国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

一種波段聚類和多尺度結(jié)構(gòu)特征融合的高光譜圖像分類模型

2024-01-12 05:55:38王彩玲王洪偉宋曉楠
光譜學(xué)與光譜分析 2024年1期
關(guān)鍵詞:結(jié)構(gòu)特征特征提取波段

王彩玲,張 靜,王洪偉,宋曉楠,紀(jì) 童

1. 西安石油大學(xué)計算機(jī)學(xué)院,陜西 西安 710065 2. 西北工業(yè)大學(xué)光電與智能研究院,陜西 西安 710072 3. 甘肅農(nóng)業(yè)大學(xué)草業(yè)學(xué)院,甘肅 蘭州 730070

引 言

高光譜遙感技術(shù)利用光譜探測與成像技術(shù)對感興趣物體成像,形成了高光譜圖像立方體。 它包含豐富的光譜和空間信息,是一個三維數(shù)據(jù)[1],因此被廣泛應(yīng)用于生態(tài)保護(hù)[2]、 災(zāi)害監(jiān)測[3]、 醫(yī)療衛(wèi)生[4]等領(lǐng)域。 在高光譜(hyperspectral image,HSI)數(shù)據(jù)處理任務(wù)中,分類仍然是一項具有挑戰(zhàn)性的任務(wù),旨在為每個像元分配唯一標(biāo)簽,對許多實際應(yīng)用非常關(guān)鍵。 一開始,我們通過人眼進(jìn)行分類,取得了不太理想的效果。 到后來,利用機(jī)器學(xué)習(xí)方法雖然提高了分類精度,但仍存在許多問題: (1)樣本稀少引發(fā)的“Hughes”現(xiàn)象; (2)高冗余信息以及噪聲問題; (3)“同物異譜”和“同譜異物”現(xiàn)象。 這些問題導(dǎo)致分類精度較低,不利于后續(xù)的圖像分析。

為了克服這些問題,多種特征提取方法用于保持光譜分辨能力。 一些基于特征變換的方法如主成分分析[5],獨立主成分分析,它們在降低光譜維度的同時保留了數(shù)據(jù)的原有信息,但卻改變了波段本身的物理意義。 另外一種基于波段選擇的方法由于保留了高光譜數(shù)據(jù)的固有屬性而備受關(guān)注。 它在不損失物理意義和信息的前提下,選擇了低相關(guān)性,信息量大的子集。 波段相似性度量方式包括: 信息散度(information divergence,ID)、 歐氏距離(Euclidean distance,ED)[6]等。

