基于本征图像分解的高光谱图像空谱联合分类

任智伟 吴玲达



基于本征图像分解的高光谱图像空谱联合分类

任智伟1吴玲达2

（1 酒泉卫星发射中心，酒泉 732750） （2 航天工程大学，北京 101416）

高光谱图像分类是许多应用的第一步，也是极其重要的一步。针对目前分类方法存在误分现象，尤其是在地物边缘附近区域，以及现有空谱联合分类方法计算复杂度高的问题，提出一种基于本征图像分解以及导向滤波的高光谱图像空谱联合分类方法：利用AP聚类进行波段选择，提高计算效率；利用基于局部稀疏约束的本征图像分解方法进行高光谱本征图像分解，获取反射率本征图；利用导向滤波器对初始分类结果进行优化。实验结果表明：文章提出的空谱联合分类方法在分类精度与计算时间方面优势明显。

光谱学 高光谱图像 本征图像分解 局部稀疏约束 空谱联合 导向滤波 遥感技术应用

0 引言

高光谱遥感图像能够提供丰富的空间、光谱以及辐射信息，成为遥感领域的研究热点。由于高光谱遥感图像具有光谱分辨率高、光谱连续以及图谱合一等特点，使得高光谱遥感在环境监测、气象预测[1]、地质勘探[2]、林业监测、海洋监测[3]以及军事国防[4-5]等诸多领域得到广泛应用。而高光谱图像分类是众多应用的基础处理操作。

与传统的分类方法相比，空谱联合的高光谱图像分类因其兼顾空间维与光谱维特性，能够提供更高的分类精度，受到广泛关注。传统的高光谱图像分类方法仅使用地物的光谱特征而没有考虑空间信息。近几年的研究表明[6]：引入地物空间信息的分类图，能够获得较好的空间连续性，而且分类精度较高，有效地避免了“同物异谱”及“同谱异物”这类识别问题的发生。基于“空谱联合”的高光谱图像分类方法主要有基于图像分割、基于马尔科夫随机场以及基于稀疏表示等三种[7-10]。空域信息的引入虽然能够提高分类精度，但是极大地增加了计算成本。

因此，本文提出一种基于本征图像分解的高光谱图像空谱联合分类方法，将本征图像分解技术引入到高光谱分类处理中，在引入空间信息的同时降低计算成本，能够取得更好的分类效果。首先采用波段选择对原始高光谱数据进行降维，减少数据量和计算成本；在此基础上采用本征图像分解方法获取高光谱反射率本征图；对反射率本征图进行初始分类后，进行导向滤波得到最终分类结果。本文提出的高光谱图像分类方法利用了高光谱图像的光谱信息，又在本征图像分解时利用了上下文信息以及在导向滤波时利用了空间纹理信息，是一种空谱联合的高光谱图像分类方法。

1 高光谱图像空谱联合分类方法

不同的分类方法在每种地物区域内均存在误分现象，尤其是靠近地物区域边缘的像元。同时基于本征图像分解的高光谱图像分类计算成本高，计算时间过长，不符合实际应用要求。

为解决上述问题，提高图像分类的计算效率，本文提出的基于本征图像分解及导向滤波的高光谱图像空谱联合分类方法，利用基于AP聚类的波段选择方法进行波段选择得到波段子集，在波段子集上进一步处理，极大地减少了计算时间；应用基于局部稀疏约束的高光谱图像本征分解方法对波段子集进行本征图像分解，得到反射率本征图；然后利用SVM分类器对反射率本征图进行分类处理，得到初始地物分类图；将波段子集融合为三个波段作为导向滤波器的引导图对初始地物分类结果进行滤波，得到最终的地物分类结果[11]。该方法中导向滤波器采用的是文献[12]中提出的一种边缘保持滤波技术，波段融合采用的是基于平均的融合方法。

