森林结合的算法(DS-RT)进行对照实验。由于SVM算法在小样本下有着良好分类性能,因此,为了验证本文提出的算法在小样本下的有效性,本文分别在Indian Pines和Pavia University这2组数据集中随机选取10%作为训练样本,剩下的90%则作为测试样本进行实验,所有实验重复运行20次,将20次的分类精度均值作为实验结果。基于SVM分类的算法,都采用高斯径向基核函数(Gaussian radial basis function,RBF),在 $(γ = 2^{- 5}, 2^{- 4}, \dots, 2^{5}, c = 2^{- 5}, 2^{- 4}, \dots, 2^{5})$ 范围内经5次交叉验证选取核半径参数和惩罚参数。

为验证算法的有效性,图2为DSSM算法在Indian Pines和Pavia University这2组数据集中不同特征数下的总体分类精度(overall accuracy,OA)。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 DSSM算法在不同特征数下的总体分类精度

Fig.2 Overall accuracies of DSSM algorithm with different number of features

对于Indian Pines数据集,特征数达到60后,OA趋于平稳; 当特征数达到100时,OA最高为94.16%; 特征数从140增加到200时,OA存在减小的趋势。对于Pavia University数据集,特征数达到40后,OA趋于平稳。较多的特征数意味着算法计算量的增加,因此,本文分别在Indian Pines和Pavia University这2组数据集选取的特征数量为60和40进行实验。

为更进一步验证DSSM算法的有效性,本文将DSSM与SVM,DS-SVM,DS-KNN和DS-RT这4种经典算法进行对照实验。为了直观验证DSSM算法的有效性,图3和图4分别为在Indian Pines和Pavia University数据集上真实地物和不同算法的分类结果。不同算法分别在Indian Pines和Pavia University这2组数据集上的OA和Kappa系数如表3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 Indian Pines数据集上不同算法的分类结果

Fig.3 Classification results of different algorithms on Indian Pines dataset

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 Pavia University数据集上不同算法的分类结果

Fig.4 Classification results of different algorithms on Pavia University dataset

表3 不同算法的总体分类精度

Tab.3 Overall accuracies of different algorithms

数据集	评价指标	SVM算法	DS-SVM算法	DS-KNN算法	DS-RT算法	DSSM算法
Indian Pines	OA/%	78.35	83.36	73.31	71.69	93.19
Indian Pines	Kappa	0.751 3	0.809 4	0.694 9	0.746 8	0.921 9
Pavia University	OA/%	94.27	92.08	84.84	85.70	97.80
Pavia University	Kappa	0.923 9	0.894 4	0.745 7	0.748 9	0.973 0

新窗口打开| 下载CSV

从图3和图4均可直观地看出,除DSSM算法,其他算法的分类结果都有着较严重的“椒盐”现象和较多同类别地物内部区域的错分点,尤其是DS-KNN和DS-RT算法,而DSSM算法分类结果中仅具有较少的“椒盐”现象和同类别地物内部区域的错分点,更接近于数据集的真实地物图。从表3也可以看出,相对于其他4种经典算法,本文提出的DSSM算法在Indian Pines和Pavia University这2组数据集中均获得了较高的OA和Kappa系数。在Indian Pines数据集上,DSSM算法的OA比SVM算法大约提升了15%,比DS-SVM算法提升了大约10%,比DS-KNN和DS-RT算法提升的更多,分别提升了大约20%和22.5%,并且Kappa系数最高。在Pavia University数据集上,DSSM算法的OA比SVM算法大约提升了3.5%,比DS-SVM算法提升了大约6%,比DS-KNN和DS-RT算法提升的更多,分别提升了大约13%和12%,并且Kappa系数最高。由此可得,本文提出的DSSM算法有效利用高光谱图像光谱和空间信息,改善了分类结果中的“椒盐”现象,并减少了错分点,有效提高了分类精度。

4 结论

1)基于优势集聚类的波段选择方法,可选择出保留良好结构信息的最优波段子集。虽然将获取的波段子集作为SVM算法的输入特征,可有效提升总体分类精度,但是由于分类过程中忽视高光谱图像空间信息的利用,造成分类结果存在较多“椒盐”现象和错分点。

