Spectral-Spatial高光谱图像分类的新方法

文摘

最近的事态发展在高光谱图像高度先进的分类方法的必要性。为了达到这一目标,本文提出了一种改进的spectral-spatial高光谱图像分类的方法。该方法主要包括三个步骤。首先,四个乐队选择策略,提出了利用统计地区合并(SRM)段高光谱图像的方法。分段映射随后与pixel-wise集成分类方法对高光谱图像进行分类。最后,得到最终的分类结果使用决策融合规则。验证测试执行评估建议的方法的性能,结果表明,新提出的方法优于最先进的方法。

1。介绍

高光谱图像通常是由成百上千的光谱带。这丰富的光谱信息可以有效区分不同对象和物理材料,从而导致矿物广泛应用检测、环境监测、农业和精确。分类技术是目前占主导地位的方法分析高光谱图像和已经得到太多的关注。在过去的几十年中,许多pixel-wise分类方法,提出了仅利用光谱信息,对遥感图像进行分类。回顾文献,pixel-wise分类方法主要包括最大似然(1),光谱角分类器(1,2),神经网络(1)、遗传算法(3,4),决策树(1),和基于内核的方法(5- - - - - -7]。特别是,支持向量机(SVM)在大多数情况下提供更高的分类精度(5,8,9]。在这个领域,Lu和翁10)提供了一个良好的审查和分析的遥感图像分类方法和技术。

尽管pixel-wise分类方法研究了多年,空间信息仍未充分调查。一般来说,空间信息对分类精度很重要,可以导致降低分类器的性能,如果被忽视,特别是对高空间分辨率卫星图像。先前的研究表明,pixel-wise方法有时会产生分类地图看起来噪声(也称为“盐和胡椒”效应)如果不使用图像空间信息(10,11]。替代目前pixel-wise方法结合空间信息和光谱信息的分类器系统,形成所谓spectral-spatial分类方法。该方法同时考虑了光谱和空间信息,通常可以获得更高的分类精度比pixel-wise分类器(11- - - - - -16]。通常,有两种手段实现spectral-spatial分类。spectral-spatial分类方法之一,结合邻域的空间信息,使用固定大小的窗口。数学形态学用于构造形态概要(MPs) (11,12)来定义空间信息。另一种方法是在内核中上下文/结构信息的集成方法提出Camps-Valls和Bruzzone17]。然而,这样spectral-spatial方法选择规模的问题,特别是在遥感图像包含复杂结构(14),如道路、建筑物、和其他的人造物体。

另一个spectral-spatial计划包括postclassification使用分割地图空间信息。一个城市高空间分辨率卫星图像分类方法是基于不同尺度下的不同的分割结果18]。partitional聚类方法(14)和分水岭变换(15)也被用来测量空间结构。上述方法的优点是很容易执行较低的计算复杂度。应该指出,然而,partitional集群存在以下两个局限性:集群的数字必须由用户事先设定;聚类的结果依赖于初始化值,因此unrobust聚类结果。这些缺点提出的问题,目前还不清楚如果partitional集群可以提高pixel-wise分类精度。

基于上述分析,本研究提出了一种新的spectral-spatial高光谱图像分类方法。获取空间信息的统计区域合并(SRM) [19),而不是partitional集群技术。方法很容易实现和实验结果给出了在本文后面的部分不仅显示方法可以提高分类精度,结果是强劲的。

本文的主要贡献是双重的:(1)提出从高光谱图像波段选择的策略;(2)建议使用SRM spectral-spatial分类方法的基础上,设计了带选择策略。

本文的其余部分组织如下。spectral-spatial分类介绍了使用分组聚类部分2,同时验证了该方法在两个实验图像部分3。部分4包括结论和未来的工作。

2。方法

拟议中的spectral-spatial分类结合支持向量机分类的进步和SRM分割方法。该方法有三个主要步骤,总结在图1。每一步的细节介绍如下。

2.1。高光谱图像分割

段高光谱图像,统计区域合并(SRM) [19被选来达到目的。该算法的优点是,它可以形象划分为区域快速、健壮的方式。SRM,我们观察到的图像被表示为它包含像素。图像包含属于设置颜色通道值()。让完美的现场观察到的图像被表示为。观察到的颜色通道采样的家庭,值并在每个像素的分布。控制区域:数量更高是,区域生成的数量就越大。两个组件在定义SRM算法至关重要:合并谓词和合并订单。合并谓词的定义是 在哪里和和代表一个固定的几个地区和;合并和如果。合并订单是选择一个函数像素对进行排序。一个选择的是 在哪里和是像素通道值。