基于本征图像分解的高光谱图像空谱联合分类方法的流程设计如图1所示。

图1 本文方法流程

1.1 波段选择

波段选择是高光谱图像降维方法的一种，区别于光谱特征提取，波段选择不改变原始数据与信息特性。本文采用基于近邻传播聚类的高光谱图像波段选择方法[13]。

近邻传播聚类（Affinity Propagation Clustering，AP）是2007年Fray等人提出一种聚类方法[14]。与传统聚类方法相比，AP法不需要人为确定聚类类数和初始聚类中心，算法比较稳定，已经成功的应用于图像分割、目标识别等领域[15]。

AP聚类的基本原理为：假设数据集中包含个样本，通过每两个样本之间的相似度计算吸引度和归属度，结合吸引度和归属度两方面信息找到最优的类代表点集合，最终使得所有数据点到其最近的类代表点的相似度之和最大。

为使AP算法能够适用于高光谱图像处理，采用光谱信息散度—光谱梯度角作为相似度矩阵的计算方法。与单一的度量方法相比，光谱信息散度与光谱梯度角相结合的相似度度量方法兼顾光谱曲线整体与细节之间的相似性，效果更好。

光谱信息散度（Spectral information divergence，SID）由C. I. Chang等人提出，该方法将光谱相似性的计算转化为两个光谱向量之间信息冗余度的计算，将每个光谱向量看作信息源[16-17]。光谱梯度角（Spectral gradient angle，SGA）是从光谱角测度（Spectral angle metric，SAM）方法发展而来的。在SAM方法的基础上，SGA方法将输入改为两个光谱曲线S和S的梯度。相对于SAM方法，SGA法对光谱畸变的鲁棒性更强，对光谱曲线局部特征差异更加敏感[18]。本文采用的SID-SGA光谱相似性计算方法[19]定义为：

1.2 高光谱图像本征分解

由于受到传感器状态、成像机理、气候、光照等条件影响，高光谱遥感图像存在严重的畸变和失真，存在“同谱异物”和“同物异谱”现象。这对高光谱图像分类产生了极大的干扰。

本征图像分解是一种在计算机视觉与计算机图形学领域应用广泛的图像处理技术。通过原图求解未知的亮度和反射率本征图，经常被用来得到图像的本质特征，继而对图像进行更准确的描述。高光谱图像处理往往是依据不同地物之间反射率的差异进行的，因此，通过高光谱本征图像分解得到纯净的反射率本征图，继而进行处理，将得到更好的处理结果。

在1.1节波段选择的基础上，采用基于局部稀疏约束的的高光谱本征图像分解方法，对高光谱反射率本征图进行求解。此方法基于的假设是：具有相近色度的邻域像素具有相近的反射率[20]。此假设属于局部的稀疏约束，在真彩色图像本征分解中取得了较好的结果。因高光谱遥感图像数据量大，且存在“同物异谱”与“同谱异物”现象，因此，局部稀疏表示比全局稀疏表示更加适用于高光谱遥感图像的本征分解。

基于上述假设，本文在研究中对每个像素点在邻域内构造反射率稀疏表示（如式（2）），并通过最小化成本函数（式（3））对每个像素点的反射率值进行求解。

2 实验结果与分析

对Indian Pines及Pavia University两个数据集进行分类实验，统计并分析各方法的分类精度及分类时间。实验在Intel（R）Core（TM）i7-6500U的CPU和8 192MB的RAM硬件平台上用Matlab R2016b进行。

2.1 Indian Pines数据集实验

实验数据采用由机载成像光谱仪AVIRIS在美国印第安纳州西北部某农林混合实验场采集得到的Indian Pines数据集。图像空间分辨率为25m，图像大小为145像素×145像素。原始数据具有224个光谱波段，波长范围0.4~2.5μm。最后保留了信噪比较高、像质较好的200个波段的图像，包含了16个地物类别。Indian Pines数据集灰度图像及地物真实标记如图2所示。Indian Pines数据集地物类别及各类地物样本数见表1。