2)为有效利用基于优势集聚类方法选择的保留良好空间信息的最优波段子集,本文提出基于优势集聚类和马尔科夫随机场的高光谱图像分类算法(DSSM)。该算法通过马尔可夫随机场对经优势集聚类方法进行波段选择后的高光谱图像相邻像元建立局部空谱一致性,利用空间上下文信息修正初始分类结果,实现了高光谱图像自身空间和光谱信息的有效挖掘与利用,进一步提高了分类精度。

3)在Indian Pines和Pavia University这2组数据集上的实验结果表明,相对于现有的几种经典算法,本文提出的DSSM算法有效改善分类识别结果中的“椒盐”现象和错分点,并且在总体分类精度上有着明显提升。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

叶珍, 白璘, 粘永健 .

基于Gabor特征与局部保护降维的高光谱图像分类算法

[J]. 光学学报, 2016,36(10):504-513.

[本文引用: 1]

, Bai

, Nian Y

Hyperspectral image classification algorithm based on Gabor feature and locality-preserving dimensionality reduction

[J]. Acta Optica Sinica, 2016,36(10):504-513.

[本文引用: 1]

[2]

侯榜焕, 张耿, 王飞 , 等.

结合多尺度空间滤波和层级网络的基于结构保持的高光谱波段选择

[J]. 光子学报, 2017,46(5):179-188.

[本文引用: 1]

Hou B

, Zhang

, Wang

, et al.

Feature selection based on structure preserving for hyperspectral image combination with multi-scale spatial filtering and hierarchical network

[J]. Acta Photonica Sinica, 2017,46(5):179-188.

[本文引用: 1]

[3]

, Zhang

Efficient superpixel-level multitask joint sparse representation for hyperspectral image classification

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015,53(10):5338-5351.

DOI:10.1109/TGRS.2015.2421638 URL [本文引用: 1]

[4]

Albarracin J F

, Santos J A

, Torres R D

Learning to combine spectral indices with genetic programming

[C]//29th SIBGRAPI Conference on Graphics,Patterns and Images.Sao Paulo:IEEE, 2017: 408-415.

[本文引用: 1]

[5]

Vaiphasa

, Skidmore A

, Boer

W F D

,et al.

A hyperspectral band selector for plant species discrimination

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007,62(3):225-235.

DOI:10.1016/j.isprsjprs.2007.05.006 URL [本文引用: 1]

[6]

Martínez-Usómartinez-Uso

, Pla

, Sotoca J

, et al.

Clustering-based hyperspectral band selection using information measures

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007,45(12):4158-4171.

DOI:10.1109/TGRS.2007.904951 URL [本文引用: 1]

[7]

Hou

, Xu

, Chi

, et al.

Robust clustering based on dominant sets

[C]//22nd International Conference on Pattern Recognition.Stockholm:IEEE, 2014: 1466-1471.

[本文引用: 1]

[8]

Hou

, Pelillo

A simple feature combination method based on dominant sets

[J]. Pattern Recognition, 2013,46(11):3129-3139.

DOI:10.1016/j.patcog.2013.04.005 URL [本文引用: 2]

[9]

Zhu G

, Huang Y

, Lei J

, et al.

Unsupervised hyperspectral band selection by dominant set extraction

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016,54(1):227-239.

DOI:10.1109/TGRS.2015.2453362 URL [本文引用: 3]

[10]

Pavan

, Pelillo

Dominant sets and pairwise clustering

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007,29(1):167-172.

DOI:10.1109/TPAMI.2007.250608 URL [本文引用: 3]

[11]

Hou

, Xu

, Liu W

, et al.

A density-based enhancement to dominant sets clustering

[J]. IET Computer Vision, 2013,7(5):354-361.

DOI:10.1049/iet-cvi.2013.0072 URL [本文引用: 2]

[12]

Yang

, Liu

, Latecki L

Contour-based object detection as dominant set computation

[J]. Pattern Recognition, 2012,45(5):1927-1936.

