基于Adaboost的高光譜與LiDAR數(shù)據(jù)特征選擇與分類

朱江濤，黃睿

(上海大學通信與信息工程學院，上海 200072)

1 引 言

高光譜遙感技術起步于上世紀80年代，具有“圖譜合一”的特點，能精確地描述地物光譜特性[1]。機載激光雷達(Light Detection and Ranging，LiDAR)，是一種主動式對地觀測技術，能實時獲取地形表面三維空間信息[2]。結合這兩種數(shù)據(jù)進行地物信息判讀，提高地物的判別精度，已成為當前遙感數(shù)據(jù)融合研究的熱點之一。

融合高光譜和LiDAR數(shù)據(jù)進行目標地物的分類，體現(xiàn)了兩種數(shù)據(jù)的優(yōu)勢互補，能有效提高分類精度[3]。根據(jù)兩種數(shù)據(jù)結合方式的不同，大致可分為串行和并行兩種處理機制。串行機制中，可以先使用LiDAR數(shù)據(jù)提供的高程信息區(qū)分地面和非地面點，再利用光譜信息以及植被指數(shù)等對感興趣目標進一步細分[4]；或先進行高光譜數(shù)據(jù)分類，再利用高程信息進行后分類[5-6]。并行機制將多種特征串接形成新的特征矢量，在新的特征空間進行分類[7]。Dalponte等[8]結合LiDAR多次回波的高程、強度數(shù)據(jù)與高光譜數(shù)據(jù)，進行樹種識別。文獻[6，9]還考慮像素空間關系，提取了灰度共生矩陣和形態(tài)學剖面紋理特征。此外，Rottensteiner等[10]在建筑物分類中采用證據(jù)理論實現(xiàn)兩種數(shù)據(jù)的決策級融合。

本文采用并行機制，考察了光譜、高程、紋理、植被指數(shù)等不同特征組合對分類性能的影響，提出了一種基于Adaboost的高光譜與LiDAR數(shù)據(jù)特征選擇與分類方法。首先對高光譜數(shù)據(jù)進行降維以降低計算量，接著對歸一化植被指數(shù)(NDVI)圖、降維后的光譜影像以及LiDAR的高程圖進行紋理提取，最后基于Adaboost算法對多種特征進行選擇并實現(xiàn)分類。在甘肅省張掖市城區(qū)地物分類實驗中，本文首先比較不同特征組合的性能，接著對所提方法產生的特征子集進行性能評估，并與常用特征選擇方法進行比較。

2 實驗數(shù)據(jù)

研究區(qū)位于甘肅省張掖市，實驗數(shù)據(jù)包括：2008年6月獲得的高光譜數(shù)據(jù)(doi：10.3972/water973.0228.db)和LiDAR數(shù)據(jù)(doi：10.3972/water973.0223.db)。其中，高光譜數(shù)據(jù)是對OMIS-II圖像進行分割得到大小為200×200的數(shù)據(jù)，波段數(shù)為64維，波長從460nm到1100nm，光譜分辨率和空間分辨率分別為10nm和4m。LiDAR數(shù)據(jù)由LiteMapper 5600系統(tǒng)獲取，其采樣點數(shù)為每平方米3個。將該數(shù)據(jù)柵格化，并內插到4m空間分辨率，獲得數(shù)字表面模型(Digital Surface Model，DSM)。在高光譜影像和DSM圖的配準中，選取51個地面控制點，均方根誤差為0.3434。高光譜偽彩色圖像和相應的DSM影像如圖1、圖2所示。

圖1 OMIS數(shù)據(jù)偽彩色影像

圖2 DSM影像

3 研究方法

圖3給出了所提方法的主要步驟。首先對高光譜影像與DSM高程圖進行配準，提取NDVI植被指數(shù)并對高光譜數(shù)據(jù)實施降維；接著對NDVI圖、降維后的光譜影像以及高程圖進行紋理提?。蝗缓罄肁daboost算法在多種特征中進行選擇，并基于該特征子集實現(xiàn)分類。接下來，本文主要對紋理提取和特征選擇步驟加以介紹。

圖3 所提方法流程框圖

3.1 紋理提取

基于形態(tài)學剖面(Morphological Profile，MP)的紋理提取方法能很好地反映影像空間特性，近年來出現(xiàn)了多種改進方法[11-13]。