图2 Indian Pines数据集灰度图及地物真实标记

表1 IndianPines数据集各类地物像素点个数

Tab.1 Number of Pixels of Various Features in Indian Pines Dataset

注：总样本数为10 249。

实验中，选择波段数为10的波段子集，导向滤波器平滑窗口半径以及平滑参数经多次实验后分别设置为4和0.000 1。经过第一步波段选择，选出的波段子集为{7、15、26、53、99、114、135、165、176、195}。图3两图分别为经过本征图像分解后，波段子集的反射率本征图和亮度本征图的灰度图像。从图中可以看出，反射率本征图比较清晰，亮度本征图较为斑驳。

图3 Indian Pines数据集反射分量和亮度分量灰度图

采用AP-SVM、IID-SVM、SVM-GF、3D-SVM、3D-CNNs及本文方法进行对比实验。其中AP-SVM表示波段选择后进行SVM分类的分类方法；IID-SVM表示上节提到的本征图像分解后进行SVM分类的分类方法；SVM-GF表示先进行SVM分类，后对初始分类图进行导向滤波，与本文方法相比，缺少本征图像分解步骤；3D-SVM是一种空谱特征联合的基于RBF核函数的支持向量机，该方法分类效果较好且计算效率较高，被广泛使用；3D-CNNs是一种基于卷积神经网络的高光谱空谱联合方法，该方法将图像空间特征与光谱特征拼接，取得了很高的分类精度[21]，卷积神经网络的参数设计与原文作者一致。

实验选择10%的样本作为训练集，其余90%的样本作为测试集。采用总体分类精度、平均分类精度及Kappa系数针对各分类结果进行评价。其中总体分类精度（Overall accuracy，OA）表示实验分类结果与地面参考数据分类结果一致的概率，OA值越高，说明分类精度越高；平均分类精度（Average accuracy，AA）表示每一类中的分类正确百分比的均值，AA值越高，说明分类精度越高；Kappa系数代表分类与完全随机的分类产生错误减少的比例，能够在估计分类精度时考虑不确定性对结果的影响，常被用于检验分类一致性问题，Kappa系数越接近1，说明分类结果越一致。表2为各方法分类精度评价对比结果。

表2 各方法分类精度评价结果对比

Tab.2 Evaluation indices of the classification accuracy of each method

注：分类器训练样本集规模为10%。

由表2的评价结果可以看出：

1）在分类精度方面，经过本征图像分解的分类方法其分类精度要明显高于未进行本征图像分解的分类方法；经过导向滤波处理的分类结果明显优于未滤波处理的分类结果。本文方法在16种地物的分类中有12种地物的分类精度最高，其中6种地物分类完全正确，该方法分类精度明显高于SVM、3D-SVM等方法，略高于3D-CNNs法，分类能力突出。这表明本征图像分解方法能够获取图像本征特征，对分类精度提高起到重要作用，另外导向滤波的引入将空间信息与光谱信息结合，能够有效改善初始分类中的误分现象。

2）在计算时间方面：由于本征图像分解方法的复杂性，本文方法的计算时间长于传统的SVM分类方法，这是因为该方法需首先进行波段选择，本征分解及分类处理均在降维后（10个波段）数据上进行，而3D-SVM与3D-CNNs需要对原始数据（200个波段）的空谱信息进行融合处理，处理前后数据量均较大，且3D-CNNs深层网络的训练成本较高。故本文方法的计算时间明显短于基于支持向量机和卷积神经网络的空谱联合分类方法，在实际工程中应用前景广泛，应用价值较高。

图4分别表示10%训练样本时，理想的地物分类结果和采用IID-SVM、SVM-GF、3D-CNNs以及本文方法对Indian Pines数据集进行分类的结果。从图4中可以看出：本文方法的分类结果明显优于传统方法，与基于卷积神经网络的空谱联合方法分类效果相当，互有优劣。由此可见，本文方法能够有效改善初始分类结果中的错分现象，对“孤立”的错分点效果尤为明显。若初始分类时错分区域过大，则无法有效消除该错分区域。而本征图像分解方法在很大程度上能排除其他因素干扰，尽可能地降低误分可能，十分适用于此状况。

