基于多種空間信息的高光譜遙感圖像分類(lèi)方法

哈爾濱工程大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 哈爾濱 150001

在高光譜影像分類(lèi)中，如果僅使用光譜特征而未考慮空間信息，會(huì)使得分類(lèi)精度較低，與實(shí)際地表覆蓋的連續(xù)性分布不相符。引入像素的空間信息，能夠?qū)υ紙D像數(shù)據(jù)進(jìn)行更充分的挖掘和利用，獲得空間連續(xù)性較好且精度較高的分類(lèi)結(jié)果。光譜-空間特征相結(jié)合已成為當(dāng)前高光譜遙感圖像分類(lèi)的研究熱點(diǎn)之一[1-2]?？兆V分類(lèi)的關(guān)鍵性問(wèn)題在于如何提取紋理、形狀、對(duì)象、語(yǔ)義等空間信息，以及如何有效地融合光譜信息與空間特征[3-4]。

高光譜圖像分類(lèi)中常用的空間信息主要分為紋理信息、數(shù)學(xué)形態(tài)學(xué)信息和鄰域信息3種。對(duì)于這3種空間信息的利用主要有兩種形式。第一種形式把空間信息表示成特征向量，然后和光譜特征向量融合組成新的特征，再進(jìn)行分類(lèi)。這種形式主要利用紋理信息和數(shù)學(xué)形態(tài)學(xué)信息[5-7]。文獻(xiàn)[5]提出了一種基于局部圖的特征融合方法，將光譜信息和優(yōu)化后的圖像特征融合起來(lái)進(jìn)行分類(lèi)。文獻(xiàn)[6]采用SC-MK算法對(duì)高光譜圖像的過(guò)分割區(qū)域使用多核分類(lèi)器分別對(duì)光譜信息和空間信息進(jìn)行利用。也有研究者提出基于LBP的局部圖像特征提取框架，用于高光譜圖像分類(lèi)，提取了Gobar特征和光譜特征進(jìn)行融合。還有一些方法對(duì)用于學(xué)習(xí)圖像進(jìn)行非監(jiān)督分層稀疏表示提取特征，并輸入到分類(lèi)器中進(jìn)行分類(lèi)[8]。第二種利用空間信息的方式是先進(jìn)行分類(lèi)，然后再用空間信息對(duì)分類(lèi)結(jié)果進(jìn)行優(yōu)化。這種形式被稱(chēng)為后處理，一般利用的是圖像的鄰域信息[9-10]。以上這兩種形式也可以結(jié)合在一起用來(lái)提高分類(lèi)精度。

總的來(lái)說(shuō)，高光譜圖像分類(lèi)多采用光譜特征和空間特征，再利用支持向量機(jī)等方法進(jìn)行分類(lèi)[11]。目前的高光譜圖像空譜分類(lèi)中，通常是利用某一種空間特征和一種光譜特征進(jìn)行融合，然后進(jìn)行分類(lèi)，接著利用超像素分割結(jié)果帶有的鄰域信息對(duì)分類(lèi)結(jié)果進(jìn)行改善。這種方法能夠在一定程度上取得不錯(cuò)的分類(lèi)效果，但是存在一定的不足。首先，高光譜數(shù)據(jù)所含信息豐富，一種空間特征只能從一種角度去表達(dá)空間信息，并不能完整對(duì)圖像的空間信息進(jìn)行描述，這導(dǎo)致高光譜數(shù)據(jù)的信息利用率仍然較低。第二，在后處理階段目前常用的做法是通過(guò)統(tǒng)計(jì)分類(lèi)結(jié)果中每個(gè)超像素塊區(qū)域包含的相同標(biāo)簽數(shù)目進(jìn)行投票來(lái)確定。這種做法以超像素塊作為單位對(duì)空間鄰域信息進(jìn)行利用，仍存在大量未達(dá)到投票閾值的像素并沒(méi)有受到空間鄰域信息的影響，空間信息利用率不高。

針對(duì)以上兩點(diǎn)不足，本文提出一種新型的結(jié)合多種空間信息的高光譜遙感圖像分類(lèi)方法。為了解決單一特征描述能力的不足，本方法從紋理特征和數(shù)學(xué)形態(tài)學(xué)特征中各選一種具有代表性的特征和光譜特征進(jìn)行融合，以提高特征的信息承載能力，為此，提出了一種自適應(yīng)的特征融合方法，提高新特征的魯棒性。為了解決后處理中超像素鄰域信息利用不充分的問(wèn)題，本方法利用超像素鄰域信息對(duì)融合后的新特征進(jìn)行指導(dǎo)和校正，讓每個(gè)像素都能利用到超像素信息。

