CN108446582A

CN108446582A - 基于纹理特征和仿射传播聚类算法的高光谱图像分类方法

Info

Publication number: CN108446582A
Application number: CN201810074087.5A
Authority: CN
Inventors: 闫允; 闫允一; 张玲霞; 吉春蕊; 胡长青; 张木易
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2018-01-25
Filing date: 2018-01-25
Publication date: 2018-08-24

Abstract

本发明公开了一种基于纹理特征和仿射传播聚类算法的高光谱图像分类方法，主要解决现有技术分类效果差的问题。其实现方案为：1)读取高光谱图像数据；2)根据波段纹理特征计算相似性矩阵；3)根据相似性矩阵利用AP算法对波段进行聚类，获得高光谱图像的波段聚类结果；4)计算每组聚类结果中波段子集的最优波段；5)获得校准图像的训练集和测试集样本坐标和对应标签；6)根据训练集和测试集样本坐标获得最优波段内的训练集和测试集；7)用训练集对SVM训练，得到训练模型；8)根据训练模型预测测试集类型，得到高光谱图像的分类结果。本发明提高了高光谱图像分类的精度，可用于农业精细、生态环境监测和城市规划中对遥感图像的识别。

Description

基于纹理特征和仿射传播聚类算法的高光谱图像分类方法

技术领域

本发明属于遥感图像处理技术领域，特别涉及一种高光谱图像分类方法，可用于农业精细、生态环境监测和城市规划中对遥感图像的识别。

背景技术

高光谱图像处理目前已经成为遥感领域的前沿技术之一。高光谱遥感是指成像光谱仪在电磁波谱的紫外、可见光、近红外和中红外区域中的数十至数百个非常窄且连续的光谱段上获取影像数据的技术，利用这些光谱波段从感兴趣目标中获取相关数据。而高光谱数据一方面能以足够的光谱分辨率区分这些地表物质，另一方面由于其反演的地物反射光谱可与地面实测值相比照,因此研究分析地物的光谱特征以及特征分类识别技术就显得尤为重要。

与其他遥感成像技术相比，高光谱遥感具有波段数量多、波段宽度窄、光谱响应范围广、光谱分辨率高、可提供空间域信息和光谱域信息等特点。其将反映目标辐射的光谱信息与反映目标二维空间的图像信息集于一体,实现了“图谱合一”,即在二维空间信息的基础上添加了一维光谱信息。高光谱图像数据是二维空间和一维光谱的图像立方体,在图像空间中每个波段是一幅二维图像；在光谱空间中每个像素则反映为一条连续光谱响应曲线,不同的物质在高光谱图像中表现为不同的辐射强度，所以能对同一目标地物连续成像,可以反映出目标地物的诊断性光谱特征。然而，由于高光谱数据波段众多，数据量巨大，相邻波段之间的相关性强等特性，使得信息冗余度增加，造成“维数灾难”，即图像分类精度随着维数的增加表现为先增加后减小的Hughes现象，这不仅增加了数据处理的运算量，还影响地物分类的精度及目标的识别。因此，对高光谱遥感图像分类往往需要先进行降维等预处理。

高光谱的降维主要有两种方法，即特征提取和波段选择。特征提取是建立在各光谱波段上通过数学变换来压缩波段，实现原始数据从高维空间投影到低维空间，如主成分分析PCA、独立主成分分析ICA、线性判别分析LDA、最小噪声分离MNF。特征提取方法缩短了降维时间，但是对原图像进行了变换，改变了原始数据的物理意义。相比之下，波段选择即从高光谱图像所有的波段中选择出能够代表原始数据信息的波段子集，不仅能大大降低高光谱图像的数据维度，而且能够比较完整的保留有用信息。

