文摘

尖端技术,高光谱遥感已经广泛应用于许多领域,包括农业生产、矿物识别、目标检测、灾害预警、军事侦察、和城市规划。收集到的高光谱数据具有较高的光谱分辨率和空间分辨率的特点是大量的信息、冗余和高维度。与此同时,乐队之间有很强的相关性。因此,高光谱数据不仅提供了丰富的信息,也为后续处理带来巨大挑战。高光谱图像分类是遥感信息处理的一个热点问题。传统的高光谱遥感图像分类方法只使用图像的光谱特性而不考虑空间特性的高光谱遥感图像中的每个像素。本文提出了一种高光谱图像分类方法不仅考虑光谱特性,而且考虑纹理特征。这种方法共同认为这两种特性。首先,六个纹理特征做出了贡献高光谱遥感图像的每个像素提取使用灰度同现矩阵,然后,每个像素的光谱特性在邻居,组合起来以形成texture-spectral特性。最后,印度松树和帕维亚大学的分类实验场景进行基于支持向量机和极端随机树算法,和获得的结果表明,该方法实现更高的分类性能比传统的方法。

1。介绍

遥感(RS)意味着远程感知。从广义上讲,RS技术手段检测观察目标,获取相关信息,联系在一定距离。在狭义上,遥感可以被理解为一个全面的技术来探测地球表面使用加载平台传感器和电磁波信号的帮助下,航空航天,和航空平台,为了获得相关信息通过信号和物体表面之间的相互作用机理。然后,获得的信息进行分析处理和应用程序(1]。随着技术的发展,遥感技术经历了全色摄影、彩色摄影、多光谱遥感。然后是高光谱遥感在1980年代的时代。

成像光谱仪可以收集信息从数以百计的窄光谱波段和获取图像数据作为一个连续谱的多维数据集。高光谱数据收集过程中,太阳辐射信号被传输到地面物体穿过大气层,然后通过大气传播对象的表面反射和辐射后,由传感器采集。通过辐射校正和处理,可以获得的高光谱数据感兴趣的目标(2]。

平台高光谱采集可以分为三类:地面、航空航天、飞机。的主要应用范围地面平台地面的高度是直接收购或空间成像的高度不要超过50米。该平台主要用于农业或实验室成像。航空平台的操作距离地面10到100公里。高光谱图像的成像光谱仪进行小型飞机或无人机(UAV),这是一个常用的机载成像方法和在外部硬件条件和操作需要高精度成像。空间平台的太空成像距离函数通常是离地面150多公里,成像光谱仪是由卫星。地球的工作距离成像通常是数万公里,和实验成本是巨大的。

由于高光谱图像的丰富信息,高光谱遥感技术已经应用到生活的各个方面,有着广泛的应用。在军事应用,高光谱图像可以满足军事需求的侦察、伪装和anticamouflage操作和信息采集。在星际探索、海洋和大气检测,可以准确地分析对象的结构和成分,为后续处理提供技术支持通过收集高光谱图像。在公共安全,这项技术可以用来发现危险情况准确地利用高光谱数据。它可以更好的维护公共安全。在农业领域,它可用于快速识别入侵植物物种和有效监测植被的生长。在地质调查,它有助于识别和分类的岩石和矿物。同时,高光谱遥感技术并不局限于上述领域但已经广泛应用于许多领域,如食品、生态、通信、旅游、运输(3]。

高光谱图像分类的目的是区分多个目标特性在收集到的图像捕获、和过程如图1。图像中每个像素标记为一个不同的类别标签根据一定的规则和收集每个乐队或光谱特征图像的空间结构信息和其他数据。

高光谱图像分类的理论依据如下:在同样的自然条件(如照明、地形、植被覆盖率),地面物体的光谱信息和空间分布信息的同一类别高光谱图像应该相同或相似的,不同类别的数据信息应该明显不同。这样的类之间的相似与差异体现在信息的矢量的像素相同的地面对象所在地将聚集在相同的信息空间区域;相反,信息矢量的像素不同的地面物体位于将聚集在不同信息空间区域(4]。在实际情况下,由于光谱成像仪的低空间分辨率,像素不仅包含单不同的对象可能包含两个或两个以上的不同的对象或功能。这些像素被称为混合像素。混合像素的存在增加了分类上的困难,并有一些观察到的数据信息的差异与相同类型的对象像素模糊数据的不同信息之间的不同类型的对象像素。需要指出在实际情况类似于混合像素图像,信息向量不是分布在空间的一个点,但根据一定的约束,相对集中分布在一定空间范围内的浓度导致一些重叠现象和像素不能划分清楚5]。

