高光谱遥感图像分类
高光谱遥感图像分类方法综述
高光谱遥感图像分类方法综述张蓓（长安大学理学院陕西·西安710064）摘要高光谱遥感技术已经成为遥感技术的前沿领域，受到国内外的广泛关注。
而地物目标分类是高光谱数据处理的一个基本内容。
文中列举了一些高光谱遥感图像的分类方法，并对每种方法作简要介绍。
关键词高光谱遥感图像处理分类中图分类号：TP751文献标识码：A1高光谱遥感的简介高光谱遥感技术是上世纪80年代发展起来的一种新兴的遥感技术，高光谱遥感利用很多窄的电磁波段（通常波段的宽度小于10nm）从感兴趣的物体中获取图像数据，一般它是在电磁波谱的可见光，近红外，中红外和热红外波段范围内，设置了几十甚至几百个连续波段，其光谱分辨率可高达纳米（nm）数量级。
由于许多地表物质的吸收特性仅表现在20~40nm的光谱分辨率范围内，高光谱遥感图像可以识别在宽波段遥感中不可探测的物质。
现在，遥感应用领域也更加拓宽，涉及全球环境，土地利用，资源调查，自然灾害，以及星际探测等方面。
遥感图像分类一直是遥感研究领域的重要内容，如何解决多类别的图像的分类识别并满足一定的精度，是遥感图像研究中的一个关键问题，具有十分重要的意义。
2高光谱遥感图像的分类方法依据是否使用类别的先验知识，可分为监督分类和非监督分类。
2.1非监督分类非监督分类是指人们事先对分类过程不施加任何的先验知识，而仅凭遥感影像地物的光谱特征的分布规律，随其自然地进行盲目的分类；其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性；其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查数据相比较后确定的。
非监督分类主要的方法有K-均值聚类，ISODATA分类等。
K均值分类方法属于动态聚类法,其假定被用来表示样本空间的聚类中心的个数是预先知道的,这种假定本身在某种程度上限制了这一类方法的利用,它使聚类域中所有样本到聚类中心的距离平方和最小，这是在误差平方和准则的基础上得到的。
K均值分类方法简便易行。
高光谱图像分类方法研究
在高光谱图像分类中，通常采用卷积神经网络（CNN）来处理图像的空间信息 ，采用循环神经网络（RNN）来处理图像的光谱信息。通过将 CNN 和 RNN 进行结合，可以实现高光谱图像的自动分类。
基于深度学习的高光谱图像分类方法
总结词
深度学习是一种机器学习方法，通过构建多层神经网络来学习数据的内在规律和 特征。在高光谱图像分类中，基于深度学习的方法可以更有效地处理复杂的空间 信息和光谱信息。
02
高光谱图像集成了空间、光谱和 时间三个维度的信息，为地物识 别、环境监测、农业、军事等领 域提供了强有力的数据支持。
高光谱图像的特性
高光谱图像具有很高的数据维度 ，通常包含数百甚至数千个波段
。
每个像素包含完整的光谱曲线， 使得高光谱图像能够更精细地表 达地物的空间特征和光谱特征。
高光谱图像的空间分辨率和光谱 分辨率高，能够提供丰富的地物
则化项来实现最优分类。
THANKS
感谢观看
总结词
RF是一种无监督学习算法，通过构 建随机森林进行分类，可以处理多维 度的数据，对高维数据有很好的适应 性。
详细描述
RF通过构建多个决策树，并将它们的 预测结果进行投票来得到最终的分类 结果。在训练过程中，RF通过优化森 林的精度和多样性来实现最优分类。
基于NN的高光谱图像分类实例分析
总结词
NN是一种神经网络模型，通过模拟人脑神 经元的连接方式进行分类，可以处理复杂的 非线性问题。
总结词
SVM是一种监督学习算法，在分类问题 中表现出色，对高维数据有很好的适应 性，可以处理多类别的分类问题。
VS
详细描述
SVM通过找到一个最优的超平面，将不 同类别的样本分隔开，从而实现对高光谱 图像的分类。在训练过程中，SVM通过 最小化分类错误和最大化间隔来实现最优 分类。
高光谱图像分类方法综述
高光谱图像分类方法综述作者：雷湘琦来源：《科学与财富》2020年第24期摘要：过去数十年中，高光谱图像的研究与应用已经完成了从无到有、从差到优的跨越式发展。
在对其研究的众多方面中，高光谱图像分类已经成为了一个最热的研究主题。
研究表明空间光谱联合的分类方法可以取得比仅依赖光谱信息的逐像素分类方法更好的分类效果。
本文将对众多的空间光谱联合分类方法进行归类和分析。