研究表明,僅提取數(shù)據(jù)內(nèi)部的光譜信息對高光譜分類并不充分。 近年來,利用HSI光譜和圖像信息的光譜-空間分類方法已被廣泛研究。 例如,為了得到圖像內(nèi)部的紋理特征,1973年,Haralick等引入了灰度共生矩陣(gray level co-ccurennce matrix,GLCM)的概念,通過計算像元之間的聯(lián)合概率密度得到灰度關(guān)系。 2019年,Tan等提出了三維GLCM光譜-空間分類方法,該模型利用GLCM特征圖像提取異質(zhì)性組織內(nèi)部的紋理特征,取得了不錯的效果[7]。 Ojala等提出了局部二值模式(local binary patterns,LBP),由于對灰度變化敏感度低且計算速度快,也被用于圖像的紋理分析。 再后來,形態(tài)學(xué)(morphology profile,MP)、 擴(kuò)展形態(tài)學(xué)[8]、 多屬性輪廓特征[9]等方法被提出,使得分類精度進(jìn)一步提高。 2015年,Dalla等將獨立主成分分析(independent component analysis,ICA)和擴(kuò)展形態(tài)學(xué)相結(jié)合對高光譜遙感影像進(jìn)行分類,實驗分析證明了此方法在圖像空間信息建模的有效性[10]。 Hou等提出了一種基于三維形態(tài)剖面(3D-MP)的光譜空間分類方法,該模型充分利用了三維光譜空間特征,在樣本有限的情況下提高了分類精度[11]。 近些年,眾多學(xué)者開展基于濾波的分類技術(shù)研究。 典型的有小波變換、 Gabor濾波[12]等。 Pablo等提出一種基于小波變換和數(shù)學(xué)形態(tài)學(xué)的光譜空間技術(shù),該方法不僅提取到了數(shù)據(jù)的深層空譜特征,還證明了對圖像噪聲問題的魯棒性[13]。 Jia等提出了基于光譜-空間Gabor表面特征(GSF)融合的空譜分類模型,該方法保留了數(shù)據(jù)內(nèi)部豐富的光譜-圖像信息,進(jìn)一步提升了分類性能[14]。 慕彩紅等提出了一種基于空間坐標(biāo)的光譜-空間特征融合的HSI分類算法,將HSI在空間維度上劃分為若干小圖像,根據(jù)空間坐標(biāo)特征和光譜特征分別得到各類別樣本的概率,SVM進(jìn)一步對概率特征進(jìn)行分類,得到最終的分類結(jié)果[15]。 目前,基于空間信息和光譜信息相結(jié)合的方法已經(jīng)成為高光譜圖像分類的主流方法,研究證明,空譜特征聯(lián)合是提高分類性能的有效方法,能降低椒鹽噪聲的影響,取得較好的區(qū)域一致性結(jié)果。 然而,現(xiàn)有的光譜空間特征提取方法仍面臨以下幾個挑戰(zhàn):

(1)這些方法引入空間信息的方式更復(fù)雜,在一定程度上增加了計算成本。

(2)地物含有復(fù)雜的紋理、 結(jié)構(gòu)特征,現(xiàn)有的模型大多只考慮了單一尺度下的光譜特征與空間特征的融合,而沒有考慮多尺度下光譜特征與空間特征的豐富相關(guān)性。

(3)現(xiàn)有的特征提取方法大多沒有考慮到由于弱光或其他因素可能產(chǎn)生的圖像噪聲。 在這種不完善的情況下,現(xiàn)有的光譜空間特征提取方法的性能往往會嚴(yán)重下降。

為了解決以上這些問題,從數(shù)據(jù)中提取足夠的空譜聯(lián)合特征,提出了一種波段聚類和多尺度結(jié)構(gòu)特征融合的高光譜圖像分類模型,其新穎性和貢獻(xiàn)主要包括以下兩個方面:

(1)考慮到相鄰波段的相關(guān)性高于非相鄰波段的相關(guān)性,使用基于光譜散度信息的聚類方法將高光譜數(shù)據(jù)分為有限的、 波段數(shù)量不等的子立方體,在每個子立方體中求取平均值疊加后作為光譜特征輸出,從而實現(xiàn)高質(zhì)量帶圖像的選擇。

(2)圖像的整體結(jié)構(gòu)信息才是人類視覺感知系統(tǒng)的主要感知數(shù)據(jù),而紋理等“細(xì)節(jié)特征”往往是不需要的。 在不同的參數(shù)設(shè)置下去除圖像的紋理細(xì)節(jié)部分,將主結(jié)構(gòu)從復(fù)雜的紋理圖像中提取出來,得到多尺度結(jié)構(gòu)特征信息,可以有效的去除噪聲,增加不同類別之間的差異。

實驗結(jié)果表明,該模型不僅充分提取了高光譜數(shù)據(jù)內(nèi)部的空譜特征,還對小樣本問題非常有效。

1 研究方法

1.1 歸一化

為了消除指標(biāo)間量綱以及奇異樣本數(shù)據(jù)導(dǎo)致的不良影響,需要對數(shù)據(jù)進(jìn)行歸一化處理,如式(1)所示

(1)

