高光谱影像分类中的波段选择问题.docxVIP

高光谱影像分类中的波段选择问题 高光谱图像利用光谱来收集几十个波长的光谱反应信息，并根据分类技术在地之间进行细微区分。高光谱影像分类已广泛应用于植被覆盖制图、海洋环境监测、矿区制图和军事目标识别等领域。然而, 由于高光谱影像的光谱波段众多且相关性强导致高光谱影像处理的计算量较大, 加之野外实际样本采集难度较大, 导致高光谱影像存在严重的“维数灾难”现象 近年来, 稀疏表达理论的出现和兴起, 为高光谱影像波段选择提供了新的研究思路和方法。稀疏表达理论认为一个正常信号投影至特定的变换空间 (变化基) 能够变为一个稀疏信号, 其中的少数非零元素能够很好地继承原始信号的特性 不同于当前研究, 本文利用字典矩阵等于观测矩阵来改进多观测向量的稀疏表达理论, 采用稀疏系数矩阵的L 1 l维的高光谱向量 单观测向量的稀疏表达模型认为, 一组L维的高光谱向量 (光谱向量或波段向量) y∈R 式中, A=[a 式中, X=[x 式中, ‖x 式中, 2 高光谱图像波决策基于稀疏自表模型 2.1 高光谱分段向量的稀疏自成体模型 多观测向量稀疏表达模型认为, 高光谱影像数据集Y=[y 式中, 每一列为高光谱的波段向量y 式中, ‖x 式中, 式中, 2.2 稀疏系数矩阵的求解 利用拉格朗日乘法原理, 式 (8) 的目标优化问题可以转换为: 式中, λ0为平衡参数, 用来控制‖X‖ 可以看出, 2.3 基于振幅的全谱分析 稀疏自表达模型SSR用于高光谱影像波段选择的流程如下。 1) 将三维的高光谱影像立方体转换为二维波段向量数据集Y, 以二维矩阵形式表示, 其中波段数为Y对应的矩阵的列数, 高光谱影像中像素个数为Y的行数; 2) 利用式 (5) 构建高光谱影像波段数据集的稀疏自表达模型; 3) 将式 (5) 的稀疏自表达模型求解问题转换为式 (8) 的目标方程优化问题, 利用拉格朗日方程展开为式 (9) 并采用快速交替方向乘子法来求解, 得到满足条件的稀疏系数矩阵 4) 利用K-均值方法来聚类稀疏系数矩阵中的非零行向量, 选取距离各类中心最近的非零行向量对应的波段构成最终的波段子集。 3 实验与分析 3.1 pa森林空间分布及教育测试数据 Urban数据为从美国陆军地理空间中心获取的HYDICE高光谱影像数据。数据采集于1995年10月, 空间分辨率为2m, 光谱分辨率为10nm。影像大小为307像素×307像素, 覆盖美国德克萨斯州科帕拉斯区域 (靠近胡德堡) , 如图1 (a) 所示。对原始的210波段数据进行预处理, 移除低噪比波段, 剩余162波段, 包含22种主要地物, 各地物样本的真实空间分布和训练及测试样本信息如图1 (b) 和表1所示。表1中训练样本总数为446, 测试样本总数为1 708。PaviaU数据来自西班牙巴斯克大学计算智能课题组, 影像覆盖帕维亚大学区域, 共103波段, 空间分辨率为1.3m, 如图1 (c) 所示。影像为较大数据集中的一部分, 包含350像素×340像素, 波段数为103, 包含9类地物 (包括阴影) 。数据中各地物样本的真实空间分布和训练及测试样本的信息如图1 (d) 和表2所示。表2中训练样本总数为4 202, 测试样本总数为16 087。 3.2 ssr模型的有效性 本节利用提出的SSR波段选择模型来实现Urban和PaviaU数据的分类, 验证提出的SSR模型的有效性。采用的对比波段选择方法有基于波段相关性的线性限制最小方差方法 (linear constrained minimum variance-based band correlation constraint, LCMV-BCC) 3.2.1 分类精度测试 实验对比分析不同波段数下的SSR方法和LCMV-BCC、MVPCA、SpaBS及SNMF方法的SVM分类结果。Urban和PaviaU数据集中波段数的选择区间都为2~50;SpaBS方法的迭代次数都设置为5次。利用交叉验证方法, Urban和PaviaU数据集中, SSR方法的平衡参数λ分别设置为80和95;Urban数据集中, SNMF方法中正则化因子α和β分别设定为3.5和0.01;PaviaU数据集中, SNMF方法的正则化因子α和β分别设定为4.0和0.001。 图2列出SSR和其他4种波段选择方法利用Urban和PaviaU数据集上得到的不同波段数目条件下的总体分类精度OCA结果。从图2 (a) 可以看出, 当波段数k取2时, 5种方法得到的分类精度都较低;随着波段数k的增加, 5种方法对应的OCA曲线都逐步上升, 在k=10附近达到一个较高值;随着波段数k的持续增加, OCA曲线都增长缓慢并呈现波动状态。同时, 可以看出, 在波段数k≥10 (地物类别个数=9)