计算机分类指的是高光谱图像的分类过程通过使用计算机作为高光谱数据的处理环境和使用模式识别和人工智能技术在图像根据收集到的各种信息。随着科学技术的不断发展,持续改进的理论,以及计算机硬件的更新,计算机分类分类时间短的特点,良好的分类效果,客观性强,现在主流的分类方法。

首先,基于高光谱分类方法光谱曲线在计算机分类介绍。这种分类的原则是相对简单的。它主要使用收集到的光谱曲线来反映地面物体的光物理性质,采用一些简单的匹配算法对它们进行分类。这些算法分类包括光谱角映射器(SAM),光谱信息散度(SID),二进制编码(BC)和光谱吸收指数(SAI)。

光谱角匹配算法是最常用的算法,将高光谱图像的每个像素的光谱收集作为一个多维向量之间的夹角计算像素分类,参考光谱获得两个向量之间的相似度和分类他们(6,7]。参考光谱可以来自于图像本身或现有的谱库。夹角越小,像素之间的相似度越高,光谱和参考。最后,分类是根据相似性阈值决定的。这种方法的特点是:分类仅取决于光谱形状的相似性,算法简单,但积极和消极无法区分光谱向量之间的相关性,所以很难区分不同光谱夹角相同,和整体分类效果并不好。由于山姆算法的局限性,改进算法不断出现。例如,传统single-endian萨姆是扩展到multiendian山姆,可以更好地代表每个类的光谱特性(8]。作者在9]提出了基于重量和山姆内核分离特征空间变换,这就增加了歧视。山姆基于多个训练样本应用于图形处理单元(GPU)来改善分类效果和处理速度10]。此外,山姆在某种程度上,SID算法类似。这两种方法的主要区别是,SID法官之间的相似性计算信息熵谱的谱曲线(11]。

光谱的二进制编码是另一个分类技术来查找和匹配处理目标迅速和有效地在光谱库12]。方法如下。首先,设置一个阈值,然后比较像素的值在每个频带处理收集的高光谱阈值。如果该值大于阈值,代码是1;否则,它是0。通过这种方式,每个像素生成一个二进制编码的曲线,这些曲线之间的相似系数和光谱库中的二进制编码的矢量计算最终确定地物类别。通过处理,删除一些冗余信息收集到的图像,和算法简单,提高了分类速度。然而,这个简单的二进制编码的限制是会让很多详细的光谱信息丢失。不能保留有效的信息,因此它不能有效地处理细分类。针对一些缺点,一些学者做出了改进。 The authors in [13]扩展光谱二进制编码多通道二进制编码。在另一个工作,设置多个阈值与每个阈值比较,结果为了提出一个multithreshold编码分类(14]。在[15)的波形特征光谱结合传统的二进制编码更好地描述光谱曲线。

在文献中,大部分的高光谱图像分类集中在图像的光谱特性。然而,纹理特征分析的高光谱数据仍未解决。在本文中,我们的目标是提出基于合作学习分类算法的光谱特征和空间结构特征的高光谱图像使用支持向量机(SVM)。支持向量机对高效学习能力,有效地执行在高维空间中。

剩下的论文结构如下。部分2解释了协作学习算法和提出的高光谱图像分类方法。部分3讨论了仿真结果和分析。部分4提供了这项工作的结论。

2。协同学习算法的光谱和纹理特征

在本节中,我们讨论高光谱数据,协同学习算法构建强有力的独特功能的分类。然后,我们讨论了基于svm cotraining光谱和纹理特征的算法。最后,基于稀疏特性的高光谱影像分类算法和邻里同质性进行了探讨。

2.1。介绍了协作学习

协作学习是a .梁和t·米切尔于1998年首次提出。协作学习是一种semisupervised学习算法,对可用的特性所做的假设以下数据:数据集包含两个视图和特性可分为两组功能,提供不同的补充信息。理想情况下,这两个集合的特性应该class-conditional独立,和强大的分类器可以从每组特性。