首先介绍高光谱图像中相邻像素间的两类空间依赖性关系，因而可将现有的空谱联合分类方法分为依赖固定邻域和自适应邻域两类。
关键词：高光谱遥感;图像分类引言高光谱遥感（Hyperspectral Image，HSI）是20世纪以来遥感发展中十分突出的一个方面。
其通过搭载在不同空间平台上的成像光谱仪和非成像光谱仪等高光谱传感器，在一定波谱范围内，以数十甚至数百个连续且细分的光谱波段对目标区域同时成像。
与多光谱遥感影像相比，高光谱影像不仅获得地表图像信息，同时也获得光谱信息。
但是，随着参与运算波段数目的增加，会出现分类精度“先增后降”的现象，即Hughes现象。
本文将对空间光谱联合分类的方法进行着重介绍和总结，还将对从前经典述各类算法进行总结归纳，探讨一些其中具有代表性的方法的原理，对其进行总结，以期找出其中的联系。
1;;;; HSI图像空谱联合分类方法高光谱图像分类的目标是依据样本特征为图像中的每个像元赋予类别标签。
不同地物具有不同的光谱曲线，因此有许多利用光谱信息的方法被提出来用于高光谱图像分类，代表性方法有支持向量机（Support Vector Machine，SVM）、稀疏表示分类（Sparse Representation Classification，SRC）等。
此类逐像素的分类方法有计算简单、便于拓展等特点，然而此类方法并未考虑样本的空间关联性，这会导致两个主要问题：1）在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象;2）高维的光谱特征往往会导致分类模型中需要估计参量的增加，这会造成过拟合以至于模型的泛化性能难以提升。
标准分数降维的3D-CNN高光谱遥感图像分类
2021574高光谱遥感图像包含着数百个丰富的空间和光谱信息的波段，可以为对感兴趣的领域进行分类提供依据，因此在农业[1]、医学图像[2-3]、土地管理[4]、生态监测[5]和法医学[6]等领域有着广泛的应用。
随着高光谱成像技术的发展，光谱分辨率大大提升，同时也增加了高光谱图像的复杂度，容易造成所谓的Hughes现象[7]。
因此，在高光谱图像处理过程中，去除数据冗余的过程必不可少。
而降维可分为特征提取和特征选择两种方式。
特征提取用于寻找合适的映射，将高维特征空间转换为低维特征空间，如常见的主成分分析方法[8]、独立成分分析方法[9]等。
另一种是特征选择方法，特征选择是从原始集合中选择最具代表性的特征子集，可以保留原始数据的物理意义，因此应用最为广泛。
如Huang等人根据信息熵理论，量化了各波段的信息量，从而达到降维的目的[10]。
近年来，深度学习已经成功应用到语音识别[11]、自然语言处理[12]和图像识别[13]等领域并取得了显著进标准分数降维的3D-CNN高光谱遥感图像分类佘海龙，解山娟，邹静洁杭州师范大学遥感与地球科学研究院，杭州311121摘要：针对高光谱图像存在Hughes现象，以及空间和光谱特征利用效率低的问题，提出了一种结合标准分数降维和深度学习的高光谱图像分类算法。
利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段，结合优化过的3D-CNN（3D Convolutional Neural Network）分类方法，通过使用大步距卷积层替代池化层，引入L2正则化、批量归一化（Batch Normalization，BN）、Dropout等一系列策略，在减少网络参数的同时有效防止过拟合现象。
通过Pavia Centre和Pavia University两个公开高光谱数据集的实验测试，该算法大幅度降低了网络模型的参数和计算量，取得了99.01%和95.99%的分类精度。
高光谱分类方法
高光谱分类方法
高光谱分类方法主要包括深度学习、支持向量机（SVM）、随机森林等。
1. 深度学习：深度学习在高光谱图像分类中非常有效，尤其是卷积神经网络（CNN）由于其强大的特征提取能力，在处理高维度数据时表现出色。
CNN能够自动学习数据的层次特征，这对于高光谱数据的复杂性和多样性至关重要。
2. 支持向量机（SVM）：SVM是一种广泛使用的分类器，它通过找到一个超平面来最好地分隔不同类别的数据点。
在高光谱分类中，SVM因其在小样本数据集上的优秀表现和良好的泛化能力而被广泛采用。
3. 随机森林：随机森林是一种集成学习方法，它通过构建多个决策树并将它们的预测结果结合起来进行分类。