最初的SRM进行彩色图像分割的算法只包含三个光谱通道,因此不能直接段高光谱图像。尽管基于最小异质性规则的SRM方法(21)提出了多光谱卫星图像分割,本研究从不同的角度设计了一个战略,充分利用丰富的高光谱图像光谱信息。为此,一种改进的SRM算法在这项研究中。建议的方法的中心思想是选择三个光谱波段高光谱图像,这是依赖于四个不同的波段选择策略。波段选择的优势是,它可以重复,因此将产生多个信息源和冗余信息,相互补充,提高鲁棒性。乐队选择策略包括一个静态方法,选择三个预定的乐队和三个动态方法,选择三个乐队的基础上分布。乐队选拔过程的细节描述如下。

(1)前三个电脑。首先,主成分分析(PCA)上执行转换原始高光谱图像选择前三个原则SRM的组件(pc)作为输入。虽然该研究利用PCA进行波段选择,也有很多乐队选择技术,可以使用,如线性鉴别分析(LDA) (22)和非参数加权特征提取(NWFE) [23]。感兴趣的读者被称为(17]。很明显,这个波段选择方法是静态的。相比之下,以下三个方法是动态的方法,选择三个乐队的基础上分布,包括均匀分布, 分布, 分布。

(2)均匀分布。高光谱波段的权重应该是等价和三个光谱波段是SRM的随机选择作为输入。

(3) 分布。的分布是基于假设高光谱波段权重非平衡(24),可以通过LDA测量。计算每个乐队的重量由以下方程: 在哪里表示歧视的力量乐队,和分别代表在类散射矩阵和类间散布矩阵。在这里,和被定义为 在哪里是数量的类,是样品的数量,代表光谱值,是th类的意思,是总体的均值谱值。

(4) 分布。不像分布,分布利用熵计算重量。熵(25)是一种随机性的统计测量,可用于描述输入图像的纹理。每一个乐队是由的重量 在哪里的熵光谱带。

一旦分布,乐队选择可以使用伪随机数生成理论[执行24,26]。乐队选择过程后,高光谱图像分割使用的算法1。

2.2。Spectral-Spatial分类

执行spectral-spatial分类后处理pixel-wise SVM分类结果后通过SRM分割结果。在这项研究中,该计划(14,15)(见图2),它结合了先进的分割和分类的结果,选择实现spectral-spatial分类。特别是,大多数投票选择算法作为决策融合规则,因为它很容易实现。SRM的分割和spectral-spatial分类会重复200次,200年产生的分类结果。最后,这200个分类结果将使用多数表决融合算法来产生最终的分类结果。

3所示。实验

为了评估拟议中的spectral-spatial分类方法的性能,实验在两个高光谱图像。第一个实验中使用了防治形象而AVIRIS图像是在第二个实验中使用。在这项研究中,使用MATLAB R2010b版本的编码环境对PC与2.83 - ghz Intel Core2Quad处理器时钟速度。

3.1。第一个实验

帕维亚大学的形象是一个城市由ROSIS-03光学传感器,记录与图像大小为610×340像素。图像的空间分辨率是1.3每像素和谱带的数量是115,范围从0.43到0.86μm。需要注意的是,12表达渠道已被移除的预处理步骤。有9类在第一个实验中,指示为C1, C2, C3, C4、C5、C6, C7、C8和制备过程。在这个实验中使用的训练和测试数据集是由帕维亚大学的保罗·古大提琴教授提供。假彩色图像(乐队50,27岁,17)和地面实况数据数据所示3(一个)和3 (b),分别。

监督分类是首先由多类支持向量机和特征选择。表1显示了每个类的训练样本和测试数据。本研究实现了SVM分类LIBSVM库(27]。高斯径向基函数(RBF)内核被用在这个实验和最优参数和测定了5倍交叉验证,导致,。pixel-wise SVM分类结果如图5(一个)。后pixel-wise SVM分类、SRM算法被应用于高光谱图像。三个乐队选择的基础上SRM的分布作为输入。Matlab工具箱(28)是用于执行SRM算法。的SRM的价值被定义为1024年的这项研究。图4使用不同的波段选择策略显示了SRM的结果。

spectral-spatial分类然后进行分割后的地图。数据5 (b)- - - - - -5 (e)结果spectral-spatial分类使用不同的波段选择策略。从视觉分析,可以看出pixel-wise支持向量机的结果看起来比这更“嘈杂”spectral-spatial分类方法。相比之下,后者提供更多比pixel-wise SVM均匀区域。为了定量评价该方法的性能,两个措施,包括总体精度(OA well-classified样本的数量除以测试样品的数量)kappa系数(的百分比协议修正的单独协议,预计将偶然),在这项研究中使用。