合作学习应用于二进制分类网页(16]。算法的主要流程如下。首先,两个示例数据集包含标签和标记构造。该算法首先选择未标记样本的一部分作为一个“连接”数据集。使用标记样本集训练两个分类器两种特性,分别基于朴素贝叶斯方法的概率方法一般适用于贝叶斯定理以及强大的独立假设的特性。然后,这两个分类器是用来“连接”的样本数据集进行分类,分别。由于朴素贝叶斯分类器的输出结果是通用概率,最“可靠”的正面和负面的例子分类结果的概率选择分类器的输出,和分类结果和相应的样品放入标签数据集,然后,未标记样本集是用于更新数据集“连接”。这个过程重复几次,这是算法的结果。

2.2。协同学习算法的光谱特征和纹理特征

基于协作学习算法的特点,高光谱图像分类和其独特的特点和困难被认为是在这个框架下,应该关注以下问题:(1)两个截然不同的,几乎必须构造独立的强大特性。高光谱数据的分类,我们希望构造有效的纹理特征在图像空间的平面尺寸除了常用的光谱信息特征(2)选择一个分类器适用于高光谱图像分类。分类器能有效处理高维问题和复杂噪声的影响(3)如何选择“可靠”分类的结果标记数据来更新现有的分类和标记数据集也需要仔细考虑吗

用于高光谱图像的光谱特征分类,我们考虑使用原始数据没有太多处理除了简单的去除噪声频带和数据归一化等预处理。目前,也有一些研究工作数据降维,如乐队选择或特征提取,大量的原始高光谱数据。然而,最近的研究表明,只考虑分类问题,除了消除噪音乐队的预处理方法,数据降维并不显著提高高光谱数据的分类精度。纹理特征是图像分析是非常重要的。然而,多光谱和高光谱图像的纹理分析仍然是一个非常困难的问题。在本文中,高光谱图像,我们的目标是找到一个二维平面表示,最能代表图像空间平面尺寸的变化。在本文中,我们首先使用主成分分析(PCA)的特征变换高光谱图像数据,然后使用伽柏纹理特征灰度图像进行纹理分析的前六个主成分组成的像素。PCA选择这里主要是因为这些主成分最能捕捉变化的空间平面尺寸的高光谱图像数据集。

伽柏纹理特征是一种常见的纹理特征。一个二维伽柏内核函数是一个高斯调制正弦波的频率和方向。伽柏的真实响应滤波器在空间域可以由以下方程:

这里有

在方程(1)和(2),是标准差的高斯包络的接受域的大小,显示伽柏的定位功能,的空间比例决定了伽柏的椭圆形状函数(17]。指定的高空间分辨率小的价值 。的参数给真正的值的范围 。由此,我们可以看到,“和谐”是一对的话,对应于一个特定的滤波器的输出图像。

图像的宽度。为每个图像输入的过滤器,它的输出,以下非线性s形的函数是用来变换:

然后,计算平均绝对偏差(AAD)。最后,一组纹理特征输出图形。

2.3。分类和预测信任的标志

在协同学习算法,通过朴素贝叶斯算法的分类任务。朴素贝叶斯的输出形式的概率,这是适合的情况下最“可靠的”(最可能的)选择积极或消极的例子来填补标记样本集。朴素贝叶斯分类器是不准确,因为在这个分类器被认为是独立的,所有功能在实际情况下通常不如此。它不是有效的在更复杂的分类,所有功能并不是相互独立的。此外,由于高维高光谱数据的特点和复杂性,由于可用性噪声的数据源,朴素贝叶斯分类器是不合适的。在我们的算法中,我们决定使用概率输出形式的概率分类的支持向量机来解决这个问题。支持向量机已经广泛应用于模式识别的分类问题,通常可以达到较高的分类精度。先前的研究也证明了支持向量机的有效性基于像素高光谱数据分类(18]。标准支持向量机不能给的概率输出类标记。支持向量机是扩展到的概率估计类。下面简要描述的技术细节。

给定类数据,样本 ,我们的目标是估计以下方程:

支持向量机最初提出了二元分类的问题。在多类分类问题,如果采用一个对一个的实现方法,对类之间的概率如下:

因此,类别概率只能获得从所有这些吗 。为接下来的优化问题,

来自于方程的优化函数

并且可以进一步表示为

在这里,

这个问题是凸的,和详细的计算过程可以称为(12]。所以我们使用上面的特殊形式分类和基于概率选择最可信的预测输出。

2.4。STF-CT算法

基于光谱和纹理特征cotraining (STF-CT)算法如下。

中描述的算法,STF-CT算法非常简单。高光谱图像立方体,立方体的前6的PCA变换可以表示空间变化的信息。纹理特征给伽柏滤波器提取单一乐队形象形成了图像纹理特征数据集。高光谱图像立方体,立方体纹理构成两个独立视图构建合作学习算法。为一个类地物分类问题,光谱特征分类器和纹理特征分类器是训练有素的。在每个迭代的算法,最“可靠”样本被当前两个独立视图分类器的选择“连接”数据集 ,这些样品被添加到标记样本集3,然后随机选择的样本标记样本集被添加到“连接”数据集 。迭代的总数由参数决定 。

2.5。高光谱图像分类算法基于稀疏特征和社区同质性(SF-NH)

高光谱数据有大量的数据,大量的冗余,高维度,和很强的相关性之间的乐队,这给后续处理带来了挑战。越来越多的受到关注的问题,如何有效地利用丰富的光谱信息,确保加工精度。分类过程在高光谱图像处理中起着重要的作用。关键技术是充分描述信息和实现更好的分类效果。

稀疏表示是一个伟大的技术pixel-wise分类。它显示领域的巨大潜力数据描述和获得了巨大的利益在图像处理领域的理论和实践。当数据投射到字典元素形成的特征子空间,它可以发现,只有一小部分的数据处于活跃的状态,也就是说,该值为零,和大多数的预测数据值是0,所以稀疏表达式的数据可以实现。

稀疏表示已成功引入近年来高光谱图像的分析和应用。Iordache团队带头的稀疏模型引入到高光谱分离和提出了一系列代表算法,取得了良好的成果。稀疏模型是由一个人更容易解释的。在这些模型中,大多数的信息由基本的线性组合表示样品的小集。在这种背景下,高光谱像素在高维空间中由低维子空间由同一个类的基本结构样本。王等人介绍了稀疏表示图像的可视化。稀疏表示是广泛用于目标检测和图像恢复。当然,也已取得很好结果分类问题。哈克等人使用稀疏表达解决高光谱分类问题只有几个标签。通过实验,他们发现这种方法可以提高分类的准确性和维护相对高效的运行效率。 Song et al. proposed a classifier based on sparse coding, which showed the advantages of sparse coding in feature expression. At the same time, many studies focused on optimizing dictionaries in hyperspectral image classification. For example, Yang et al. constructed some neural networks for dictionary learning. The dictionary dimension was reduced through the compression sampling step, hyperspectral vectors could be sparsely expressed, and accurate classification results were obtained. However, the common shortcoming of the above classifiers is that they are designed with per-pixel classifiers in nature, which only use spectral information and ignore the neighborhood information in the image. Therefore, it can be concluded that a general problem of per-pixel classifier is that it has salt-and-pepper noise mode, that is, there are often some scattered misclassified pixels in the classification result graph, which are similar to salt-and-pepper noise in visual effect.

3所示。实验仿真结果和分析

在本节中,我们讨论了影响参数,并比较了不同分类方法的分类实验印度松树,萨利纳斯,帕维亚大学的数据集。然后,我们分析了我们建议的方法比其他方法的结果。

3.1。分析参数的影响

在本部分中,参数在SF-NH方法分类性能的影响进行了研究。在这里,我们只讨论一个特定参数对该算法的影响在其他参数的最优状态。索引整体精度(OA),平均精度(AA), Kappa系数是用来衡量不同参数的影响在本文中给出的方法。这里需要解释什么是应用程序中使用两个不同尺度的邻居同质性测定方法:(1)单一的规模,2和3的尺度,分别;(2)多尺度:使用 规模,继续处理规模3规模的处理结果2。