图4 Indian Pines数据集分类结果

图5 Pavia University数据集灰度图及地物真实标记

2.2 Pavia University数据集实验

Pavia University数据集是由ROSIS成像光谱仪在意大利西北部的帕维亚市上空采集。图像空间分辨率为1.3m，大小为610像素×340像素。原始数据有115个光谱波段，波长范围0.43~0.86μm，去除受噪声和水气影响较大的波段后剩余103个波段，包含9个地物类别。Pavia University数据集灰度图像和真实值标记图像如图5所示。表3为Pavia University数据集各类地物名称及像素点个数。Pavia University数据集地物像素点总数为42 776。Pavia University数据集为高光谱图像处理领域公开的标准测试数据集，所有地物真实值数据经过了数据提供者的实地调查和验证。图6为经过本征图像分解后，波段子集的反射率本征图和亮度本征图的灰度图像。从图6中可以看出：反射率本征图更加清晰。

表3 Pavia University数据集各类地物像素点个数

Tab.3 Number of Pixels of Various Features in Pavia University Dataset

图6 Pavia University数据集反射分量和亮度分量灰度图像

采用表4中方法对选出波段子集进行分类。由于3D-CNNs算法的计算成本过大，本文研究过程中所采用的实验平台无法完成此方法对Pavia University数据集的实验。随机选择每类地物10%的样本作为训练集，其余90%的样本作为测试集进行分类。表4中数据为各方法在每类地物上的分类精度评价结果。

表4结果得出的结论与表2类似。分类精度方面：本文方法对全部地物的分类精度均为最高，其中有3类地物分类完全正确。计算时间方面：由于本征图像分解算法的复杂性，本文方法的计算时间长于普通的SVM分类，但明显少于3D-SVM分类方法。上述结果表明，本文方法在分类精度及效率两方面均有明显优势。

表4 各方法分类精度评价指标对比

Tab.4 Evaluation indices of the classification accuracy of each method

注：分类器训练样本集规模为10%。

图7为Pavia University数据集的理想分类结果和采用IID-SVM、SVM-GF以及本文方法分类的结果。该图得出的结论与图4相近，说明本文方法显著改善高光谱图像分类结果中存在的错分现象，能够极大地提高地物分类精度。实验结果进一步证明了本文提出方法的有效性。

图7 Pavia University数据集分类结果

3 结束语

本文从本征图像分解方法出发，针对现有分类方法存在误分（尤其是在地物边缘区域附近）这一现象，提出一种基于本征图像分解和导向滤波的高光谱图像空谱联合分类方法。该方法中所采用的基于AP聚类的波段选择方法可以较好地选出具有代表性、全面的波段子集；基于局部稀疏约束的高光谱本征图像分解可以排除亮度等因素的干扰，获得原始图像纯净的反射率本征图；导向滤波器可以有效改善原方法存在的大量误分现象。通过以上三个方面，本文方法在提高高光谱图像分类精度的同时降低了计算复杂度，与其他方法相比，分类精度和计算时间的优势明显。在训练样本过小的条件下，本文提出的方法仍取得不错的分类结果。其不足之处是受本征图像分解方法影响，计算复杂度偏高。

本文方法将本征图像分解与高光谱图像分类结合在一起，取得很好的效果，对遥感图像处理有一定借鉴作用。后续还需重点研究效率更高的高光谱本征图像分解方法，以及与其他方法、应用的结合。

[1] 马鹏飞, 陈良富, 厉青, 等. 红外高光谱资料AIRS反演晴空条件下大气氧化亚氮廓线[J]. 光谱学与光谱分析, 2015(6): 1690-1694. MA Pengfei, CHEN Liangfu, LI Qing, et al. Infrared Hyperspectral Data of AIRS Retrieving Atmospheric Nitrous Oxide under Clear Sky Conditions[J]. Spectroscopy and Spectral Analysis, 2015(6): 1690-1694. (in Chinese)

[2] RINKER J N. Hyperspectral Imagery: A New Technique for Targeting and Intelligence[R]. Washington, D.C: Directorate for Information Operations and Reports, 1990: 2-7.

