基于独立分量分析的高光谱遥感影像决策树分类

1
1． 1
相关研究
独立分量分析 独立分 量 分 析 （ ICA ） 是 近 年 由 盲 源 信 号 分 离 （ Blind Source Separation， BBS） 迅速发展起来的一种新的数据处理和 信号分析方法， 旨在将观察到的数据进行某种线性分解 ， 使其
［6 ］ 分解成统计独立的成分 。 该技术可在不知接收信号瞬时 混叠参数的情况下， 仅根据输入源信号的一些基本统计特征 ［7 ］ （ 统计独立和非高斯分布 ） ， 由观测信号恢复出源信号 。 独立分量分析算法主要包括非高斯最大化法 、 互信息最
收稿日期：2011-07-15 ；修回日期：2011-09-17 。 基金项目：国家社会科学基金资助项目 （ 03BTJ004 ） ； 福建省自然科学基金资助项目（ 2011J01265 ） 。 ）， 作者简介：林志垒（ 1976女， 福建长乐人， 副教授， 博士研究生， 主要研究方向： 高光谱遥感、 智能信息； GIS。 教授， 博士生导师， 主要研究方向： 自然地理、 系统工程、
最大似然函数估计法、 基于随机梯度 小化（ 负熵最大化 ） 法、 ［8 ］ 的自适应算法等 。 目前使盲源分离技术实用化且应用较 多的是 Hyvarinen 提出的快速固定点算法 （ FastICA ） ， 一些仿 ［8 ］ 真实验表明该算法的收敛速度很快 。 FastICA 是基于负熵 用高阶矩 （ 如峰度 ） 对负熵做近似估 最大判据的一种算法， ， 计 每次只从随机混合观测变量中分离一个独立分量 ， 先分离 出来的独立分量应是所有待分离的独立分量中负熵最大者 。 FastICA 算法实施的具体步骤［9］ 如下： 1 ） 定义负熵 J（ y） = H（ y guss ） － H（ y） ； 2 ） 采用非线性方法对负熵进行近似计算 ， 得到目标函数
）， 晏路明 （ 1951男， 湖南浏阳人，
第2 期
林志垒等： 基于独立分量分析的高光谱遥感影像决策树分类
525
高光谱影像分类， 能用较少的特征以避免高维数据带来的系 1 Hyperion 高光谱遥感数据， 采用 列问题 。本研究基于 EOICADTC 联合运作流程， 开展高光谱影像的地物分类实验研 究， 旨在从遥感数据的特征提取和分类两个角度探讨改善高 光谱影像分类的精度和效率的合理途径 。
Abstract: Hyperspectral remote sensing imagery contains abundant spectral information because of its numerous bands， but it also causes the curse of dimensionality． How to resolve this conflict and improve the classification accuracy of hyperspectral remote sensing imagery is the major concern． Therefore， the thesis proposed ICADTC model that combined Independent Component Analysis ( ICA ) with Decision Tree Classifier ( DTC ) to research the hyperspectral imagery classification based on EO1 Hyperion． First， ICA was applied to carry on the feature extraction on hyperspectral remote sensing imagery． Based on this， the characteristic components and other geography auxiliary elements were selected as test variables， the appropriate threshold was selected to set discriminating rule， and the DTC model was established to classify hyperspectral remote sensing imagery． Then the results obtained by this method were compared with that obtained by traditional maximum likelihood classification． The experimental results show that ICA can extract nonlinear characteristics from surface features well and ICADCT model can effectively improve the classification accuracy of surface features under complex terrain． In terms of the total classification accuracy， the former is up to 89． 34% ， 18． 8% higher than the latter． In terms of the classification accuracy of a single surface feature， the former is only slightly lower than the latter on water， while 11 other surface features are higher than the latter． Key words: hyperspectral imagery; Independent Component Analysis ( ICA ) ; feature extraction; Decision Tree Classification ( DTC)
