联合纹理和光谱特征的高光谱图像分类方法

余 健

（韩山师范学院计算机与信息工程学院，广东潮州 521041）

1 引 言

高光谱遥感技术通过成像光谱仪能够获取地物几十至上百个电磁波段的光谱信息，形成“图谱合一”的高光谱图像数据．高光谱图像数据是二维空间和一维光谱构成的图像立方体，在图像空间中每个波段是一幅二维图像，而在光谱空间中每个像素（也称为像元）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．

高光谱遥感图像具有较高的空间平面分辨率以及丰富的地物光谱信息，从而使高精度的地物分类和目标识别成为可能．但由于高光谱数据的波段数目较多，部分波段存在较强的相关性以及冗余信息，抑制了地物分类的性能，甚至产生“维数灾难（Huges）”现象[1]．

传统的高光谱遥感图像分类只考虑光谱特征信息，而没有充分利用其空间特征信息，导致分类的准确率不高．越来越多的学者将空间信息融入到高光谱图像的分类中，以提高分类器性能．Li Jun等[2]使用马尔科夫随机场分割的结果作为多类logistic回归分类器的贝叶斯先验，从而将空间信息和基于光谱分类特征的分类器结合起来．He Zhi、Wang Qiang和Shen Yi等[3]利用经验模态分解和形态学小波变换得到光谱和空间特征，基于多任务稀疏学习方法对空谱域特征进行同时分类，达到了较高的分类准确率．Zhang等[4]采用了图像分割和主动学习方法来提升高光谱图像分类性能，取得了不错成果．Chen等[5]则采用了旋转森林和多尺度图像分割法取得了较高的分类准确率．一些学者[6-11]将空间特征和光谱特征相结合提出了多种高光谱图像分类方法，也取得较好效果．

本文通过主成分分析（PCA）算法对高光谱图像进行降维处理，选取主成分最大的一个波段，使用灰度共生矩阵提取其像元空间邻域纹理特征信息，从中选取贡献最大的6个特征，并采用4个不同方向表示，获取了24维纹理特征向量，联合其光谱特征信息，进行地物分类．

2 纹理和光谱特征提取

高光谱遥感图像具有几十到上百个波段，波段间存在较大冗余．如果采用所有波段的平面图像参与分类，则会出现维数灾难现象．因此，需要先采用主成分分析（PCA）方法对高光谱遥感图像进行降维处理，再分类．本文只选择高光谱遥感图像PCA降维后，主成分最大的那个波段的二维图像，作为最能够代表图像空间平面维变化的一个二维平面表征，联合其光谱信息来抑制高光谱图像分类中的“同谱异物”现象，提高分类的准确率．

基于灰度共生矩阵的纹理特征提取方法是纹理分析中常用的方法，该方法的实现原理是图像灰度元素之间的空间相关性，通过计算图像中存在一定相对位置关系（一定方向上，相距一定距离）的某两个像素之间的灰度相关性，建立起图像的一个灰度共生矩阵，并从这个矩阵中统计所需要的特征量来进行图像纹理特征分析．

2.1 灰度共生矩阵

一幅图像的灰度共生矩阵能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息，它是分析图像的局部模式和它们排列规则的基础[12]．

设f(x,y)为一幅二维数字图象，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为

其中#(x)表示集合x中的元素个数，显然P为Ng×Ng的矩阵，若(x1,y1)与(x2,y2)间距离为d，两者与坐标横轴的夹角为θ，则可以得到各种间距及角度的灰度共生矩阵P(i,j,d,θ)．

对距离为d，水平方向（即θ=0）的灰度共生矩阵计算公式为

同理可得其他三个方向的灰度共生矩阵．

在得到了上述灰度共生矩阵后，可以从中计算出一些能够反映图像纹理特征的向量，有二阶距、对比度、相关、熵、方差、逆差距、和平矩、和方差、和熵、差平均、差方差、差熵等14个特征向量，本文采用了其中贡献最大的6个特征，分别为：角二阶矩（ASM）、相关（Correlation）、对比度（Contrast）、熵（Entropy）、相异性（Dissimilarity）和逆差距（Homogeneity），统称为GLCM-6．