Indian Pines數(shù)據(jù)內(nèi)部光譜波段差別較大,因此我們對其進(jìn)行歸一化。 設(shè)X為空間中某一像素點,表示為X={x1,x2,…,x200},由于它有200個光譜波段,對其歸一化處理的步驟如式(2)所示

(2)

式(2)中,xmin為X中的最小光譜值,xmax為X中的最大光譜值。Xnew(i)為X歸一化后新的像素值。

University of Pavia數(shù)據(jù)內(nèi)部空間物質(zhì)相似而像素值差別很大,因此對空間維進(jìn)行歸一化,該數(shù)據(jù)空間維大小為610×340,將其拉伸為一維向量,可以表示為Y={y1,y2,…,y207 400},對其歸一化處理的步驟如式(3)所示

(3)

式(3)中,ymin為Y中的最小光譜值,ymax為Y中的最大光譜值。Ynew(i)為Y歸一化后新的像素值。

1.2 光譜特征提取框架-自適應(yīng)子空間劃分策略

在高光譜數(shù)據(jù)中,波段之間的相似性與其距離相關(guān)。 設(shè)原始高光譜圖像立方體為L,I為光譜波段總數(shù)。 為了快速對高光譜數(shù)據(jù)進(jìn)行分割,首先,我們采取粗劃分策略,將數(shù)據(jù)L均分為n個波段數(shù)為Z的子空間,如式(4)和式(5)。

(4)

L→{l1,l2,…,ln}

(5)

其中,li(i≤n)為粗劃分后的子空間。 為了對每個粗子空間li進(jìn)行更加準(zhǔn)確的表示,我們采取細(xì)劃分策略來獲取新的子空間。 由于相距遠(yuǎn)的波段相關(guān)性極小,因此我們僅考慮相鄰子空間li,li+1(i+1≤n)內(nèi)的波段。 具體過程如下: (1)將每個空間波段拉伸為一維向量; (2)用信息散度構(gòu)造相鄰波段的相似性矩陣; (3)對相鄰子空間按照最大化類間距離與類內(nèi)距離比值的方法進(jìn)行自適應(yīng)劃分。 細(xì)劃分策略后目標(biāo)函數(shù)的形式如式(6)所示

argmin(dintra-dinter)

(6)

式(6)中,dinter是相鄰兩個子空間的類間距離,定義如式(7)所示

dinter=max|dID(m,n)|

(7)

式(7)中,dID(m,n)表示第i(i≤n)個子空間中的波段m和第i+1個子空間中的波段之間的信息散度值。

dintra是子空間類內(nèi)距離,定義如式(8)—式(10)所示

dintra=Mi+Mi+1

(8)

(9)

(10)

式中,dID(p,q)為同一個子空間內(nèi)第p和第q個波段之間的信息散度值。Mi和Mi+1表示相鄰子空間散度和的平均值,t為第i個子立方體中包含的頻帶總數(shù)。 通過粗細(xì)劃分策略后,子空間表示如式(11)。

B={b1,b2,b3,…,bn}

(11)

由于自適應(yīng)劃分后的子空間內(nèi)包含不同數(shù)目的波段,我們對每個子空間內(nèi)的光譜波段求取平均值,具體如式(12)所示

Avgb={avgb1,avgb2,avgb3,…,avgbn}

(12)

式(12)中,Avgb表示每個子空間光譜平均值avgbi疊加后的結(jié)果。 圖1為自適應(yīng)子空間劃分的光譜特征提取框架。

圖1 自適應(yīng)子空間劃分策略-光譜特征提取框架Fig.1 Adaptive subspace partitioning strategy-spectral feature extraction framework

1.3 空間特征提取框架-多尺度相對全變分

為了從高光譜圖像數(shù)據(jù)中獲取有用的空間特征,結(jié)構(gòu)特征提取扮演著越來越重要的角色。 相對全變分(relative total variation,RTV)方法作為其中的一種,可以有效地減小類內(nèi)差異,增大類間差異,并且對于椒鹽噪聲和紋理特征的去除也至關(guān)重要。 然而,由于參數(shù)σ和λ直接影響著RTV的效果,因此,單一尺度下的結(jié)構(gòu)特征無法滿足高光譜數(shù)據(jù)結(jié)構(gòu)豐富,物質(zhì)多樣的特性。

