顾及边缘及权重的极限学习机高光谱图像分类

谢水根 李文娟

(1. 武汉中地数码科技有限公司, 湖北 武汉 430073;2. 杭州海康威视数字技术股份有限公司 浙江 杭州 310000)

0 引言

高光谱图像分类是高光谱领域的研究热点。高光谱图像分类技术是指通过对图像各像元进行特征提取及唯一性表达,然后利用一定的算法依据像元所表达特征,依次赋予特定类别标签的过程。高光谱图像分类已广泛应用于土地利用、环境调查、精准农业等领域。

高光谱图像分类研究已取得较好的进展。引入空间特征进行高光谱图像分类是当前高光谱图像分类中主要的方法手段,根据实现手段可以分为超像元、特征融合、深度网络、复合核、基于图等方式,其中特征融合是当前利用空间特征进行高光谱图像分类的主流方式之一,但特征融合方式多为直接堆叠式,但由于不同图像因其面向对象不同,因此对不同特征的适用性不同,故而直接采取堆叠式特征融合过于机械。

虽然空间特征的利用方式多样,但其本质皆是利用了像元分布上的空间相关性,而地物的分布往往具有聚类性和延续性,因此地物的边界信息对于图像分类来说具有一定的应用价值,而传统分类方法中往往忽略了地物边界信息。此外,训练样本是高光谱图像监督分类中的重要基础,对于训练样本的选取与标定需要耗费大量人力物力,因此,研究基于小训练样本的高光谱图像分类方法具有重要意义。

综上所述,本文提出顾及小样本及权重融合的极限学习机高光谱图像分类方法,首先通过主成分分析(principal component analysis,PCA)对高光谱图像进行降维,以降低运算复杂度;其次利用第一主成分作为引导图对剩余主成分进行引导滤波,以保留边界信息;再次利用拓展形态学属性剖面提取图像结构特征并与引导滤波进行权重融合;最后利用极限学习机对融合结果进行分类,得到最终分类结果。

1 本文方法

1.1 引导滤波

引导滤波(guided filter,GF)是由何凯明于2013年提出的一种能够通过引导图保存边缘信息的一种图像滤波。其原理为：假设有输入图像

I

,引导图

G

,滤波输出图像

O

,

G

与

O

在以像元点

c

为中心的领域窗口存在局部线性转换，如式(1)所示。

(1)

式中,

w

表示以像元点

c

为中心的窗口；

a

和

b

为窗口

w

的线性系数；

G

表示引导图在窗口

w

中的像元点。为求解式(1)中的线性系数

a

、

b

,通过对输入图像

I

进行约束以决定线性系数的取值,在保持局部线性关系的同时,通过最小化

I

和

O

之间的最小差距,从而将求解线性系数问题转化为求最优解问题,如式(2)所示。

(2)

式中,

ε

为正则化参数,其作用为避免

a

值过大,且

ε

>0,

I

表示输入图像的一个像元点

i

。通过线性回归模型,可对式(2)求解,如式(3)所示。

(3)

但由于像元点在空间上往往会被包含在多个窗口的重叠区域,每个窗口的线性系数不一致,其计算得出的结果也必然不同,因此,为解决这个问题,最简单的办法就是对所有得到的值求取平均值,如式(4)所示。

(4)

根据窗口对称性,式(4)可以转化为式(5)。

(5)

1.2 拓展形态学多属性剖面

拓展形态学多属性剖面(extended multi-attribute profiles,EMAPs)是通过形态学属性剖面(morphological attribute profiles,MAP)进行一系列不同属性指标的滤波器进行图像滤波以获取不同属性特征信息,再将不同属性信息进行叠加即可得到拓展形态学属性剖面。

具体原理为：假设有灰度图像

I

,某属性指标

f

,连通分量

C

,阈值

T

,则根据式(6)判断进行细化或粗化操作。

(6)

当满足式(6)时,则该连通分量并入相近区域,根据并入相近区域灰度值大小划定细化和粗化操作。当给定多个阈值时,即可产生一系列结果,基于此,对不同的多个属性进行操作,最后叠加即可生成EMAPs。详细原理可见文献[13]。

1.3 极限学习机

极限学习机(extreme learning machine,ELM)是由黄广斌教授提出的一种快速、高效的单隐层学习网络,已被广泛应用于高光谱图像分类,详细原理可参见文献[14]。

1.4 基于权重特征融合与极限学习机分类

为应对高光谱图像分类中边缘信息丢失、特征融合方式机械等问题,本文基于权重特征融合与极限学习机进行分类,方法流程图见图1所示。

图1 本文方法流程图

如图1所示,首先利用PCA对高光谱图像进行处理,以达到降维目的,降低运算复杂度,然后利用GF和EMAPs分别提取保存边缘信息的GF结果以及拓展形态学属性剖面特征,值得注意的是,对GF中所需引导图以第一主成分代替,随后通过分别设置1∶4、2∶3、1∶1、3∶2、4∶1的权重比值进行特征融合,寻找对该数据最合适的权值比值,并以此作为最终输入至ELM进行分类的融合特征,得到最终分类结果。