波段选择方法主要分成两类：一类是基于信息量的波段选择方法，如最大熵法、最佳指数法OFI、自动子空间划分ASP、自适应波段选择，这些方法都是选择出单个富含信息量的波段并组合，然而这些高信息量波段的组合会存在大量冗余信息，分类性能差。另一类是基于聚类的波段选择，如基于谱聚类和类间可分性因子的方法，基于二分法和动态规划的全局最优聚类的方法和基于遗传算法和蜂群算法结合的方法等。由于这些方法是基于波段间的相似性来选择每类具有代表性的波段组成波段子集，而忽略了每类簇间波段的相关性以及波段的信息量，因而导致选择出的波段性能差，图像分类精度低。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于纹理特征和仿射传播聚类算法的高光谱图像分类方法，以综合考虑波段信息量和相关性，减小对选择波段的影响，提高图像分类精度。

本发明的技术思路是，根据图像纹理特性提取波段纹理特征向量，利用波段纹理特征向量获得相似矩阵；利用反射传播算法对高光谱图像所有波段进行聚类，选取聚类后每组最优波段组成新的波段子集；利用支持向量机分类器对图像上真实地物进行分类。其实现方案包括如下：

(1)读取大小为m×n×l的高光谱原始图像数据，将该三维数据转换为l个大小为m×n的矩阵形式，得到该高光谱数据的波段数量为l，波段大小为m×n的二维数据；

(2)对每个波段图像进行纹理特征提取，并根据波段纹理特征向量计算相似性矩阵s；

(3)将相似性矩阵作为AP算法的输入对波段进行聚类，获得高光谱图像的波段聚类结果；

(4)计算每组聚类结果中波段子集的最优波段：

(4a)计算每个波段数据的标准差σ；

(4b)将大小为m×n的波段矩阵转换为t×1的一维矩阵，其中t＝m×n；

(4c)计算每组波段子集中两两波段间的相关性R，并根据波段间相关性计算每

个波段与组内其余波段的相关系数绝对值之和H；

(4e)根据波段标准差σ和波段相关系数之和H，计算每组波段子集中的波段系数p；

(4f)在min～max波段范围内，选取波段系数最大的波段作为这些波段的波段代表，其中，min＝b-2d，max＝b+2d，b为聚类中心，d为聚类后每类的波段个数；

(5)读入校准图像Q，获得每类地物的训练集和测试集样本坐标以及对应标签；

(6)根据训练集和测试集样本坐标获得每组波段代表中真实地物的训练集和测试集样本；

(7)将训练集和对应地物的训练标签输入支持向量机训练函数中，得到训练模型；

(8)将测试集和对应地物的测试标签以及训练模型输入到支持向量机的测试函数中，对测试样本类型进行预测，得到高光谱图像的分类结果。

本发明与现有方法相比具有如下优点：

第一，本发明由于引入了反射传播算法对波段进行聚类，相比已有聚类方法，提高了聚类结果的稳定性。

第二，本发明由于在聚类后引入了最优波段指数方法，相比已有聚类后波段选择方法，能够选择出信息量丰富且低相关性的波段子集，提高了图像分类精度。

附图说明

图1为本发明的实现流程图；

图2为一组聚类结果中波段子集的波段系数折线图；

图3为本发明使用的Pavia大学真实地物分布图；

图4为用本发明方法的Pavia大学高光谱图像分类结果图。

图5为用基于MVPCA的高光谱图像分类方法的Pavia大学高光谱图像分类结果图。

图6为用基于ABS的高光谱图像分类方法的Pavia大学高光谱图像分类结果图。

具体实施方式

下面结合附图对本发明的实施例及效果做进一步的详细描述。

参照图1，本发明的实现步骤如下：

步骤1，读取高光谱图像数据。

本例中所选的高光谱图像是由ROSIS传感器获取的意大利北部Pavia大学区域的航空高光谱遥感图像，实验使用的图像数据大小为610×340×103，波长范围为430nm～860nm，光谱分辨率为4nm～12nm，空间分辨率为1.3m，其包含有9类不同的真实地物；