2.2 GLCM-6特征

（a）角二阶矩（ASM）：反应图像的灰度分布以及纹理颗粒的粗细，也被称为能量，描述的是灰度共生矩阵中所有元素的平方和．ASM值越大，说明图像的纹理分布越均匀，变化越规矩．

（b）相关（Correlation）：用于反映图像中的像素的灰度相关性，描述的是灰度共生矩阵中行或列间的矩阵元素的相似程度，若矩阵元素相似程度越大，则相关度越大，图像纹理特征的灰度相关性越大．

其中μi、μj、σi、σj的定义如下

（c）对比度（Contrast）：用于反映图像的纹理深浅和清晰度，灰度共生矩阵中的灰度相差较大的像素对越多，其对比度越大，对应的，其纹理沟纹越深，清晰度越好．

（d）熵（Entropy）：用于反映图像纹理特征的复杂度，熵是信息量的度量，其值越大，表明灰度共生矩阵中的元素越分散，图像的纹理分布越均匀．

（e）相异性（Dissimilarity）：同对比度类似，但在计算灰度差时所采取的增长方式与计算对比度时不同，对比度计算时期灰度差权值权重呈指数增长，相异性的计算权重呈线性增长．

（f）逆差距（Homogeneity）：用于反映图像的不同局部区域间的相异性，逆差距越大，说明图像不同局部区域间的纹理变化越小，其纹理在局部区域分布得越均匀．

2.3 高斯归一化方法

本文使用灰度共生矩阵提取其像元空间邻域纹理特征信息，从中选取贡献最大的6个特征，即GLCM-6，并采用4个不同方向（0°，45°，90°，135°）表示，获取了24维纹理特征向量．对获得的24维纹理特征，选用高斯归一化方法进行处理，方便分类器的训练．归一化公式如下

其中，μ、σ分别为原始数据集的均值和方差，上标(n)表示n维特征向量，取n=24，μj，σj表示第j维的均值、方差．使用3σj进行归一化，保证了V(n)的值落在[-1，1]区间上的概率接近100%，对于离群点，小于-1则置-1，大于1则置1．对特征向量采用高斯归一化至[-1，1]区间内，然后用归一化后的数据进行分类．经测试，经过高斯归一化后的特征，可以加快分类的训练速度，也能够提高准确率．

2.4 联合纹理和光谱特征

假设高光谱遥感图像使用PCA降维后主成分最大的波段平面图像为X．不失一般性，设高光谱图像中任意像元xi，提取像元xi的k×k邻域矩阵的GLCM-6的纹理特征，并将其展开形成一个24维和向量ti.

再设像元xi的光谱特征为si，设该高光谱遥感图像具有m个波段，则像元xi的纹理-光谱特征为：

该特征具有24+m维．提取纹理和光谱特征之后，分别采用支持向量机（SVM）和扩展随机森林方法训练分类器，并进行高光谱遥感图像地物分类实验．

3 分类算法

3.1 SVM算法

支持向量机（Support Vector Machine，SVM）是Cortes和Vapnik于1995年首先提出的[13]，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中．

支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的泛化能力．本文选用引入RBF核函数的支持向量机算法，以获得非线性分类能力．

3.2 极端随机树

极端随机树（Extremely randomized trees，ERT）是由PierreGeurts等人于2006年提出[14，15]．该算法与随机森林算法十分相似，都是由许多决策树集成的分类器．但与随机森林分类器相比，主要有两点不同：

一是不采用随机森林bootstrap采样替换策略，即对于每棵树，它们使用的训练集是从总的训练集中有放回采样出来的，这意味着，总的训练集中的有些样本可能多次出现在一棵树的训练集中，也可能从未出现在一棵树的训练集中．而是直接采用原始的训练样本，目的在于减少偏差．

二是在对每棵决策树的节点划分时，先随机选取特征的一个子集，在对数据进行划分时，则是对子集中的每个特征随机选取一个划分阈值，然后从这些划分条件中选取划分效果最好的一个做为当前节点的最终划分依据．极端随机树完全随机地选择特征，得到的结果相比随机森林方差更小、更稳定．