針對RTV的缺點,通過設(shè)置多參數(shù),對光譜特征數(shù)據(jù)進(jìn)行不同尺度下的相對全變分提取,形成多尺度相對全變分(multi-scale RTV,MRTV)空間特征提取框架,如式(13)和式(14)所示。

fi=RTV(I,λi,σi) (i≤c)

(13)

F={f1,f2,f3,…,fc}

(14)

式中,I為原始高光譜數(shù)據(jù),假設(shè)I的波段數(shù)為m,對I進(jìn)行c次不同參數(shù)設(shè)置下的RTV計算,可以得到c個波段數(shù)為m的特征子集{f1,f2,f3,…,fc}。λi和σi分別表示控制平滑度和空間尺度的參數(shù)。fi為第i個特征子集,波段數(shù)為m。F表示c個特征子集按光譜維堆疊后的立方體數(shù)據(jù),波段數(shù)為m×c。

雖然MRTV有效地提取了高光譜數(shù)據(jù)內(nèi)部的結(jié)構(gòu)特征,但由于堆疊操作導(dǎo)致了高維性,增加了計算成本。 由于核主成分分析(kernel PCA,KPCA)對于提高像素的光譜可分離性和降低光譜維度非常有效,因此在數(shù)據(jù)堆疊之后進(jìn)行KPCA處理,具體過程如式(15),N為P中保留的主成分?jǐn)?shù)量,P為最終特征輸出。 特征提取過程如圖2所示。

圖2 空間特征提取框架-多尺度相對全變分Fig.2 Spatial feature extraction framework-multi-scale relative total variation

P=KPCA(F,N)

(15)

1.4 空譜特征提取框架-波段聚類和多尺度結(jié)構(gòu)特征融合

提出了一種波段聚類和多尺度結(jié)構(gòu)特征融合的高光譜圖像分類模型(ASPS-MRTV),為了充分提取高光譜數(shù)據(jù)內(nèi)部的光譜特征和空間特征,分別構(gòu)建了自適應(yīng)子空間劃分策略(adaptive subspace partitioning strategy,ASPS)光譜特征提取框架和多尺度相對全變分空間特征提取框架。 過程如下:

(1) 對高光譜數(shù)據(jù)進(jìn)行歸一化處理;

(2) 根據(jù)式(4),將原始高光譜數(shù)據(jù)L均分為n個波段數(shù)為Z的子空間;

(3) 將每個空間波段拉伸為一維向量后用ID構(gòu)造相鄰波段的相似性矩陣;

(4) 根據(jù)式(7)—式(10)對細(xì)劃分策略后的目標(biāo)函數(shù)式(6)進(jìn)行求解;

(5) 通過粗細(xì)劃分策略后得到自適應(yīng)子空間bi(i

(6) 對每個子空間bi求取光譜波段平均值得到avgbi;

(7) 將每個自適應(yīng)子空間內(nèi)的平均值avgbi進(jìn)行疊加,得到Avgb;

(8) 利用MRTV空間特征提取框架對Avgb進(jìn)行多尺度特征提取,將得到的多個子空間按光譜維堆疊形成立方體數(shù)據(jù)F;

(9) 對立方體數(shù)據(jù)F進(jìn)行KPCA處理后得到空譜特征P。

流程圖如圖3所示。

圖3 空譜特征提取框架-波段聚類和多尺度結(jié)構(gòu)特征融合Fig.3 Frame-band clustering and multi-scale structural feature fusion for spatial spectrum feature extraction