DOI:10.1016/j.patcog.2011.11.010 URL [本文引用: 2]

[13]

Hamid

, Maddi

, Johnson

, et al.

A novel sequence representation for unsupervised analysis of human activities

[J]. Artificial Intelligence, 2009,173(14):1221-1244.

DOI:10.1016/j.artint.2009.05.002 URL [本文引用: 2]

[14]

贺金鑫, 陈圣波, 王阳 , 等.

一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法

[J]. 光谱学与光谱分析, 2014,34(2):505-509.

URL [本文引用: 1]

由于某些矿物，特别是与成矿作用有关的热液蚀变矿物的光谱特征差异较小，更受到矿物混合光谱等因素的影响，导致大多数光谱识别方法对一些光谱特征相似的矿物极易出现混淆和误判现象。因此，针对矿物光谱的“同物异谱”、 “同谱异物”现象，提出了一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法。通过对白云母、高岭石，这两种光谱特征相近的典型蚀变矿物的实验测试、分析，并与光谱角匹配、二进制编码、光谱特征拟合等同类方法进行对比，结果表明该方法能够充分地利用吸收特征波谷位置、吸收特征深度、包络线斜率等多种矿物光谱识别属性特征，进而将不同种类的矿物更明显地予以区分，具有较高的分类识别准确率。

He J

, Chen S

, Wang

, et al.

An accurate approach to hyperspectral mineral identification based on naive Bayesian classification model

[J]. Spectroscopy and Spectral Analysis, 2014,34(2):505-509.

[本文引用: 1]

[15]

Zhao

, Zhong

, Shu

, et al.

High-resolution image classification integrating spectral-spatial-location cues by conditional random fields

[J]. IEEE Transactions on Image Processing, 2016,25(9):4033-4045.

DOI:10.1109/TIP.2016.2577886 URL [本文引用: 1]

[16]

Tarabalka

, Rana

Graph-cut-based model for spectral-spatial classification of hyperspectral images

[C]//2014 IEEE International Geoscience and Remote Sensing Symposium(IGARSS).Quebec:IEEE, 2014: 3418-3421.

[本文引用: 2]

[17]

Moser

, Serpico S

, Benediktsson J

Land-cover mapping by Markov modeling of spatial-contextual information in very-high-resolution remote sensing images

[J]. Proceedings of the IEEE, 2013,101(3):631-651.

DOI:10.1109/JPROC.2012.2211551 URL [本文引用: 2]

[18]

鲍蕊, 薛朝辉, 张像源 , 等.

综合聚类和上下文特征的高光谱影像分类

[J]. 武汉大学学报(信息科学版), 2017,42(7):890-896.

[本文引用: 1]

Bao

, Xue Z

, Zhang X

, et al.

Classification merged with clustering and context for hyperspectral imagery

[J]. Geomatics and Information Science of Wuhan University, 2017,42(7):890-896.

[本文引用: 1]

[19]

Boykov

, Veksler

, Zabih

Fast approximate energy minimization via graph cuts

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001,23(11):1222-1239.

DOI:10.1109/34.969114 URL [本文引用: 1]

基于Gabor特征与局部保护降维的高光谱图像分类算法

2016

... 随着高光谱遥感技术迅速发展,成像光谱仪能够捕获地表物质精准的光谱响应和空间细节特征.通过有效分析与利用丰富的地表物质信息,可对遥感地物进行更细致的分类^[1].然而,高光谱图像中丰富的光谱信息意味着其波段数量(维数)较多,波段间信息冗余和高度相关不可避免.另外,由于高光谱图像标记样本成本昂贵,分类所用的训练样本数量有限且维数较高,如果直接对高光谱图像数据集进行分类,易发生Huges现象^[2,3].因此,降维处理通常作为高光谱图像分类的预处理环节.高光谱图像降维方法通常分为特征提取和波段选择2大类.特征提取方法是以数据变换的形式实现对光谱数据的降维(如主成分分析、独立成分分析).而波段选择(也称特征选择)则是直接从原始高光谱数据上百个波段中挑选出有效且有意义的波段子集.与特征提取方法相比,波段选择方法选取的波段子集,保留了原始波段的物理意义与地表物质的原始光谱特性,易于解释^[4]. ...