这种方法对于处理高维数据特别有效，因为它可以处理大量的输入变量，并且在训练过程中不易出现过拟合。
除了上述方法，还有一些其他技术如主成分分析（PCA）用于降维，以及一些特定的算法如光谱角映射（SAM）和匹配滤波器（MF）等，这些方法在特定应用场景下也非常有效。
总的来说，高光谱分类是一个多学科交叉的领域，涉及到遥感学、模式识别、机器学习等多个领域的知识。
随着技
术的发展，新的算法和方法不断涌现，为高光谱图像的分析和应用提供了更多的可能性。
高光谱遥感影像分类方法
高光谱遥感影像分类方法
1、基于像素的分类：这种分类方法是针对每个像素进行分类，将像素的光谱信息作为输入特征，然后利用各种分类算法对像素进行分类。
常见的分类算法包括支持向量机、随机森林和神经网络等。
2、基于对象的分类：这种分类方法是先将高光谱图像中的目标或区域进行分割，然后提取分割后的区域或目标的特征信息进行分类。
基于对象的分类方法可以利用目标或区域的空间信息，提高分类精度和鲁棒性。
常见的基于对象的分类方法包括基于支持向量机（SVM）的目标分类方法、基于图论的目标分类方法和深度学习方法等。
一种新的高光谱图像分类方法
ห้องสมุดไป่ตู้
该实 验主要是利用ｍ ａ ｔ ｌ ａ ｂ 编程 实现 对上述数 据立方体 的
特 征提取 以及 分类 。 为了验证算 法 的可行性 ， 此处利用 已知的 矿物 光谱 建立了数据立方体示。 进行 了基 于先验知识的光谱影
１ ． ２基于傅立叶变换幅度谱的分类算法设计
上文 中已证实对于不同的矿物 ， 对其波谱 曲线作 傅里叶变
换后的幅度谱最值具有可分性 ， 可在此基础上 进行高光谱影像 的分类 。 首先依次提取 出分类 目标 影像 中每 个像元 点的特征值
Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ： Ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｐ ｉ ｘ ｅ ｌ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ｃ ｕ ｒ ｖ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｕ ｓ ｅ ｔ ｈ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｆ ｅ ａ ｔ ｕ ｒ ｅ Ｓ ｆ ｏ ｒ
遥 感 图像分类 是利用计 算机 对 图像 中各类 地物 的光谱信 合， 其 中， ①： 含砷 黄铁矿、 ②： 斜辉石、 ③： 斧石、 ④： 蓝铜 矿、
息和空 间信息进行分析和特征选择 ， 并通 过一定 的手段将特征 ⑤： 重 晶石、 ⑥： 古铜辉石、 ⑦： 基 铁矾、 ⑧： 斜 绿泥石；
Ｎｅ ｗ Ｍ ｅ ｔ ｈｏｄ ｆ ｏ ｒ Ｈ ｙｐｅ ｒ ‘ ＿ 。 ｓ ｐｅ ｃ ｔ ｒ ａ ｌ Ｒｅ ｍ ｏ ｔ ｅ Ｓ ｅ ｎｓ ｉ ｎｇ Ｉ ｍａ ｇ ｅ Ｃｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ
Ｙ Ａ Ｎ Ｇ Ｙ ｕ ｅ ｔ ａ ｏ Ｗ Ａ Ｍ Ｇ Ｍ ａ ｏ ｚ ｈ ｉ Ｇ Ｕ Ｏ Ｚ ｅ
联合纹理和光谱特征的高光谱图像分类方法
联合纹理和光谱特征的高光谱图像分类方法余健【摘要】高光谱图像分类是当前遥感信息处理的热点问题.传统高光谱遥感图像分类方法只利用图像的光谱特征,没有考虑高光谱遥感图像各像素点邻域的空间特征.文中提出了一种联合纹理特征与光谱特征的高光谱图像分类方法.首先,使用灰度共生矩阵提取了高光谱遥感图像每一像素点邻域的贡献较大的六个纹理特征,再联合各像素点的光谱特征,形成纹理-光谱特征.最后,基于支持向量机和极端随机树算法对公开的高光谱遥感图像数据集Indian Pines和Pavia University scene进行分类实验,结果表明该方法相比传统方法取得更高的分类性能.