2 实验

2.1 实验数据

为验证本文方法的有效性和稳定性,采用当前国内外公认的三组标准数据集,印第安纳松树数据集(Indian Pines,IP)、帕维亚大学数据集(Pavia University,PU)、萨利纳斯场景数据集(Salinas,SA),各数据集具体信息如表1所示。

表1 实验数据信息表

表1中，AVIRIS是指美国的机载可见光近红外成像光谱仪(airborne visible infrared imaging spectrometer,AVIRIS),ROSIS则为德国的高光谱传感器反射光学系统成像光谱仪(reflective optics system imaging spectrometer,ROSIS)。

2.2 参数设置

为客观的验证本文方法的效果,对方法及比较方法中所用的相关算法进行参数设定,主要有：

(1)PCA为取对应前99%信息量的主成分。

(2)GF为取第一主成分为引导图,滤波窗口3×3。

(3)EMAPs为阈值设置为100、200、500、1 000。

(4)ELM为正则化因子为2、2、…2,隐层节点数设为1 000。

支持向量机(support vector machine,SVM):正则化因子为2、2、…2,径向基核参数为2、2、…2。

此外,本文实验环境为Intel(R) Core(TM) i5-10300H,主频2.5 GHz,内存16 GB,操作系统Windows 10,算法实现环境为Matlab R2020。

2.3 结果及精度分析

为比较本文方法的优劣,利用ELM、SVM、ELM-EMAPs三类方法进行对比实验,以常用的总体精度(overall accuracy,OA)、平均精度(average accuracy,AA)、KAPPA系数(Kappa系数用于衡量分类精度,K)三类指标作为本文精度评价指标,且实验中分别随机选取每类5、10个像元作为训练样本,以验证本文方法在小训练样本中的适用性,其中ELM-EMAPs指利用ELM对EMAPs特征进行分类。

2.3.1

权重确定

由于不同特征对不同场景图像适用性不一,因此需根据具体图像数据对GF特征和EMAPs特征进行权重设定。在本文中,以每类5像元作为训练样本,对应GF特征和EMAPs特征,按权重比值,分别设定为1∶4、2∶3、1∶1、3∶2、4∶1(即GF特征比例为20%、40%、50%、60%、80%),并进行特征融合分类,三组实验数据集的分类结果见图2。

图2 引导滤波权重值与三组实验数据分类精度关系

从图2可知,当特征权重不同时,分类的总体精度存在一定差异,且每组实验数据都存在一个最优的权重取值,图2中,IP、PU、SA分别在GF权重为0.8、0.5、0.5时取得最优,因此,以此作为后续每组实验数据分类中GF和EMAPs特征融合权重值。

2.3.2

分类及精度

以每类5、10个像元作为训练样本,分别利用SVM、ELM、ELM-EMAPs、本文方法进行分类,并计算分类精度与运算时间,分类结果如图3～图4所示(本文仅展示IP数据在2组训练样本及4种方法下的分类结果)。

本文方法分类效果是在如图3、图4所示每类5及10个像元的情况下,皆要优于3类对比方法,图中各分类图虚线框所标注的可知,SVM及ELM方法仅使用光谱特征,存在众多误分错分现象,当EMAPs被引入后,错分误分现象有所减少,这是因为EMAPs利用了高光谱图像的空间特征,而本文方法可在ELM-EMAPs的基础上得到进一步的精度提升,相比前面3种对比方法,本文方法具有最优分类精度。具体分类精度及运算时间如表2～表4所示。其中，最优分类精度和最短运算时间已加粗表示。

图3 每类5个像元IP数据分类结果

图4 每类10个像元IP数据分类结果

表2 印第安纳松树数据集不同方法分类结果评价表

表3 帕维亚大学数据集不同方法分类结果评价表

表4 萨利纳斯场景数据集不同方法分类结果评价表

可知,本文方法相比其他三类比较方法,在面向小训练样本时具有精度优势,且运算时间较短,具备一定的实际应用意义。

3 结束语

面对高光谱图像分类中的边缘及特征融合问题,提出了一种面向小样本、结合权重融合及极限学习机的高光谱图像分类方法。本方法通过引导滤波提取图像边缘信息,利用拓展形态学多属性剖面提取结构信息,通过列出多组权值进行实验选择最优的权重,然后通过极限学习机完成分类。实验结果表明,本文方法在精度和时效性上皆具有一定优势,具备一定应用价值。