表1报告每个类的分类精度。从表1,可以看出spectral-spatial分类方法可以提高分类的准确性pixel-wise SVM C2类除外。这一现象的原因是,C2类面积小的特点,其空间结构可能受损的图像分割的过程。尽管这个缺点,spectral-spatial分类方法仍显示非常令人满意的结果。支持向量机分类的比较并给出spectral-spatial分类表2。从表2pixel-wise相比,支持向量机,OA和提高约6% ~ 9%和7% ~ 11%,分别。这个表清楚地表明,该方法具有较高的分类精度对pixel-wise SVM(即。,提出的方法优于pixel-wise SVM)。分类精度的提高音量恰逢假设集成多个信息源(即。、光谱和空间信息)可以减少分类错误。与此同时,表2还表明,两三个动态波段选择方法实现分类精度高于静态方法。这是由于这样的事实:动态波段选择方法可以提供比静态方法更丰富的空间信息。特别是,乐队选择基于这个实验达到最高的分类精度。

评估的影响,提出了算法在高光谱图像分类的结果进行了比较SVM中加上多数投票方法(SVMMV) [15),动态子空间方法和随机的波段选择方法(DSM) [24),动态子空间方法与LDA分布法(DSMw2) [24),和建议的方法。如表所示3,它描述了OA和的行为在这四个方法。带来的OA SVMMV、DSM DSMw2,和该方法等于85.42%,87.51%,88.76%,和89.49%,分别值等于81.30%,85.03%,86.22%,和86.59%,分别。该方法优于SVMMV、DSM和DSMw2很明显,这表明该方法更适合高光谱图像分类比其他三种方法。

3.2。第二个实验

印第安纳州的印度松树高光谱图像被AVIRIS传感器6月12日,1992年在第二个实验中使用。地面数据和相应的真实数据,如图6是由普渡大学教授大卫·a·Landgrebe提供。AVIRIS数据由220光谱波段20米/像素的空间分辨率29日]。在这个实验中,一个分段的原始印度松树使用大小为145×145像素。二十个乐队与吸水丢弃,导致200乐队。印第安纳州有16个不同的类在原始图像。四个16类报废是由于它们的样本容量,导致12类实验贴上C1, C2, C3, C4、C5、C6, C7、C8,制备过程,C10, C11、C12。详细信息表给出的12类4,每个类的样本数量可用的参考数据。

首先,SRM基于四个乐队选择策略应用于高光谱图像,如图7。这里的参数SRM是由8192。接下来,30%为每个类样本是随机选择从地面真理数据作为训练样本。基于这些训练数据集,最优参数和分别被确定为512年和0.0078年。图8(一个)显示了pixel-wise SVM的分类结果。之后,SRM分割结果,基于四个乐队选择方案,用来提炼pixel-wise SVM分类结果,产生的结果数据8 (b)- - - - - -8 (e)。从图可以看出8,支持向量机分类器患有“盐和胡椒”效应,导致分类性能的降低。相比之下,spectral-spatial分类器产生更多的均匀区域,因此在一定程度上解决这种限制,进而提高了分类精度。

为了定量组成,表4总结了每个类的分类精度不同的方法。所暗示的表4spectral-spatial分类方法可以改善大多数由pixel-wise类支持向量机的分类精度。表5包含pixel-wise SVM和spectral-spatial分类方法基于不同的波段选择策略。从表可以看出4pixel-wise相比,支持向量机,该方法基于四波段选择策略提高OA值5.09%,9.95%,9.71%,和9.73%,分别值提高了5.83%,11.42%,11.15%,和11.18%,分别。类似于第一个实验结果,三种动态波段选择方法实现更高精度比静态的波段选择方法,再次验证该方法的优越性。与此同时,与第一种情况相反,基于均匀分布的波段选择方法产生最佳的性能在第二种情况下。这表明均匀分布更适合城市地区空间结构是复杂的,而熵分布是一个更合适的平原地区,没有许多图像细节。

在第二个实验中,评估的适用性提出了高光谱图像的分类方法,进行比较分析三个其他方法(即。、SVMMV DSM和DSMw2)。报道在表6,该方法导致OA和最高。定量分析证实了该方法的适用性高光谱图像的分类。