基于Gabor特征与局部保护降维的高光谱图像分类算法

2016

结合多尺度空间滤波和层级网络的基于结构保持的高光谱波段选择

2017

结合多尺度空间滤波和层级网络的基于结构保持的高光谱波段选择

2017

Efficient superpixel-level multitask joint sparse representation for hyperspectral image classification

2015

Learning to combine spectral indices with genetic programming

2017

A hyperspectral band selector for plant species discrimination

2007

... 波段选择方法根据是否需要样本标记信息可分为监督和无监督2大类.监督波段选择方法需要已知的样本标记信息进行训练学习,可明确地选择含有地物重要信息的波段,如光谱角度制图法、光谱混合距离法和光谱相关系数法等.然而在实际应用中,高光谱图像可用的标记样本信息有限,因此,在这种情况下无监督波段选择方法更适用^[5,6].由于不需要样本标记信息,无监督波段选择方法通常基于聚类的方式对高光谱图像进行波段选择.在众多聚类算法中,优势集聚类算法^{[7,8,9,10,11,12,13]}是由优势集理论^[10]产生的一种基于图论的聚类算法,在各领域应用中展现出良好的聚类性能,如图像分割^[11]、目标检测^[12]和人类活动分析^[13]等.Hou等^[8]提出基于优势集的简单特征组合方法,该方法利用优势集聚类对支持向量机分类器中核矩阵进行加权处理,有效提升了分类器泛化能力.而传统的无监督波段选择方法通常根据图像的原始光谱信息来选择最优波段子集,并且以不同的统计方法测量波段的信息量和差异程度.高光谱图像是一个三维立方体,具有丰富的结构信息,有意义的结构信息利用是有效的.为此,Zhu等^[9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果.因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维. ...

Clustering-based hyperspectral band selection using information measures

2007

Robust clustering based on dominant sets

2014

A simple feature combination method based on dominant sets

2013

... [8]提出基于优势集的简单特征组合方法,该方法利用优势集聚类对支持向量机分类器中核矩阵进行加权处理,有效提升了分类器泛化能力.而传统的无监督波段选择方法通常根据图像的原始光谱信息来选择最优波段子集,并且以不同的统计方法测量波段的信息量和差异程度.高光谱图像是一个三维立方体,具有丰富的结构信息,有意义的结构信息利用是有效的.为此,Zhu等^[9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果.因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维. ...

Unsupervised hyperspectral band selection by dominant set extraction

2016

... [9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果.因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维. ...

... 选取基于优势集聚类的波段选择算法^[9]作为高光谱数据的特征降维预处理方法.该算法主要分为2个部分: ①结构感知度量,在结构信息提取的基础上进行波段信息量和差异程度度量; ②图形表示和优化,利用优势集聚类算法将波段选择问题转化为图形表示,选择出特征差异最大的波段子集. ...

Dominant sets and pairwise clustering

2007

... [10]产生的一种基于图论的聚类算法,在各领域应用中展现出良好的聚类性能,如图像分割^[11]、目标检测^[12]和人类活动分析^[13]等.Hou等^[8]提出基于优势集的简单特征组合方法,该方法利用优势集聚类对支持向量机分类器中核矩阵进行加权处理,有效提升了分类器泛化能力.而传统的无监督波段选择方法通常根据图像的原始光谱信息来选择最优波段子集,并且以不同的统计方法测量波段的信息量和差异程度.高光谱图像是一个三维立方体,具有丰富的结构信息,有意义的结构信息利用是有效的.为此,Zhu等^[9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果.因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维. ...

... 根据优势集的定理^[10],优势集的求解问题可转化为二次规划问题,即 ...

A density-based enhancement to dominant sets clustering

2013

... [11]、目标检测^[12]和人类活动分析^[13]等.Hou等^[8]提出基于优势集的简单特征组合方法,该方法利用优势集聚类对支持向量机分类器中核矩阵进行加权处理,有效提升了分类器泛化能力.而传统的无监督波段选择方法通常根据图像的原始光谱信息来选择最优波段子集,并且以不同的统计方法测量波段的信息量和差异程度.高光谱图像是一个三维立方体,具有丰富的结构信息,有意义的结构信息利用是有效的.为此,Zhu等^[9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果.因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维. ...