本文采用擴展形態(tài)學剖面(Extended Morphological Profile，EMP)實現(xiàn)紋理提取。EMP由形態(tài)學開運算和閉運算組成。對圖像I，定義開、閉運算[12]：

(1)

(2)

MP={CPn,…,I,…,OPn}

(3)

當把MP應用于m幅圖像時，EMP定義為m(2n+1)維矢量：

EMP={MP1,…,MPm}

(4)

3.2 基于Adaboost的特征選擇

Adaboost是一種基于在線分配思想的迭代算法[14]。其核心思想是針對同一個訓練集訓練多個弱分類器，然后將這些弱分類器集合起來，構成一個強分類器。將Adaboost加以改進，可用于特征選擇。

給定L個訓練樣本{(x1,y1),…,(xl,yl),…(xL,yL)}，其中樣本點xl∈RD，對應類別標簽yl∈[1,…,C]，C為類別數(shù)?；贏daboost的特征選擇是對D個相同的弱分類器hd(1≤d≤D)進行訓練，其中，第d個分類器的輸入為樣本的第d維特征。設樣本的權值分布為P，T為迭代循環(huán)次數(shù)。具體步驟如下：

(1)初始化每個樣本的權重：P1(l)=1/L(1≤l≤L)。

(2)在第t次循環(huán)(1≤t≤T)中：

③更新樣本權重：

(5)

(3)輸出特征子集F={fd∶αd≥Thr,1≤d≤D}，其中Thr為閾值。

4 實驗及分析

通過甘肅省張掖市城區(qū)高光譜影像以及對應DSM數(shù)據(jù)驗證所提方法性能。選擇9類地物進行研究，表1給出了具體的樣本描述。隨機選取10%、30%、50%的數(shù)據(jù)作為訓練樣本，其余作為測試樣本。考慮到樣本選取的隨機性，實驗結果為10次運行平均值。采用PCA對高光譜數(shù)據(jù)降維，保留3個主成份分量，相應特征值所占百分比為98%。EMP的結構元素尺寸為5×5、9×9、13×13以及17×17。Adaboost采用K最近鄰算法作為分類器，迭代3次。

表1 實驗數(shù)據(jù)描述

表2首先給出了不同特征組合方式對分類性能的影響。其中，S表示光譜，PCA表示經PCA降維后的光譜特征，E為高程，T為紋理，N表示植被指數(shù)；每種特征組合的特征維數(shù)在括號中給出。分類器均為Adaboost。性能指標包括總體精度(OA)、平均精度(AA)以及Kappa系數(shù)?？梢钥吹?，多種特征的結合，特別是高程信息以及空間特征的引入，對分類精度的提高是顯著的。其中，PCA+E+T+N的性能最好，PCA+E+T、PCA+E的性能也優(yōu)于僅依靠光譜信息的PCA。在兩種光譜特征的分類性能比較中，PCA較差。這是由于PCA變換雖然簡單易實現(xiàn)，但以方差最大化為準則，在降維過程中損失了較多有用的類別信息。因此，有必要在后續(xù)研究中尋找更有效的降維方法。

表2 不同特征組合方式的分類性能比較

表3列出了利用Adaboost對PCA+E+T+N的特征組合進行選擇得到的特征子集性能。其中Subset表示特征子集，Diff表示特征子集與全集的精度差，子集的規(guī)模在括號中給出。可以看到，特征子集的性能較全集有明顯地提高。表明特征組合中某些特征對分類的貢獻較大。因此，采用適當?shù)奶卣鬟x擇方法生成子集，更有利于獲得較高的分類精度。

表3 所提方法在不同訓練樣本數(shù)下產生特征子集的性能

圖4比較了Laplacian Score(LS)[15]、Fisher Score(FS)兩種特征選擇方法與所提方法的性能。LS采用5NN構建相鄰矩陣。針對PCA+E+T+N特征組合，比較了3種方法產生的特征子集的OA、AA和Kappa系數(shù)。LS和FS在訓練樣本取10%、30%和50%時子集規(guī)模與所提方法相當，分別為18、19、20?？梢钥吹?，所提方法選出的特征子集性能最好。圖5進一步給出基于PCA+E+T+N特征全集以及經Adaboost選擇后的特征子集的分類結果比較。