3.3。讨论

在第一个实验中,乐队选择使用给出了最高精度(见表2)。从表1的准确性,可以看出类C2, C4、C9 spectral-spatial分类的基础上的分布相比减少pixel-wise SVM分类。从图9,可以看出只在区域分布法显示了良好的分类(我)相比和分布。(2)- (VI)地区是不是像素比分布方法和分布的方法。

在第二个实验中,基于分类方法达到最高的准确性(见表4)。图10显示了spectral-spatial分类结果的视觉比较基于不同的波段选择策略。从图可以看出10,动态方法进行区域(I)波段选择方法相比,基于前三个电脑。图10也表明,动态方法实现类似的分类结果也证实了表4。因此,对大型空间结构图像,乐队选择策略影响低spectral-spatial分类方法在图像有一个很大的空间结构。

4所示。结论

一个高级spectral-spatial分类方法对高光谱图像的分类,结合提出的分割和图像融合,提出了研究。该方法已通过(a)集成pixel-wise支持向量机(SVM)分类和统计区域合并(SRM)分割结果;(b) multiclassification使用多数表决结果融合。四个不同的波段选择策略实现SRM算法研究了高光谱图像。该方法有两个优点:它不需要预先设置集群数量;细分不依赖于初始值。这些优点导致更高的鲁棒性比partitional集群技术,从而使该方法适合先进spectral-spatial高光谱图像的分类。此外,该方法是简单和有效的实施。尽管发达高光谱图像分类方法被用来在这项研究中,该方法还可以用于多光谱图像进行分类。

在这项研究中,空间信息来源于提出分割结果,面临两个主要的缺点:很难控制规模和它破坏了类边界。因此解决这些局限性,进一步的研究将进行改善分割结果。特别是,边缘信息将研究产生精确的遥感图像的分割结果。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文中给出的工作部分是由中国科技部支持(项目号。2012 baj15b04和2012 aa12a305),中国国家自然科学基金(41331175),和凌小君任Cai项目测量的国家政府,中国映射和信息。作者要感谢普渡大学教授大卫·a·Landgrebe提供AVRIS数据集,帕维亚大学的保罗·古大提琴教授提供防治高光谱图像,和华Zhang博士和刘易从中国矿业大学和技术讨论和计算机编程的支持。