[3] MULLER-KARGER E, ROFFER M, WALKER N. Satellite Remote Sensing in Support of an Integrated Ocean Observing System[J]. IEEE Geoscience and Remote Sensing Magazine, 2013, 1(4): 8-18.

[4] 张朝阳, 程海峰, 陈朝辉, 等. 高光谱遥感的发展及其对军事装备的威胁[J]. 光电技术应用, 2008(3): 10-12．ZHANG Chaoyang, CHENG Haifeng, CHEN Zhaohui, et al. The Development of Hyperspectral Remote Sensing and Its Threat to Military Equipment[J]. Optoelectronic Technology Applications, 2008(3): 10-12. (in Chinese)

[5] 刘凯龙, 孙向军, 赵志勇, 等. 地面目标伪装特征的高光谱成像检测方法[J]. 解放军理工大学学报(自然科学版), 2005, 6(2): 166-169. LIU Kailong, SUN Xiangjun, ZHAO Zhiyong, et al. Hyperspectral Imaging Detection Method for Ground Target Camouflage Feature[J]. Journal of PLA University of Science and Technology (Natural Science Edition), 2005, 6(2): 166-169. (in Chinese)

[6] FAUVEL M, TARABALKA Y, BENEDIKTSSON J A, et al. Advances in Spectral-spatial Classification of Hyperspectral Images[J]. Proceedings of the IEEE, 2013, 101(3): 652–675.

[7] TARABALKA Y, CHANUSSOT J, BENEDIKTSSON J A. Segmentation and Classification of Hyperspectral Images Using Watershed Transformation[J]. Pattern Recognition, 2010, 43(7): 2367–2379.

[8] GHAMISI P, BENEDIKTSSON J A, ULFASSON M O. Spectral-spatial Classification of Hyperspectral Images Based on Hidden Markov Random Fields[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(5): 2565–2574.

[9] CHEN Y, NASRABADI N M, TRAN T D. Hyperspectral Image Classification Using Dictionary-based Sparse Representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(10): 3973–3985.

[10] 康旭东. 高光谱遥感影像空谱特征提取与分类方法研究[D]. 长沙: 湖南大学, 2014: 37-56. KANG Xudong. Researches on Spectral-spatial Feature Extraction and Classification Methods for Hyperspectral Remote Sensing Imagery[D]. Changsha: Hunan University, 2014: 37-56. (in Chinese)

[11] 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[J]. 自动化学报, 2018, 44(2): 280-288.ZHANG Chengkun, HAN Min. Spectral-spatial Joint Classification of Hyperspectral Image with Edge-preserving Filtering[J]. Acta Automatica Sinica, 2018, 44(2): 280-288. (in Chinese)

[12] HE Kaiming, SUN Jian, TANG Xiaoou. Guided Image Filtering[C]//11th European conferences on computer Vision, 5-11 September, 2010, Hersonissos, Heraklion, Crete, Greece.

[13] 任智伟, 吴玲达. 基于AP聚类的高光谱波段选择[J]. 激光与光电子学进展, 2018, 55(10): 393-397. REN Zhiwei, WU Lingda. Hyperspectral Band Selection Based on AP Clustering[J]. Advances in Laser and Optoelectronics, 2018, 55(10): 393-397. (in Chinese)

[14] FREY B J, DUECK D. Clustering by Passing Messages between Data Points[J]. Science, 2007, 315(5814): 972-976.