将高光谱图像数据转换为103个大小为610×340的波段图像。

步骤2，根据波段纹理特征向量计算相似性矩阵。

2a)计算波段的纹理特征向量：

常用的纹理特征提取方法有Gabor变换、小波变换、马尔科夫随机场和灰度共生矩阵等。本实例采用灰度共生矩阵对每个波段图像进行纹理特征提取，即计算波段图像在0°，45°，90°，135°四个方向上的对比度、熵、相关性以及能量这四个纹理特征；

2b)根据波段纹理特征向量计算相似性矩阵s：

相似性矩阵s的每个元素是由波段间纹理特征向量取负值的欧式距离得到，其表示如下：

其中s(i,j)表示第i个波段特征向量x_i和第j个波段特征向量x_j的相似性，公式如下：

s(i,j)＝-||x_i-x_j||²

当i＝j时，s(i,j)＝-1。

步骤3，获得高光谱图像的波段聚类结果。

将相似性矩阵s作为AP算法的输入对波段进行聚类，AP算法核心是在样本点之间有两种消息交替进行传递，即吸引度r(i,k)和归属度a(i,k)，其更新规则如下：

吸引度的更新规则：

r(i,k)←s(i,k)-max{a(i,k')+s(i,k')}(k'≠k)

其中，吸引度r(i,k)描述样本对象k适合作为样本对象i的聚类中心的程度,a(i,k')表示i节点对节点k'的归属度；

若i＝k时，

r(k,k)←s(i,k)-max{s(i,k')}(k≠k')；

归属度更新规则：

其中，归属度a(i,k)描述了样本对象i选择样本对象k作为其聚类中心的认可程度；

若i＝k时，自归属度更新规则为：

本实例中波段聚类后分为10类。

步骤4，获取每组波段子集中的最优波段。

4a)计算每个波段数据的标准差σ：

其中m,n分别是波段图像的行、列像素数，f(x,y)表示波段上坐标为(x,y)点的像素值，是波段的像素平均值；

4b)将大小为m×n的波段矩阵转换为t×1的一维矩阵，其中t＝m×n；

4c)计算每组波段子集中两两波段间的相关性R：

其中，f_ik表示第i个波段的第k个像素值，f_jk表示第j个波段的第k个像素值；是第i个波段的像素平均值，是第j个波段的像素平均值；e代表一个波段内像素的总数目；

4d)计算每个波段与组内其余波段的相关系数绝对值之和H：

其中，d为聚类后每类的波段个数，R为两两波段间的相关系数；

4e)计算每组波段子集中的波段系数p：

其中,σ表示波段的标准差，H为波段的相关系数绝对值之和；

4f)在min～max波段范围内，选取波段系数最大的波段作为这些波段的波段代表，其中，min＝b-2d，max＝b+2d，b为聚类中心，d为聚类后每类的波段个数；

本实例中通过计算聚类结果中波段子集的波段系数得到聚类结果的波段系数折线图，如图2，其中图2(a)为一组波段子集的波段系数折线图，这组波段子集的聚类中心是第51个波段图像，且包含11个波段，图2(b)为这组波段子集在min～max波段范围内的波段系数折线图。

