引用本文

张成坤, 韩敏. 基于边缘保持滤波的高光谱影像光谱-空间联合分类. 自动化学报, 2018, 44(2): 280-288. doi: 10.16383/j.aas.2018.c160704

ZHANG Cheng-Kun, HAN Min. Spectral-spatial Joint Classification of Hyperspectral Image with Edge-preserving Filtering. ACTA AUTOMATICA SINICA, 2018, 44(2): 280-288. doi: 10.16383/j.aas.2018.c160704

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c160704

关键词

高光谱，边缘保持滤波，支持向量机，光谱-空间联合分类 

摘要

针对高光谱遥感影像分类过程中，高维数据引起的"维数灾难"以及空间邻域一致性信息没有得到充分利用的问题，提出一种基于边缘保持滤波（Edge-preserving filtering，EPF）的高光谱影像光谱-空间联合分类算法.该算法首先进行波段子集划分和主成分提取，构造新的低维特征集，在保存影像结构信息的前提下降低数据维度；其次利用支持向量机（Support vector machine，SVM）获得低维特征集的初始分类概率图；然后利用原始影像主成分对初始分类概率图进行边缘保持滤波，融合光谱信息和空间信息；最后根据滤波后分类概率图对应像素点值的大小确定每个像素的类别.在Indian Pines和Pavia University两组高光谱数据上进行仿真实验，相同实验条件下，本文算法都获得最高分类精度和最少的时间消耗.仿真结果表明本文算法在高光谱遥感影像分类任务中具有明显的优势.

文章导读

高光谱遥感是一种将成像技术与光谱技术相结合的多维信息获取技术, 它在数百个非常窄且连续的光谱波段上同时探测目标的几何空间信息与光谱信息, 实现成像与成谱的融合[1].与多光谱遥感成像技术相比, 高光谱遥感的每一个观测像素都可以提取出一条完整且连续的光谱曲线, 为地物信息的提取和分析提供极其丰富的信息, 例如精细分类、混合像元分解、目标探测等[2-3].然而波段数的增多必然导致信息的冗余和数据处理复杂度的增加.较高的光谱分辨率在增强地物细微差别分辨能力的同时, 也带来"维数灾难", 严重影响高光谱影像的分类精度[4].因此, 建立适用于高维样本的分类器是高光谱数据分析研究的重点.旋转森林[5]、AdaBoost[6]、支持向量机(Support vector machine, SVM)[7]、主动学习[8]等适用性更强的分类方法相继提出, 促进了高光谱遥感影像分类的发展.其中SVM分类器由于核函数的引入能够有效缓解"维数灾难"的影响, 并且使用相对较少的训练样本就能获得较高的分类精度, 因此广泛应用于高光谱影像的分析与处理中.此外, 在高光谱遥感影像中像素点不是相互独立、无序排列的光谱特征向量, 空间位置相邻的像素往往属于同类地物, 即地物分布具有邻域一致的特性[9].综合利用高光谱影像的光谱特征和空间特征, 构建光谱-空间联合分类模型是遥感影像精确解译的重要突破点[9-10]. Camps-Valls等提出组合核支持向量机(Support vector machine with composite kernels, SVMCK), 通过组合核来融合光谱和空间特征[11]. Benediktsson等提出扩展形态学特征(Extended morphological profiles, EMP), 用来构建光谱-空间特征, 进行联合分类[12]. Tarabalka等利用基于分水岭变换的图像分割技术和多数投票机制实现基于对象的分类, 得到更平滑的地物分类图[13].这些方法都成功将不同形式的空间上下文信息融入到支持向量机中, 并获得满意的分类效果.针对高光谱遥感影像分类过程中的"维数灾难"和"椒盐现象", 并在相邻波段包含较强冗余信息和相邻像素之间光谱具有很强的相关性两个特点的前提下, 利用波段融合技术和边缘保持滤波(Edge-preserving filtering, EPF)技术, 提出一种基于边缘保持滤波的光谱-空间联合分类算法.通过波段子集划分和主成分提取, 将具有较强相关性的波段子集组合为一个噪声小、蕴含丰富结构信息的特征集, 降低数据维数.为了充分利用边缘保持滤波器保持近邻地物一致性、并且保留地物边界的优势, 首先训练支持向量机获得每个像素的初始分类概率; 然后提取原始影像主成分作为参考图像, 对由所有像素初始分类概率组成的分类概率图进行边缘保持滤波; 像素点的类别由滤波后分类概率图对应值的大小确定.

本文结构组织如下, 第1节简要介绍本文所用的两种边缘保持滤波器; 第2节详细阐述初始概率图构造原理和基于边缘保持滤波的高光谱影像分类方法; 第3节为实验分析和对比; 最后是结论.

图 1  算法主要流程

图 2  初始分类概率图双边滤波效果

图 3  Indian Pines数据集波段子集K对分类精度的影响

本文提出一种基于边缘保持滤波的高光谱遥感影像光谱-空间联合分类方法, 1)对高光谱影像进行波段子集划分, 并提取每个波段子集的主成分作为该子集的特征, 在保留原始影像结构信息的基础上, 减少波段数目, 降低运算量; 2)对由这些特征组成的数据集利用SVM得到初始分类概率图; 3)利用原始影像主成分指导边缘保持滤波器的构建, 并对所有分类概率图进行滤波; 4)由分类概率图对应像素点值的大小确定每个像素的类别.本文所提方法在缓解"椒盐现象"和突出地物边界方面有突出的优点, 能够真实可靠地反映地物分布的实际情况.

作者简介

张成坤

大连理工大学电子信息与电气工程学部博士研究生.主要研究方向为遥感图像处理, 高光谱影像分类.E-mail:zhangchengkundon@mail.dlut.edu.cn

韩敏   

大连理工大学电子信息与电气工程学部教授.主要研究方向为模式识别, 复杂系统建模与分析及时间序列预测.本文通信作者.E-mail:minhan@dlut.edu.cn