2 實驗部分

2.1 數(shù)據(jù)集

Indian Pines數(shù)據(jù)(簡稱為IP)由紅外成像光譜儀在印第安拍攝所獲取的。 數(shù)據(jù)大小為145×145×220,具有20 m的空間分辨率,光譜范圍為0.2~0.4 μm。 實驗中去除20個水吸收區(qū)域的光譜帶,保留了200個波段。 圖4為IP數(shù)據(jù)的偽彩圖,地面真值圖及標(biāo)簽。

圖4 Indian Pines數(shù)據(jù)(a): 偽彩圖; (b): 地面真值圖; (c): 標(biāo)簽Fig.4 Indian Pines data(a): False color map; (b): Ground truth map; (c): Label

University of Pavia數(shù)據(jù)(簡稱為UP)是由ROSIS-3在帕威亞大學(xué)拍攝所獲取的。 數(shù)據(jù)大小為610×340×115,實驗中去除12個水吸收區(qū)域的光譜帶,保留了103個波段,空間分辨率為1.3 m,光譜覆蓋范圍為0.43~0.86 μm。 圖5為UP數(shù)據(jù)的偽彩圖,地面真值圖及標(biāo)簽。

圖5 University of Pavia數(shù)據(jù)(a): 偽彩圖; (b): 地面真值圖; (c): 標(biāo)簽Fig.5 University of Pavia data(a): False color map; (b): Ground truth map; (c): Label

2.2 實驗設(shè)置

實驗環(huán)境為Windows10和Matlab2019a,處理器為Inter Core I7-8750,GPU為NVIDIA GeForce GTX1050Ti,內(nèi)存為16 GB。 實驗過程中,訓(xùn)練樣本為5%的IP數(shù)據(jù)以及1%的UP數(shù)據(jù),測試樣本為剩余的樣本。 為了驗證波段聚類和多尺度結(jié)構(gòu)特征融合框架(ASPS-MRTV)的有效性,我們使用懲罰參數(shù)C和核參數(shù)σ都為24.5的SVM進(jìn)行分類,并采用OA、 AA和 Kappa 系數(shù)來評價分類效果的好壞。 實驗中各參數(shù)及其含義如表1所示。

表1 各參數(shù)及其含義Table 1 Parameters and their meanings

2.3 參數(shù)優(yōu)化

結(jié)構(gòu)特征質(zhì)量的好壞是由RTV的參數(shù)λ和σ決定的。 通常情況下,將λ固定在[0,0.05]之間,σ固定在[1,3]之間。 為了避免高光譜數(shù)據(jù)結(jié)構(gòu)特征的單一性,考慮到時間復(fù)雜度和空間復(fù)雜度的影響,設(shè)置了包含大小尺度的5個λ,λ1=0.003,λ2=0.015,λ3=0.01,λ4=0.02,λ5=0.05,實驗過程中,采用控制變量的方法對σ調(diào)優(yōu),設(shè)置K=N=30,σ1-σ5為1,σ在IP上的尋優(yōu)的結(jié)果如表2所示,最優(yōu)精度加粗表示。

表2 σ在IP上的調(diào)優(yōu)過程Table 2 Process of optimizing σ for IP

參數(shù)K的優(yōu)化也至關(guān)重要。 一開始,將K設(shè)置為30,由于IP數(shù)據(jù)包含200個光譜波段,所以將K固定在[10,100]之間,實驗結(jié)果如表3所示。 同樣地,也將N固定在[10,100]之間,具體結(jié)果見表4,最優(yōu)結(jié)果加粗表示。