[15] 夏春梦, 倪志伟, 倪丽萍, 等. 基于密度调整和流形距离的近邻传播算法[J]. 计算机科学, 2017, 44(10): 187-192. XIA Chunmeng, NI Zhiwei, NI Liping, et al. Neighbour Propagation Algorithm Based on Density Adjustment and Manifold Distance[J]. Computer Science, 2017, 44(10): 187-192. (in Chinese)

[16] CHANG C I. Spectral Information Divergence for Hyperspectral Image Analysis[C]//IEEE 1999 International Geoscience and Remote Sensing Symposium. IEEE: Hamburg, Germany, Germany , 1999: 509-511.

[17] 赵春晖, 田明华, 李佳伟. 光谱相似性度量方法研究进展[J]. 哈尔滨工程大学学报, 2017, 38(8): 1179-1189. ZHAO Chunhui, TIAN Minghua, LI Jiawei. Research Progress of Spectral Similarity Measurement Methods[J]. Journal of Harbin Engineering University, 2017, 38(8): 1179-1189. (in Chinese)

[18] ANGELOPOULOU E, LEE S W, BAJCSY R. Spectral Gradient: A Material Descriptor Invariant to Geometry and Incident Illumination[C]//International Conference on Computer Vision. IEEE Computer Society: Kerkyra, Greece, Greece, 1999: 861.

[19] 张修宝, 袁艳, 景娟娟, 等. 信息散度与梯度角正切相结合的光谱区分方法[J]. 光谱学与光谱分析, 2011, 31(3): 853-857. ZHANG Xiubao, YUAN Yan, JING Juanjuan, et al. Spectral Discrimination Method Combining Information Divergence and Gradient Tangent[J]. Spectroscopy and Spectral Analysis, 2011, 31(3): 853-857. (in Chinese)

[20] SHEN L, YEO C, HUA B S. Intrinsic Image Decomposition Using a Sparse Representation of Reflectance[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013, 35(12): 2904-2915.

[21] 路易, 吴玲达, 朱江. 基于卷积神经网络的高光谱图像分类方法[J]. 计算机工程与设计, 2018, 39(9): 144-149. LU Yi, WU Lingda, ZHU Jiang. Hyperspectral Image Classification Based on Convolutional Neural Network[J]. Computer Engineering and Design, 2018, 39(9): 144-149. (in Chinese)

Spectral-spatial Classification for Hyperspectral Imagery Based on Intrinsic Image Decomposition

REN Zhiwei1WU Lingda2

（1Jiuquan Satellite Launch Center, Jiuquan 732750, China） （2 Space Engineering University, Beijing 101416, China）

As a kind of high-resolution remote sensing, hyperspectral remote sensing has a wide range of application prospects because it can provide rich spectral information. Hyperspectral image classification is the first and most important step in many applications. There is a misclassification phenomenon in the current classification method, especially in the vicinity of the edge of the object, and the existing classification method with spatial-spectrum combination has high computational complexity. A spectral-spatial classification method for hyperspectral imagery based on intrinsic image decomposition and guided filtering is proposed. Affinity propagation (AP) clustering is used for band selection to improve computational efficiency. The method of hyperspectral intrinsic image decomposition based on local sparseness is performed to obtain the reflectance intrinsic image. The guided filter is utilized to optimize the initial classification results. The experimental results show that the proposed method has obvious advantages in classification accuracy and computation time.

spectroscopy; hyperspectral image; intrinsic image decomposition; local sparseness; spectral-spatial; guided filter; remote sensing technology application

O433.4

A

1009-8518(2019)03-0111-10

10.3969/j.issn.1009-8518.2019.03.014

任智伟，男，1994年生，2018年获航天工程大学通信与信息系统专业硕士学位，助理工程师。主要从事高光谱图像处理方面的研究工作。E-mail：juimer@foxmail.com。

2018-09-06

（编辑：夏淑密）