4 实验结果及分析

为验证所提出方法的有效性，选用二组高光谱遥感图像数据集，即Indian Pines和Pavia University scene(PaviaU)进行实验，分别选择传统的光谱特征与本文提出的纹理-光谱特征的分类结果进行对比．在分类方法方面，分别采用SVM算法（RBF核函数）和极端随机树方法，选择PCA算法获取主成分最大的那个波段，对该波段的二维空间提取纹理特征，形成联合的纹理-光谱特征．以10折交叉验证的方式得到结果，分类指标采用平均精度、Kappa系数、Jaccard（相似）系数和混淆矩阵，所有实验运行10次，取平均值．

Indian Pines数据集是1992年采用AVIRIS（机载可见/红外成像光谱仪）系统在美国印第安纳州的印度松树测试地拍摄的航空数据，空间分辨率为20 m，图像大小为145×145像素，共224波段．去除大气水汽吸收波段及低信噪比波段后，波段数降为200．光谱范围为0.4～2.5μm，图像数据包含16类地物类别，具体情况如表1所示．

表1 Indian Pines数据集地物类别

采用SVM算法和极端随机算法对Indian Pines数据集进行分类，移动窗口大小为3×3像素，其性能评价结果如表2所示．

表2 Indian Pines检测性能对比

由表2可以发现，采用Indian Pines数据集，使用本文提出的纹理-光谱联合特征，不论选择SVM算法，还是极端随机树，其平均准确率、Kappa系数和Jaccard系数均优于只采用光谱特征的传统方法．

以极端随机树分类算法为例，只采用光谱特征，对Indian Pines数据集进行分类后，各地物类别的混淆矩阵（归一化后）分别如图1所示．

图1 Indian Pines光谱特征分类混淆矩阵

通过图1和图2对比，可以发现，纹理-光谱方法相比传统的光谱特征方法，对于Alfalfa（苜蓿）、Corn-notill（免耕玉米）、Corn-mintill（少耕玉米）、Corn（玉米）、Grass-pasture（草地/牧草）、Grass-tree（草地/树木）、Oats（燕麦）、Soybean-notill（免耕大豆）、Soybean-clean（纯净大豆）、Woods（森林）、Buildings-Grass-Trees-Drives（建筑/草/树/道路）、Stone-Steel-Towers（石钢塔）等12个地物类别的分类精度分别提高了20%、7%、3%、9%、2%、1%、50%、7%、8%、3%、11%、11%，而Wheat（小麦）类别的分类精度低了10%，其它3个类别的分类精度与传统方法相同．因此，联合纹理-光谱特征方法对于该数据集大多数地物类别的分类精度都优于传统光谱特征方法．

Pavia University scene（PaviaU）数据集为ROSIS（反射光学系统成像光谱仪）系统在意大利南部拍摄的帕维亚大学图像，空间分辨率为1.3 m，图像大小为610×340像素，127个波段，光谱范围0.43～8.6μ m．去除大气水汽吸收波段及低信噪比波段后，剩余103个波段用来分类，此地区共包含9种地物类别，见表3．

以极端随机树分类算法为例，采用本文提出的纹理-光谱特征，对Indian Pines数据集进行分类后，各地物类别的混淆矩阵（归一化后），如图2所示．

图2 Indian Pines纹理-光谱特征分类混淆矩阵

表3 PaviaU数据集地物类别

采用SVM算法和极端随机算法对PaviaU数据集进行分类，其性能评价结果如表4所示．

由表4可以发现，采用PaviaU数据集，使用本文提出的纹理-光谱联合特征，不论选择SVM算法还是极端随机树，其平均准确率、Kappa系数和Jaccard系数均优于只采用光谱特征的传统方法．