表3 參數(shù)K對IP的分類效果Table 3 IP classification effect of parameter K

表4 參數(shù)N對IP的分類效果Table 4 IP classification effect of parameter N

從表2的實驗結(jié)果可知,當(dāng)σ1=1,σ2=1,σ3=1,σ4=2,σ5=3時IP數(shù)據(jù)的分類效果最好,此時OA=96.76%,Kappa=96.28%,AA=85.66%。 由表3可以得知,當(dāng)K=30時,OA,Kappa,AA都取得了最高的分類精度,分別達(dá)到了96.76%,96.28%,85.66%。 另外我們也發(fā)現(xiàn),當(dāng)參數(shù)K不斷增大時,OA呈現(xiàn)出先增大后減小的趨勢。 這是由于當(dāng)K較小時包含的有用信息也少,但隨著K的不斷增大,有用信息變多,分類精度也就提高了,然而當(dāng)K過大時信息的冗余又導(dǎo)致分類精度下降,所以才會出現(xiàn)先增大后減小的現(xiàn)象。 由表4可知,當(dāng)N=20時,OA,Kappa都達(dá)到了最高,分別為97.06%,96.64%。 隨著N的增大,分類精度也呈現(xiàn)出先增大后減小的趨勢。 實驗過程中以O(shè)A的好壞為第一標(biāo)準(zhǔn)。 對于IP數(shù)據(jù),考慮到訓(xùn)練時間的影響,綜合各指標(biāo),設(shè)置λ1=0.003,λ2=0.015,λ3=0.01,λ4=0.02,λ5=0.05,σ1=1,σ2=1,σ3=1,σ4=2,σ5=3,K=30,N=20。

對于UP數(shù)據(jù),σ調(diào)優(yōu)過程的實驗結(jié)果如表5所示。 由于UP數(shù)據(jù)包含103個光譜波段,所以將K和N分別固定在[10,60],具體結(jié)果見表6與表7。 最優(yōu)結(jié)果加粗表示。

表5 σ在UP上的調(diào)優(yōu)過程Table 5 Optimization process for σ on UP

表6 參數(shù)K對UP的分類效果Table 6 UP classification effect of parameter K

表7 參數(shù)N對UP的分類效果Table 7 UP classification effect of parameter N

由表5可知,當(dāng)σ1=2,σ2=1,σ3=2,σ4=2,σ5=1時,UP數(shù)據(jù)的分類精度最高,OA達(dá)到98.90%,Kappa達(dá)到98.54%,AA達(dá)到88.61%。 同樣的,對于UP數(shù)據(jù),也研究了參數(shù)K和N對分類結(jié)果的影響。 從表6可以看出,隨著K增大,OA,AA和Kappa大體上呈現(xiàn)出先增大后減小的趨勢,當(dāng)K=20時,各項指標(biāo)最高,此時OA=98.95%,Kappa=98.61%,AA=88.65%。 由表7可知,當(dāng)N=50時,分類精度最高,OA達(dá)到98.98%,Kappa達(dá)到98.62%,AA達(dá)到88.76%,除此之外,OA隨著N的增加也呈現(xiàn)出先增大后減小的趨勢。 綜上,對于UP數(shù)據(jù),設(shè)置λ1=0.003,λ2=0.015,λ3=0.01,λ4=0.02,λ5=0.05,σ1=2,σ2=1,σ3=2,σ4=2,σ5=1,K=20,N=50。

2.4 結(jié)果對比

為了驗證本文提出的波段聚類和多尺度結(jié)構(gòu)特征融合框架(ASPS-MRTV)的效果,分別與SVM、 ASPS(ED)、 ASPS(ID)、 ASPS-LBP、 ASPS-GlCM、 ASPS-BF等方法進(jìn)行對比。 實驗中統(tǒng)一使用C和σ都為24.5的SVM進(jìn)行分類。

(1) SVM: 直接使用SVM對高光譜數(shù)據(jù)進(jìn)行分類;

(2) ASPS(ED): 僅使用光譜特征提取框架-自適應(yīng)子空間劃分策略獲取光譜維度信息,波段相似性度量使用歐式距離;

(3) ASPS(ID): 僅使用光譜特征提取框架-自適應(yīng)子空間劃分策略獲取光譜維度信息,波段相似性度量使用信息散度;

(4) ASPS-LBP: 使用光譜特征提取框架-自適應(yīng)子空間劃分策略獲取光譜維度信息,再利用局部二值模式(LBP)獲取空間信息,設(shè)置B=10,R=1;