【期刊名称】《韩山师范学院学报》【年(卷),期】2017(038)006【总页数】9页(P18-26)【关键词】高光谱遥感图像;分类;纹理特征;光谱特征;极端随机树【作者】余健【作者单位】韩山师范学院计算机与信息工程学院,广东潮州 521041【正文语种】中文【中图分类】TP7511 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数据集地物类别类别1 2 3 4 5 6 7 8 9 1 0 11 12 13 14 15 16英文名称Alfalfa Corn-notill Corn-mintill Corn Grass-pasture Grass-trees Grass-pasture-mowed Hay-windrowed Oats Soybean-notill Soybean-mintill Soybean-clean Wheat Woods Buildings-Grass-Trees-Drives Stone-Steel-Towers中文名称苜蓿免耕玉米少耕玉米玉米草地/牧草草地/树木收割牧草干草料堆燕麦免耕大豆少耕大豆纯净大豆小麦森林建筑/草/树/道路石钢塔样本数46 1 428 830 237 483 730 28 478 20 972 2 455 593 205 1 265 386 93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检测性能对比平均准确率Kappa系数Jaccard系数82.21%0.79 0.82 89.86%0.88 0.90 87.46%0.85 0.87 91.23%0.90 0.91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数据集地物类别英文名称类别中文名称样本数Asphalt Meadows Gravel Trees Painted metal sheets Bare Soil Bitumen Self-Blocking Bricks Shadows 1 2 3 4 5 6 7 8 9沥青马路低洼地砂砾树木涂覆金属板裸土沥青屋顶地砖阴影6 631 18 649 2 099 3 064 1 345 5 029 1 330 3 682 947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检测性能对比平均准确率Kappa系数Jaccard系数 91.78%0.890.92 95.05%0.93 0.95 93.01%0.91 0.93 95.53%0.94 0.95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【相关文献】[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 Segmentationfor 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．。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
4）算法选择
分类模型或分类器：统计分类、模糊分类、邻域 分类、神经网络分类
参数分类和非参数分类：假定类的概率分布函数 并估计其分布参数
硬分类和软分类：像元属于一个类或多个类
7
5）分类执行的方式
监督分类：利用某些已知类别训练样本让分类
识别系统进行学习，待其掌握了各个类别的特征 以后，按照分类的决策规则进行分类。例如：最 小距离法，最大似然法，平行管道法以及神经网 络、支持向量机等新方法。
第七章 高光谱遥感图像分类
本章主要介绍高光谱遥感数据的分 类算法和实验。
1
7.1 遥感图像分类
利用计算机通过对高光谱遥感图像中的各类地物 的光谱信息和空间信息进行分析、选择特征，并 用一定的手段将特征空间互分为互不重叠的子空 间，然后将图像中的各个像元划分到各个子空间 去。
数据信息
2
构造分类器
其分类的结果，只是对不同类别达到了区分，并不确 定类别的属性，其属性是通过事后对各类的光谱响应 曲线进行分析，以及与实地调查相比较后确定的。
10
聚类分析
非监督分类主要采用聚类分析方法，把一组像素 按照相似性归成若干类别。例如：K均值算法基 本思想是：通过迭代，移动各个基准类别的中心， 直至得到最好的聚类结果为止。该算法能使得聚 类域中所有样本到聚类中心的距离平方和最小。
训练区
已知地表覆盖类型的代表样区 用于描述主要特征类型的 其精度直接影响分类
检验区
用于评价分类精度的训练样区
8
样区选择示例
训练样区与检验区的选择：相互独立、不能重叠
9
非监督分类：是在没有先验类别（训练场地）作为样