引用

1. z h . m . Shafri a Suhaili, s . Mansor“最大似然的性能、光谱角制图者,神经网络和决策树分类器在高光谱图像分析,“计算机科学期刊,3卷,不。6,419 - 423年,2007页。视图:出版商的网站|谷歌学术搜索
2. f·a·克鲁斯a . b . Lefkoff j . w . Boardman et al .,“光谱图像处理系统(sip) - interactive成像光谱仪数据的可视化和分析,“环境遥感,44卷,不。2 - 3、145 - 163年,1993页。视图:出版商的网站|谷歌学术搜索
3. b . c . k . Tso和p·m·马瑟”的多源遥感图像分类使用遗传算法和马尔可夫随机域,“IEEE地球科学和遥感,37卷,不。3我,1255 - 1260年,1999页。视图:出版商的网站|谷歌学术搜索
4. Maulik和s . Bandyopadhyay“模糊分区使用像素分类的实数编码遗传算法变长,”IEEE地球科学和遥感第41卷。。5,1075 - 1081年,2003页。视图:出版商的网站|谷歌学术搜索
5. g . Camps-Valls和l . Bruzzone“基于高光谱图像分类的方法,”IEEE地球科学和遥感,43卷,不。6,1351 - 1362年,2005页。视图:出版商的网站|谷歌学术搜索
6. g . Camps-Valls l . Gomez-Chova j . Munoz-Mari j . Vila-Frances和j . Calpe-Maravilla“复合内核为高光谱图像分类,”IEEE地球科学和遥感信,3卷,不。1,第97 - 93页,2006。视图:出版商的网站|谷歌学术搜索
7. g . Camps-Valls l . Gomez-Chova j . Munoz-Mari j·l·Rojo-Alvarez和m . Martinez-Ramon”基于框架多瞬时和多源遥感数据分类和变化检测,”IEEE地球科学和遥感,46卷,不。6,1822 - 1835年,2008页。视图:出版商的网站|谷歌学术搜索
8. m . Pal和p·m·马瑟”,支持向量机在遥感分类”国际遥感杂志》上,26卷,不。5,1007 - 1011年,2005页。视图:出版商的网站|谷歌学术搜索
9. f . Melgani和l . Bruzzone”分类支持向量机的高光谱遥感图像”IEEE地球科学和遥感,42卷,不。8,1778 - 1790年,2004页。视图:出版商的网站|谷歌学术搜索
10. d . Lu和问:翁”,图像分类的调查方法和技术对提高分类性能,”国际遥感杂志》上,28卷,不。5,823 - 870年,2007页。视图:出版商的网站|谷歌学术搜索
11. m . Fauvel光谱和空间城市遥感数据的分类方法[博士。论文)冰岛大学,2007。
12. m . Fauvel j . a . Benediktsson j . Chanussot和j·r·人“高光谱数据的光谱和空间分类使用svm和形态学资料,”IEEE地球科学和遥感,46卷,不。11日,第3814 - 3804页,2008年。视图:出版商的网站|谷歌学术搜索
13. y Tarabalka, j . Chanussot j . a . Benediktsson j . Angulo和m . Fauvel”使用分水岭分割和分类的高光谱数据,”IEEE国际地球科学和遥感学报》研讨会美国大众,页III652-III655,波士顿,2008年7月。视图:出版商的网站|谷歌学术搜索
14. y Tarabalka、j . a . Benediktsson和j . Chanussot”Spectral-spatial基于partitional集群技术的高光谱图像分类,“IEEE地球科学和遥感卷,47号8,2973 - 2987年,2009页。视图:出版商的网站|谷歌学术搜索
15. y Tarabalka、j . Chanussot和j . a . Benediktsson”使用分水岭变换分割和分类的高光谱图像,”模式识别,43卷,不。7,2367 - 2379年,2010页。视图:出版商的网站|谷歌学术搜索
16. y Tarabalka和j . c . Tilton Spectral-spatial高光谱图像,采用分级优化的分类”诉讼第三车间对高光谱图像和信号处理(低语11)2011年6月,页1 - 4,。视图:出版商的网站|谷歌学术搜索
17. g . Camps-Valls和l . Bruzzone内核为遥感数据分析方法新泽西州霍博肯市约翰·威利& Sons,美国第1版,2009年版。
18. 大肠Frauman和e·沃尔夫高空间分辨率卫星图像的分割在城市地区按照市场分类,2005,http://www.ecognition.com/sites/default/files/226_frauman_urs2005.pdf。
19. r·诺和f·尼尔森统计地区合并。”IEEE模式分析与机器智能,26卷,不。11日,第1458 - 1452页,2004年。视图:出版商的网站|谷歌学术搜索
20. f·a·克鲁斯a . b . Lefkoff j . w . Boardman et al .,“光谱图像处理系统(sip) - interactive成像光谱仪数据的可视化和分析,“环境遥感,44卷,不。2 - 3、145 - 163年,1993页。视图:出版商的网站|谷歌学术搜索
21. h . h . Li顾、y汉和j·杨,”一个高效的多尺度SRMMHR(统计区域合并和最小异质性规则)的高分辨率遥感图像分割方法,”IEEE选择杂志的主题应用地球观测和遥感,卷2,不。2、67 - 73年,2009页。视图:出版商的网站|谷歌学术搜索
22. a . m .马丁内斯和a·c·谷湖PCA与LDA。”IEEE模式分析与机器智能,23卷,不。2、228 - 233年,2001页。视图:出版商的网站|谷歌学术搜索
23. 在公元前。郭和d . a . Landgrebe”非参数加权特征提取分类。”IEEE地球科学和遥感,42卷,不。5,1096 - 1105年,2004页。视图:出版商的网站|谷歌学术搜索
24. 人类。杨,在公元前。郭,P.-T。于学术界。壮族”,高光谱图像分类的动态子空间方法,”IEEE地球科学和遥感,48卷,不。7,2840 - 2853年,2010页。视图:出版商的网站|谷歌学术搜索
25. r·c·冈萨雷斯·r·e·伍兹,s . l . eddin使用MATLAB数字图像处理,Prentice Hall,上台北,美国,第二版,2003年版。
26. l . Devroye非均匀随机变量生成施普林格,纽约,纽约,美国第1版,1986年版。
27. c c。Chang和C.-J。林,LIBSVM:支持向量机的库,2001,http://www.csie.ntu.edu.tw/∼cjlin / libsvm /。
28. 美国博尔茨”,图像分割使用统计区域合并,”2014年,http://www.mathworks.com/matlabcentral/fileexchange/25619-image-segmentation-using-statistical-region-merging。视图:谷歌学术搜索
29. r . o .绿色,m·l·伊斯特伍德c . m . Sarture et al .,“成像光谱和机载可见光/红外成像光谱仪(AVIRIS)”环境遥感,卷65,不。3、227 - 248年,1998页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Zelang苗族和施一职。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。