(5) ASPS-GlCM: 使用光譜特征提取框架-自適應(yīng)子空間劃分策略獲取光譜維度信息,再利用灰度共生矩陣(GLCM)獲取空間信息,選擇4個不同的方向(0°,45°,90°,135°);

(6) ASPS-BF: 使用光譜特征提取框架-自適應(yīng)子空間劃分策略獲取光譜維度信息,再利用雙邊濾波器(BF)獲取圖像的空間信息,設(shè)置w=15、δα=8、δr=3;

(7) ASPS-MRTV(AM): 使用我們提出的波段聚類和多尺度結(jié)構(gòu)特征融合的方法獲取光譜-空間信息。

首先對IP數(shù)據(jù)使用上述7種方法進(jìn)行實驗,得到的結(jié)果如表8所示。

表8 IP上不同方法的分類精度Table 8 Classification accuracy of different methods on IP

從表8中可以看出,與其他方法相比,我們提出的波段聚類和多尺度結(jié)構(gòu)特征融合的空譜特征提取框架有著最高的分類性能,OA=97.06%,Kappa=96.64%,AA=85.95%。 由分類結(jié)果可知,SVM的分類精度高于ASPS(ED),驗證了歐式距離(ED)雖然對計算波段間相似性有效,但對高維空間并不適合。 與ASPS(ED)方法相比,ASPS(ID)的OA提高了28.44%,驗證了信息散度不僅對波段信息相似度有效,也可以在降低高光譜圖像立方體數(shù)據(jù)維度的同時,保留更完整和有用的信息。 與SVM相比,ASPS(ID)的OA提高了9.8%,驗證了光譜特征提取框架-自適應(yīng)子空間劃分策略對IP數(shù)據(jù)的類別可分性更加有效。 與ASPS-GlCM、 ASPS-LBP相比,ASPS-BF、 ASPS-MRTV的OA有了大幅度的提高,驗證了對于高光譜數(shù)據(jù)而言,結(jié)構(gòu)特征比紋理特征更能提高分類精度,這是由于結(jié)構(gòu)特征提取技術(shù)更能去除噪聲,紋理等無用的空間信息。 與ASPS-BF相比,ASPS-MRTV的分類精度提高了5.24%,驗證了空間特征提取框架-多尺度相對全變分(MRTV)更能充分利用高光譜數(shù)據(jù)內(nèi)部的空間信息,有效減少椒鹽噪聲和紋理特征的影響。 圖6為七種方法對IP數(shù)據(jù)的分類結(jié)果圖,可以看出與其他六種方法相比,ASPS-MRTV的錯誤分類標(biāo)簽最少,與地面真實圖更相近。

圖6 不同特征提取對IP分類圖(a): 地面真實圖; (b): SVM; (c): ASPS(ED); (d): ASPS(ID); (e): ASPS-LBP; (f): ASPS-GlCM; (g): ASPS-BF; (h): AMFig.6 IP classification maps by different feature extraction methods(a): Ground map; (b): SVM; (c): ASPS(ED); (d): ASPS(ID); (e): ASPS-LBP; (f): ASPS-GlCM; (g): ASPS-BF; (h): AM

對于UP數(shù)據(jù),表9給出了不同方法獲得的分類精度。 最優(yōu)結(jié)果如表中加粗值所示,可以看到,OA=98.98%,Kappa=98.62%,AA=88.76%。 與SVM相比,其余六種方法都獲得了較高的分類精度,驗證了通過提取高光譜圖像的空間和光譜信息,可以提高圖像特征分類的準(zhǔn)確性。 與ASPS(ED)相比,ASPS(ID)的OA提高了0.91%,再次驗證了在細(xì)劃分策略中,使用信息散度構(gòu)造波段間相似矩陣的有效性。 與ASPS(ID)和ASPS(ED)相比,ASPS-LBP、 ASPS-GlCM、 ASPS-BF、 ASPS-MRTV的分類精度更高,這是因為前兩種方法僅考慮了高光譜數(shù)據(jù)內(nèi)部的光譜特征,忽略了圖像內(nèi)部相鄰像素之間的空間相關(guān)性,導(dǎo)致分類精度較低,也再次說明了空譜特征提取方式對于識別不同地物類別非常有效。 與ASPS-GlCM和ASPS-LBP相比,ASPS-BF和ASPS-MRTV分類效果更好,再次驗證了對于高光譜圖像立方體而言,充分利用數(shù)據(jù)內(nèi)部的結(jié)構(gòu)特征對分類精度提升更有效。