本的条件下，即事先不知道类别特征，主要根据像元间相 似度的大小进行归类合并（即相似度的像元归为一类）的 方法，例如K均值，isodata算法等。
2550 0Fra bibliotekTM Band 3
concrete high buildings grass slope water bare soils forest
255
16
(2) Maximum likelihood classifier
255
255
1
2
TM Band 4 TM Band 4
0 0
TM Band 3
13
1）降维+传统分类
原始高光谱图像：山东青岛 OMIS128个波段
14
分类方法：
特征提取+传统分类算法
重点在于光谱维特征的提取，即通过映射和变换 的方法（如主成分分析PCA，最小噪声分离变换 MNF，小波变换等），把原始模式空间的高维数 据变成特征空间的低维数据。然后对特征更集中 的低维数据进行传统分类处理。
如：在对海水取样时，既要选择来来自右上角的深水 区的样本，又要选择来自河道以及水田中的浅水区的 样本。从亮度特征角度而言,对于同一类地物具有不同 亮度特征情况,都要选取(同物异谱)。
原始图像选择前3个波段后，采用以下两种传统分类 算法进行分类：
15
分类器：
选择最小距离和最大似然法进行比较
(1) Minimum distance classifier
255
255
1
2
TM Band 4 TM Band 4
0 0
TM Band 3
concrete high buildings grass slope water bare soils forest
分类器如下图所示是把未知模式识别为已知模 式的工具，要实现这一功能，它由以下四个部 分组成：分类特征，分类判据，分类准则，分 类算法。
3
1）遥感图像的分类特征
分类特征即将各类模式区分开来的特征，常用 的高光谱图像的分类特征就是光谱特征，主要 分为：光谱反射率、波形、光谱数学变换特征、 光谱吸收指数、导数光谱波形等。
除此之外，还有几何特征，多时相特征（融 合），数字变换特征（ＮＤＶＩ），高程信息 等。它们都可以作为分类的依据加入到分类模 型当中。
4
2）分类判据
相似性作为分类判据的度量：可以表现为不同的
形式:
距离值（Distance Value）：像素或像素组信号特 征向量之间距离值的大小来衡量。假如样本均线性 可分－－欧式距离 假如样本正态分布－－马氏距 离，假如样本线性不可分－－似然度
concrete high buildings grass slope water bare soils forest
255
0 0
TM Band 3
concrete high buildings grass slope water bare soils forest
255
17
具体步骤：
选取海水，建筑物和植被3个不同类别的样本，样本 个数各为300个。样本要具有代表性就是样本的亮度 要反映该类地物的亮度特征,当同一地物区域分布不连 续时，我们要尽量使样本来自不同的区域。
11
监督分类与非监督分类方法比较
训练样本的选择是监督分类的关键，必须充分考 虑地物光谱特征，且样本数目要能满足分类的要 求，有时这些还不易做到，这是监督分类不足之 处。
非监督分类不需要更多的先验知识，它根据地物 的光谱统计特性进行分类。因此，非监督分类方 法简单，但是，分类效果不如监督分类效果好。
12
7.2 高光谱遥感图像分类思路
高光谱遥感图像分类的主要特点在于： 1）光谱分辨率高，波段众多，且可以挑选特定 的波段来突出特征，进行分类。 2）数量冗余程度增加，波段相关性高。 3）hughs现象的存在，样本数目要求高，且随着 波段增加分类精度反而下降。
我们主要介绍三种方式进行有效的高光谱遥感图 像分类： 1）降维+传统分类算法 2）智能化的新分类算法 3）光谱匹配分类
概率值（Probability Value）：像素信号特征向量 与某一像素组的似然性的大小为相似性的量度
光谱角值（Spectral Angle Value）：像素或像素组 之间光谱角的大小为相似性量度。光谱波形特征－ －光谱相似度或光谱夹角
5
3）分类准则
最常用的分类准则是：最小二乘法（平方误差最小）和费 歇尔准则（假设样本基于正态分布）是广泛采用的分类准 则，除此之外，还有，基于最小误差准则（分类的错误概 率最小），最小风险准则（损失的条件数学期望最小）， 聂曼－皮尔逊准则，基于熵函数可分性准则等