步骤5，获得训练集和测试集标签。

5a)读入校准图像Q：

本实例使用大小为610×340的校准图像Q，图像中包含9类真实地物和对应类别标签，如图3所示。

5b)从每类地物坐标中随机选取10％作为训练集样本坐标，剩余坐标作为测试集样本坐标；

5c)根据训练集样本坐标获得对应的训练集标签，根据测试集样本坐标获得对应的测试集标签。

步骤6，获得每类地物的训练集和测试集样本。

6a)在每组波段代表中选取训练集样本坐标上的像素值组成训练集样本；

6b)在每组波段代表中选取测试集样本坐标上的像素值组成测试集样本；

6c)将每类地物在所有波段代表上得到的训练集进行合并，得到该类地物的训练集样本；

6d)将每类地物在所有波段代表上得到的测试集进行合并，得到该类地物的测试集样本。

步骤7，获得训练模型。

将训练集和对应地物的训练标签输入支持向量机训练函数svmtrain中进行训练，得到训练模型。

步骤8，获得高光谱图像的分类结果。

将测试集和对应地物的测试标签以及训练模型输入到支持向量机自带的测试函数svmpredict中，对测试样本类型进行预测，得到高光谱图像的分类结果。

本发明的效果可以通过以下实验做进一步的说明。

1.仿真实验条件：

本发明仿真实验的硬件测试平台是：i3-3240U CPU，主频3.4Ghz，内存4GB；软件平台为：Windows 7旗舰版64位操作***、Matlab R2016a。数据集：采用由ROSIS-03传感器***获取的意大利北部Pavia大学区域的航空高光谱遥感图像，其波段大小为610×340，波段个数为103。

采用纹理特征向量计算相似性矩阵，并通过AP算法进行聚类，对聚类后每组波段进行最优波段选择，其结果如下表1所示。

表1聚类结果和最优波段

通过校准图像，获得每类地物的训练集和测试集样本坐标以及对应标签,并根据训练集和测试集样本坐标提取表1中最优波段的真实地物的训练集和测试集样本。

仿真1，使用表1的内容和提取的训练集对基于RBF核的SVM分类器进行训练，再将测试集样本输入到训练好的SVM分类中，使用本发明方法对Pavia大学高光谱图像进行分类，得到图像分类结果，如图4所示。

仿真2，使用现有的基于MVPCA的高光谱图像分类方法对Pavia大学高光谱图像进行分类，得到分类结果如图5所示。

仿真3，使用现有的基于ABS的高光谱图像分类方法对Pavia大学高光谱图像进行分类，得到分类结果如图6所示。

对比图4、图5和图6可看出本发明方法的分类效果优于现有的两种方法。用总体分类精度OA和Kappa系数对上述三种方法的分类效果进行评价，结果如表2

表2分类结果评价

	OA/％	Kappa
			MVPCA	82.18	0.76
ABS	85.95	0.81
			本发明方法	89.50	0.86

从表2中可以看出本发明方法的分类精度优于现有的两种方法。

综上所述，无论从分类结果图还是从总体分类精度和Kapper系数值的情况来看，本发明的基于纹理特征和仿射传播聚类算法波段选择的高光谱分类方法，与现有的两种方法相比具有更好的分类效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims

1.一种基于纹理特征和仿射传播聚类算法的高光谱图像分类方法，包括：

(4)计算每组聚类结果中波段子集的最优波段：

(4a)计算每个波段数据的标准差σ；

(4c)计算每组波段子集中两两波段间的相关性R，并根据波段间相关性计算每个波段与组内其余波段的相关系数绝对值之和H；

2.根据权利要求1所述的方法，其中步骤(2)中的相似性矩阵s，表示如下：

s(i,j)＝-||x_i-x_j||²

当i＝j时，s(i,j)＝-1。

3.根据权利要求1所述的方法，其中步骤(4a)中计算每个波段数据的标准差σ，通过如下公式进行：

其中m,n分别是波段图像的行、列像素数，f(x,y)表示波段上坐标为(x,y)点的像素值，是波段的像素平均值。

4.根据权利要求1所述的方法，其中步骤(4c)中计算每组波段子集中两两波段间的相关性R通过如下公式计算：

其中，f_ik表示第i个波段的第k个像素值，f_jk表示第j个波段的第k个像素值；是第i个波段的像素平均值，是第j个波段的像素平均值；e代表一个波段内像素的总数目。

5.根据权利要求1所述的方法，其中步骤(4c)中计算每个波段与组内其余波段的相关系数绝对值之和H，通过如下公式计算：

其中，d为聚类后每类的波段个数，R为两两波段间的相关系数。

6.根据权利要求1所述的方法，其中步骤(4e)中计算每组波段子集中的波段系数p，通过如下公式计算：

其中,σ表示波段的标准差，H为波段的相关系数绝对值之和。