表9 UP不同方法的分類精度Table 9 Classification accuracies of different methods for UP

圖7為七種方法對UP數(shù)據(jù)的分類效果圖。 可以看出,SVM與僅使用光譜特征提取的ASPS(ID),ASPS(ED)存在更多的錯誤分類標(biāo)簽,相比之下,ASPS-BF和ASPS-MRTV分類誤點較少,證明了結(jié)構(gòu)特征對嚴(yán)重噪聲問題的魯棒性。

3 結(jié) 論

提出了一種波段聚類和多尺度結(jié)構(gòu)特征融合的高光譜圖像分類模型(ASPS-MRTV)。 一方面,為了充分提取圖像內(nèi)部的光譜信息,構(gòu)造了基于自適應(yīng)子空間劃分策略的特征提取框架,首先通過粗劃分對原始數(shù)據(jù)進(jìn)行等分,之后通過細(xì)劃分策略對等子空間進(jìn)行自適應(yīng),最后將每個自適應(yīng)子空間的平均值進(jìn)行疊加形成光譜特征。 另一方面,構(gòu)造了多尺度相對全變分方法,用于提取高光譜圖像的結(jié)構(gòu)特征,通過設(shè)置多參數(shù),對粗細(xì)劃分策略后的光譜數(shù)據(jù)進(jìn)行不同尺度下的RTV提取,達(dá)到了信息互補的效果,最后使用KPCA對堆疊數(shù)據(jù)進(jìn)行處理,得到高光譜圖像立方體的空譜特征。 與其余六種方法相比較,ASPS-MRTV獲得了更高的精度,但也存在一些不足,比如運行時間過長,在后續(xù)的研究中,將進(jìn)一步優(yōu)化模型的時間復(fù)雜度,以提取更具判別力的空譜特征。

猜你喜歡
結(jié)構(gòu)特征特征提取波段
春日暖陽
基于Daubechies(dbN)的飛行器音頻特征提取
電子制作(2018年19期)2018-11-14 02:37:08
Bagging RCSP腦電特征提取算法
M87的多波段輻射過程及其能譜擬合
特殊環(huán)境下雙駝峰的肺組織結(jié)構(gòu)特征
2012年冬季南海西北部營養(yǎng)鹽分布及結(jié)構(gòu)特征
日常維護(hù)對L 波段雷達(dá)的重要性
西藏科技(2015年4期)2015-09-26 12:12:58
基于MED和循環(huán)域解調(diào)的多故障特征提取
L波段雷達(dá)磁控管的使用與維護(hù)
河南科技(2014年18期)2014-02-27 14:14:53
C-PRrpp半群的結(jié)構(gòu)特征
景德镇市| 承德县| 太仆寺旗| 乐陵市| 凤阳县| 漾濞| 博罗县| 嵊泗县| 玉溪市| 巴林右旗| 县级市| 固镇县| 遵义县| 巩留县| 涞水县| 五寨县| 莆田市| 句容市| 河南省| 莎车县| 双江| 临夏市| 宁强县| 高陵县| 象州县| 万载县| 台中县| 康定县| 新化县| 汉寿县| 绍兴市| 都匀市| 沭阳县| 读书| 剑河县| 云梦县| 台江县| 乌恰县| 定西市| 平南县| 澄城县|