Journal of Computer Applications 计算机应用，2012，32( 2) : 524 － 527 文章编号： 1001 － 9081 （ 2012 ） 02 － 0524 － 04
ISSN 1001-9081 CODEN JYIIDU
2012-02-01 http: / / www． joca． cn doi： 10． 3724 / SP． J． 1087． 2012． 00524
0
引言
［2 ］ 信息的前提下对波段降维和提高分类精度 。 ICA 是近期发 展起来的一种新的特征提取方法 ， 可保证所分解出的各信号
高光谱遥感在提供远比常规多波段遥感丰富得多的影像 地物信息的同时， 也给遥感影像的信息处理和分类带来两方 面的麻烦： 1 ） 其波段维数多而导致分类时所需的训练样本数 量要远高于多波段遥感 ； 2 ） 其各波段的波长间隔很小且相邻 以致在进行监 波段地物光谱反射率较接近而造成信息冗余 ， ［1 ］ 督分类时常发生 Hughes 现象 。 为解决这种波段“维数灾 ， 可在高光谱影像分类之前先采用独立分量分析 难” （ Independent Component Analysis， ICA） 方法进行特征提取， 实 由此可在尽可能保留影像 现由波段空间到特征空间的转换 ，
分量彼此不仅不相关且相互独立 ， 故能更有效地对观测信号 ［3 ］ ， 进行分解 更能反映数据的内在特征 。 目前该方法在生理 盲信号分离、 图像处理等方面的应用已有不少报 学数据分析、 道， 但较少涉及对遥感（ 特别是高光谱遥感 ） 影像特征处理的 应用。 根据基于 ICA 的影像特征提取结果， 可进一步采用决策 （ Decision Tree Classifier ， DTC ） 树分类 方法进行高光谱影像的 具有灵活、 直观、 清晰、 运算效率高等特点 系， 地物分类。该方法能揭示各类别之间的非线性关系和等级关 ［4 ］ ； 特别适用于
［5 ］
数据预处理包括波段剔除 、 大气纠正和几何纠正。 在剔除未 并将像元值 定标和受水汽影响的波段后共保留 176 个波段， L SWIR = DN / 80 ） ； 然后 转换成绝对辐射亮度 （ L VNIR = DN / 40 ， 并转 采用 ENVI 软件的 FLAASH 模块对影像进行大气纠正 ， 换为地面反射率； 最后利用 1 ∶ 50 000 地形图对影像进行几何 RMS ） 值控制在 0． 5 纠正， 将均方根误差 （ Root Mean Square， 个像元之内。 从预处理过的影像中裁出大小为 250 × 340 像素的一块 作为实验区（ 见图 1 ） 。实验区为福州市郊的一个城乡结合区 域， 海拔 10 ～ 649 m， 地势北高南低。南部地势平坦， 主要分布 裸地和道路， 周边间有少量菜地； 北部为山地， 主要分 建筑物、 布大片林地， 发育常绿阔叶林、 马尾松林和竹林等植被 ， 其间 交杂一些灌草丛； 中部和边缘的丘陵山地主要分布果园和旱 地， 以及一些建筑物和裸地 。
Decision tree classification of hyperspectral remote sensing imagery based on independent component analysis
LIN Zhilei， YAN Luming
*
( College of Geographical Sciences， Fujian Normal University， Fuzhou Fujian 350007 ， China)
基于独立分量分析的高光谱遥感影像决策树分类
林志垒，晏路明
*
( 福建师范大学 地理科学学院，福州 350007) ( * 通信作者电子邮箱 yanlm@ 163． com)
要：为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难 ” 间的矛盾并提高分类精度 ， 针对传统 1 Hyperion 高光谱遥感影像， 特征选择方法信息损失大的缺陷 ， 基于 EO采用独立分量分析 （ ICA ） 和 决 策 树 分 类 摘 （ DTC） 方法联合运作流程， DTC 模型。 首先运用 ICA 方法对影像进行特 开展影像的地物分类实验研究 ， 提出了 ICA， 征提取 并以所提取的独立分量特征及其他地理辅助要素组成分类指标集 ； 继而选择适当的指标组合和阈值设定判 别规则， 建立 DTC 模型进行影像的地物分类 ； 最后将分类结果与传统最大似然分类法进行比对 。 结果显示： 从分类的 总体精度看， 前者可达 89． 34% ， 高出后者 18． 8% ； 从单一地物的分类精度看 ， 前者仅水体的精度略低于后者 ， 而其他 11 种地物的精度都高于后者 。 理论分析与实验结果均表明 ， ICADTC 模型可有效提高复杂地形条件下的地物分 类精度。 关键词：高光谱影像； 独立分量分析； 特征提取； 决策树分类 中图分类号： TP751． 1 文献标志码：A