以极端随机树分类算法为例，只采用光谱特征，对PaviaU数据集进行分类后，各地物类别的混淆矩阵（归一化后），如图3所示．

以极端随机树分类算法为例，采用本文提出的纹理-光谱特征，对PaviaU数据集进行分类后，各地物类别的混淆矩阵（归一化后），如图4所示．

通过图3和图4对比，可以发现，纹理-光谱方法相比传统的光谱特征方法，对于Asphalt（沥青马路）、Meadows（低洼地）、Gravel（砂砾）、Trees（树木）、Bare Soil（裸土）、Self-Blocking Bricks（地砖）6个地物类别的分类精度分别提高了2%、1%、5%、3%、1%、4%，而其它3个类别的分类精度与传统方法相同．因此，采用本文提出的联合纹理-光谱特征方法对于该数据集大多数地物类别的分类精度都优于传统光谱特征方法．

表4 PaviaU检测性能对比

图3 PaviaU光谱特征分类混淆矩阵

5 结束语

通过灰度共生矩阵方法获取贡献最大的6个统计量，形成24维纹理特征向量，联合光谱特征，分别采用SVM算法和极端随机树算法，对公开的高光谱遥感数据集进行分类测试，获得了比传统采用单一光谱特征方法更高的分类精度．但在某些地物类别上，仍存在错分结果，这需要进一步研究高光谱遥感图像中的同谱异物特点，更好地提取其非线性特征进行分类，以达到更高的分类精度．

图4 PaviaU纹理-光谱特征分类混淆矩阵

[1]Hughes G．On the mean accuracy of statistical pattern recognizers[J]//IEEE Trans．Inf．Theory,1968,14(1):55-63．

[2]LI Jun，Bioucas-Dias J M，Plaza A．Spectral-Spatial Hyperspectral Image Segmentation Using Subspace Multinomial Logistic Regression and Markov Random Fields[J]．IEEE Transactions on Geoscience and Remote Sensing，2012，50(3):809-823．

[3]He Zhi，Wang Qiang，Shen Yi，et al．Kernel sparse multi-task learning for hyperspectral image classification with empirical mode decomposition and morphological wavelet-based features[J]．IEEE Transactions on Geoscience and Remote Sensing，2014，52（8）:5150-5163．

[4]Zhang Z，Pasolli E，Crawford M M，et al．An active learning framework for hyperspectral image classification using hierarchi⁃cal segmentation[J]．IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，9（2）:640-654．

[5]Chen J，Xia J，Du P，et al．Combining Rotation Forest and Multiscale Segmentation for the Classification of Hyperspectral Data[J]．IEEE Journal of Selected Topics in Applied Earth Observations&Remote Sensing，2017，9（9）：4060-4072．

[6]朱勇，吴波．光谱与空间维双重稀疏表达的高光谱影像分类[J]．地球信息科学学报，2016，18（2）：263-271．

[7]李铁，孙劲光，张新君，等．高光谱遥感图像空谱联合分类方法研究[J]．仪器仪表学报，2016，37（6）：1379-1389．

[8]叶珍，白璘，粘永健．基于Gabor特征与局部保护降维的高光谱图像分类算法[J]．光学学报，2016（10）：504-513．

[9]李垒，任越美．基于随机森林的高光谱遥感图像分类[J]．计算机工程与应用，2016，52（24）：189-193．

[10]付琼莹，余旭初，张鹏强，等．联合空谱信息的高光谱影像半监督ELM分类[J]．华中科技大学学报（自然科学版），2017（7）：89-93．

[11]李吉明，贾森，彭艳斌．基于光谱特征和纹理特征协同学习的高光谱图像数据分类[J]．光电工程，2012，39（11）：88-94．

[12]薄华，马缚龙，焦李成．图像纹理的灰度共生矩阵计算问题的分析[J]．电子学报，2006，34（1）:155-158．

[13]齐滨，赵春晖，王玉磊．基于支持向量机与相关向量机的高光谱图像分类[J]．吉林大学学报（工），2013，43（s1）：143-147．

[14]王爱平，万国伟，程志全，等．支持在线学习的增量式极端随机森林分类器[J]．软件学报，2011，22（9）：2059-2074．

[15]吕伟民，王小梅，韩涛．结合链路预测和ET机器学习的科研合作推荐方法研究[J]．数据分析与知识发现，2017，1（4）：38-45．