Contour-based object detection as dominant set computation

2012

... [12]和人类活动分析^[13]等.Hou等^[8]提出基于优势集的简单特征组合方法,该方法利用优势集聚类对支持向量机分类器中核矩阵进行加权处理,有效提升了分类器泛化能力.而传统的无监督波段选择方法通常根据图像的原始光谱信息来选择最优波段子集,并且以不同的统计方法测量波段的信息量和差异程度.高光谱图像是一个三维立方体,具有丰富的结构信息,有意义的结构信息利用是有效的.为此,Zhu等^[9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果.因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维. ...

A novel sequence representation for unsupervised analysis of human activities

2009

... [13]等.Hou等^[8]提出基于优势集的简单特征组合方法,该方法利用优势集聚类对支持向量机分类器中核矩阵进行加权处理,有效提升了分类器泛化能力.而传统的无监督波段选择方法通常根据图像的原始光谱信息来选择最优波段子集,并且以不同的统计方法测量波段的信息量和差异程度.高光谱图像是一个三维立方体,具有丰富的结构信息,有意义的结构信息利用是有效的.为此,Zhu等^[9]提出了基于优势集聚类的波段选择方法,该方法先利用局部空间信息和谱间信息(简称空谱)一致性分析图像结构信息,完成对波段信息量和差异程度的度量,再利用优势集聚类完成波段选择,最后与多种分类器相结合对图像进行分类,均获得了较好的结果.因此,本文选择基于优势集聚类的波段选择方法作为高光谱图像分类应用的预处理方法,实现数据特征提取和特征降维. ...

一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法

2014

... 高光谱图像分类通常分为特征降维和分类器设计2个方面,传统分类器通常基于光谱信息进行分类,如支持向量机、K最近邻和随机森林等.由于受光照等外在因素的影响,成像光谱仪所获取的高光谱遥感影像往往存在“同物异谱”和“异物同谱”现象^[14],仅依靠光谱信息进行分类很容易出现错分,产生“椒盐”现象.为此,基于马尔科夫随机场的分类后处理方法^[15,16,17]利用相邻像元标签的局部空谱一致性将像元分类与图像分割方法统一起来,将光谱与空间信息以组合的形式综合利用图像上下文信息,已被广泛应用于高光谱图像分类.鲍蕊等^[18]提出综合聚类和上下文特征的高光谱图像分类方法,该方法将聚类信息与隐马尔科夫随机场模型相结合获取图像的空间信息并对图像进行分类,实验证明该方法有效弥补了单纯基于光谱信息进行图像分类的不足. ...

一种基于朴素贝叶斯分类模型的高光谱矿物精确识别方法

2014

High-resolution image classification integrating spectral-spatial-location cues by conditional random fields

2016

Graph-cut-based model for spectral-spatial classification of hyperspectral images

2014

... 式中:

δ (\begin{matrix}  \end{matrix})

为Kronecker函数,当

a = b

时,

δ (a, b) = 1

,否则,

δ (a, b) = 0

;

β

为控制空间平滑度的非负常数参数.然而,Kronecker函数项往往会降低不同类别地物之间边缘的分类结果.因此,将式(18)改成文献[16]中提出的形式,即 ...

Land-cover mapping by Markov modeling of spatial-contextual information in very-high-resolution remote sensing images

2013

... 式中: C为归一化参数;

W (y_{i}, y_{j})

表示相邻像元i和j之间的空间相关性函数;

M_{e}

为相邻像元的集合(本文采用8邻域).为了计算函数

W (y_{i}, y_{j})

,采取Potts模型^[17]求解,即 ...

综合聚类和上下文特征的高光谱影像分类

2017

综合聚类和上下文特征的高光谱影像分类

2017

Fast approximate energy minimization via graph cuts

2001

... 最终,标签结果可以通过最小化式(22)由有效的基于图切割扩展算法^[19]求解获得. ...

〈

〉