3.2。比较不同的分类方法

在本部分中,上面提到的样品用作分类仿真实验数据。SF-NH方法与基于原始光谱特征的分类方法(的)[158]和主成分分析(PCA)的特征[8](使用前三个主成分分量进行分析)。这些方法代表特征分类方法目前被广泛使用。在所有的分类方法,使用单一的规模和多尺度附近的同质性的决心。这些比较的控制参数调整方法通过交叉验证最优。三个常用数据集(印度的松树,萨利纳斯,帕维亚大学数据集)被认为是进行实验来评估我们的分类方法。印度松树数据集被可见红外成像光谱仪(AVIRIS)在印度松树测试网站拥有224光谱波段在0.4到-2.5之间μm。帕维亚大学的数据集是由反射光学系统成像光谱仪(防治),有103个光谱波段在0.43到-0.86之间μm。萨利纳斯被AVIRIS盐沼植被和土壤地区的山谷,有224个光谱波段。印度松树的分类结果数据集在图所示2。

对印度松树和萨利纳斯的数据,每个分类器的分类精度平均在30分由于随机抽样,以减少偏见。帕维亚大学的数据,我们采用一个固定的训练样本集。分类效果图对应一个运行数据所示2- - - - - -4。

从第一列数据2- - - - - -4,它可以直观地看到,相比之下,通过使用原始光谱特性和PCA特征提取,分类结果采用稀疏特性分类特性更好。这是由于以下两个原因:稀疏的特性及其对应的overcomplete字典可以充分表达高光谱数据;另一方面,非零元素稀疏特性把非常重要的信息;同时,稀疏特性包含少量的非零元素,非常有利于分类。通过比较每行和每列在图中,可以看出,附近的同质性测定方法可以消除“噪声像素花白”分类过程中生成和优化分类结果在获得支持向量机分类的结果。同时,通过比较这三个子图(j), (k)和(左)在每个图中,可以看出(L)图的分类效果是最好的,也就是说,分类结果采用多尺度附近同质性判断SF-NH比任何单一尺度的分类结果在多尺度大小。萨利纳斯的定量评估表所示1。

表1和2更直观地比较各种算法的分类性能,通过它可以获得有用的信息。的问题反映在三个表基本上是相同的。表1用于详细介绍。首先,通过观察、PCA和科幻小说,可以看出OA算法使用稀疏特性的分类特性达到84.5%。整体效果比原来的光谱特性( )和PCA特征( )。与此同时,与之相比 ( )和科幻小说( ),可以看出,可以显著提高分类的准确性使用社区同质性测定方法,也适用于分类的特点,科幻,PCA。几个比较方法的分类效果 ,它使用稀疏特性和多尺度同质性的决心,是最好的,其分类精度可以达到91.61%。

这里,我们注意到,这三个数据集是由两种不同类型的光谱收藏家收集,分类效果是通过算法不同程度改善,表明该算法具有一定的普遍性。印度松树机载可见/红外成像光谱仪获得的数据比萨利纳斯(AVIRIS)传感器空间分辨率较低的数据,和邻居的同质性算法改善了印度松树数据显著较低的空间分辨率。印度的松树,OA从84.51%提高到91.61%,增加了约6%,而萨利纳斯,OA从90.45%到91.57%增加了约1.1%。这是因为较低的高光谱图像的空间分辨率包含更少的节段信息,可以显著改善分类效果通过引入空间邻域信息。同时,尽管总体分类精度提高帕维亚大学,通过引入空间信息类别7和类别的分类精度8不同程度下降。同样地,类似的现象发生在印度14松树类别。CA14从98.34%减少到94.54%通过引入社区同质性测定方法。它也可以显示从侧面通过观察的地方最边缘的像素分类错误的细节。附近的同质性测定方法引入更适合处理大型均匀区域,而不是像素处理分散的或详细的边缘。

4所示。结论

持续改进的光谱分辨率和空间分辨率,高光谱遥感技术可以提供越来越多的观察对象的详细描述。高光谱数据包含丰富的信息,这使得高光谱遥感技术应用于军事和国防领域和公民生活的各个方面在世界上所有国家,并显示了巨大的应用价值。在本文中,我们提出了一个基于合作学习分类算法的光谱特征和空间结构特征地物高光谱图像空间分辨率较低的高光谱图像的分类。我们的算法提供了良好的分类精度和效果的小训练样本集,并给出了一个新的启蒙运动问题的高光谱对象基于像素的分类。在未来的工作中,我们的目标是进一步探索与高空间分辨率高光谱图像聚焦于更有效的纹理特征的图像适合high-spectral合作学习分类。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

研究和实践支持的纸是2020年常德科技创新开发项目2020年[12]203年健康状况的综合诊断系统操作变形金刚。