圖4 3種特征選擇方法的性能比較

圖5 基于特征全集與子集的分類結果比較

5 結束語

高光譜影像與LiDAR數(shù)據(jù)的結合體現(xiàn)了兩種數(shù)據(jù)的優(yōu)勢互補，有利于多角度地描述地物特性。本文研究了基于兩種數(shù)據(jù)的地物分類問題，主要貢獻為：①考察了光譜、高程、紋理、植被指數(shù)等不同特征組合對分類性能的影響。實驗表明，高程、紋理與NDVI信息的加入有利于地物的分類識別；②提出了一種基于Adaboost的多源數(shù)據(jù)特征選擇與分類方法，依據(jù)特征重要度評分，進一步選出有利于分類的特征構成子集。實驗表明，所提方法產生的特征子集性能優(yōu)于特征全集，同時也優(yōu)于基于特征評分的Laplacian Score和Fisher Score兩種選擇方法。

致謝：感謝中國西部環(huán)境與生態(tài)科學數(shù)據(jù)中心提供OMIS高光譜影像和LiDAR數(shù)據(jù)。

參考文獻：

[1] 浦瑞良，宮鵬.高光譜遙感及其應用[M].北京：高等教育出版社，2000.

[2] 劉春，陳華云，吳杭彬.激光三維遙感的數(shù)據(jù)處理與特征提取[M].北京：科學出版社，2009.

[3] BROOK A，BEN-DORA E，RICHTER R.Fusion of hyperspectral images and LiDAR data for civil engineering structure monitoring[C].Proc.WHISPERS 2010，Reykjavik，Iceland：1-5，2010.

[4] NIEMANN K O，F(xiàn)RAZER G，LOOS R，et al.Integration of first and last return LiDAR with hyperspectral data to characterize forested environments[C].Proc.IGARSS 2007，Barcelona，Spain：1537-1540，2007.

[5] 李光輝，王成，習曉環(huán)，等.機載LiDAR和高光譜數(shù)據(jù)融合提取冰川雪線[J].國土資源遙感，2013，25(3)：79-84.

[6] ONOJEGHUO A O，BLACKBURN G A.Optimizing the use of hyperspectral and LiDAR data for mapping reedbed habitats[J].Remote Sensing of Environment，2011，115(8)：2025-2034.

[7] MUNDF J T，STREUTKER D R，GLENN N F.Mapping sagebrush distribution using fusion of hyperspectral and LiDAR classifications[J].Photogrammetry and Remote Sensing，2006，72 (1)：47-54.

[8] DALPONTE M，BRUZONE L，GIANELLE D.Fusion hyperspectral and LiDAR remote sensing data for classification of complex forest areas[J].IEEE Transaction on Geoscience and Remote Sensing，2008，46(5)：1416-1427.

[9] PEDERGNANA M，MARPU P R，MURA M D，et al.Classification of remote sensing optical and LiDAR data using extended attribute profiles[J].IEEE Journal of Selected Topics in Signal Processing，2012，6(7)：856-955.

[10] ROTTENSTEINER F，TRINDER J，CLOSE S，et al.Using the dempster-shafer method for fusion of LiDAR data and multispectral images for building detection[J].Information Fusion，2005，6 (4)：283-300.

[11] PALMASON J A，BENEDIKTSSON J A，ARNASON K.Morphological transformations and feature extraction for urban data with high spectral and spatial resolution[C].Proc.IGARSS 2003，Toulouse，F(xiàn)rance，2003，(1)：470-472.

[12] BENEDIKTSSON J A，PALMASON J A，SVEINSSON J R.Classification of hyperspectral data from urban areas based on extended morphological profiles[J].IEEE Transactions on Geoscience and Remote Sensing，2005，43(3)：480-491.

[13] FAUVEL M，BENEDIKTSSON J，CHANUSSOT J，et al.Spectral and spatial classification of hyperspectral data using svms and morphological profiles[J].IEEE Transactions on Geoscience and Remote Sensing，2008，46(11)：3804-3814.

[14] FREUND Y，SCHAPIRE R E.A decision-theoretic generalization of on-line learning and an application to boosting[J].Journal of Computer and System Sciences，1997，55(1)：119-139.

[15] HE X，CAI D，NIYOGIL P.Laplacian score for feature selection[J].Advances in Neural Information Processing Systems，2006，18：507-514.