本文采用總體的分類(lèi)精度(Overall Accuracy , OA)和Kappa系數(shù)作為識(shí)別精度的評(píng)價(jià)指標(biāo)[12-13]，對(duì)Indian Pines圖像，Salinas圖像進(jìn)行驗(yàn)證。試驗(yàn)結(jié)果表明，多種空間特征融合的效果優(yōu)于單一空間特征，用超像素信息進(jìn)行特征校正的方法的效果優(yōu)于用超像素信息進(jìn)行后處理的方法。

1 空間特征提取與融合

1.1 差分形態(tài)學(xué)特征

開(kāi)運(yùn)算和閉運(yùn)算是最基本的形態(tài)學(xué)操作。這兩個(gè)操作以結(jié)構(gòu)元素(Structuring Elements，SE)為基礎(chǔ)去掉亮的或暗的細(xì)節(jié)，保留相對(duì)穩(wěn)定的全局特征。此外，形態(tài)學(xué)操作能夠較好地保存形狀信息而不引入噪聲，隨著結(jié)構(gòu)元素尺度的變化，則會(huì)產(chǎn)生不同的形態(tài)學(xué)操作。

形態(tài)學(xué)剖面(Morphological Profiles，MP)是由一系列形態(tài)學(xué)操作構(gòu)成的。對(duì)于圖像I，假設(shè)OPSE(I)和CLSE(I)為使用SE元素的開(kāi)操作和閉操作，則開(kāi)運(yùn)算和閉運(yùn)算下的MP定義如下：

(1)

式中：λ為SE結(jié)構(gòu)元素的半徑。圖像I進(jìn)行一次開(kāi)運(yùn)算，得到圖像I′，I′的每個(gè)像素點(diǎn)的值表示圖像I對(duì)應(yīng)像素點(diǎn)的一個(gè)特征值，用不同半徑的SE結(jié)構(gòu)進(jìn)行開(kāi)運(yùn)算就會(huì)得到不同的SE操作下的特征值，閉運(yùn)算同理。隨著元素半徑的逐步增加，開(kāi)運(yùn)算和閉運(yùn)算下MP的差分DMP定義如下：

?λ∈[1,n]}

?λ∈[1,n]}(2)

通常將DMPOP和DMPCL串聯(lián)構(gòu)成一個(gè)新的向量DMP=[DMPOP，DMPCL]來(lái)表示圖像的明暗紋理特征。對(duì)于高光譜圖像，不同的層或降維后的不同層均可以提取DMP特征[13]。

1.2 Gabor特征

Gabor特征是一種紋理特征。因?yàn)榧y理是由很多微小的紋理基元組合而成的，在紋理特征提取時(shí)應(yīng)該著重考慮紋理的這些局部特征，所以現(xiàn)有的單層圖像紋理特征提取方法一般都基于窗口濾波的方法。即用一個(gè)大小固定的窗口在單層的圖像上移動(dòng)，用這個(gè)窗口內(nèi)除中心點(diǎn)以外的所有像素值的線(xiàn)性或者非線(xiàn)性組合來(lái)替換掉窗口中心點(diǎn)像素的值。窗口在整個(gè)圖像上按像素點(diǎn)依次移動(dòng)計(jì)算，就能夠計(jì)算出圖像中所有像素點(diǎn)的紋理特征。

用Gabor濾波器提取圖像紋理特征時(shí)，和所有濾波器一樣，用一個(gè)窗口在單層圖像上移動(dòng)進(jìn)行卷積運(yùn)算更新單層圖像像素的值。Gabor濾波器窗口模板是由Gabor核決定的，二維Gabor核函數(shù)如下：

(3)

式中：λ為波長(zhǎng)；θ為方向；ψ為相位偏移；γ為空間縱橫比；b為帶寬；σ為Gabor函數(shù)的高斯因子的標(biāo)準(zhǔn)差。 Gabor核根據(jù)不同的尺度和方向有不同的選擇，并且每種核函數(shù)用于濾波都能提取到不同的紋理信息。在實(shí)際的應(yīng)用中，一般選擇5方向和8個(gè)尺度總共40個(gè)核函數(shù)對(duì)圖像的一個(gè)波段進(jìn)行濾波，每個(gè)像素能得到一個(gè)40維的紋理特征。

1.3 多種特征融合

為了提高特征的魯棒性，本文用多種空間特征進(jìn)行融合，以差分形態(tài)學(xué)特征提取方法為基準(zhǔn)，根據(jù)目標(biāo)圖片自適應(yīng)的找出近似最優(yōu)差分形態(tài)學(xué)特征，然后再融合固定的Gabor特征和光譜特征。

差分形態(tài)學(xué)特征分類(lèi)精度和不同大小的結(jié)構(gòu)元素SE的數(shù)量息息相關(guān)，如果不同大小的結(jié)構(gòu)元素SE的數(shù)量越多，則差分形態(tài)學(xué)特征的維數(shù)越大。令SE的數(shù)量為m，差分形態(tài)學(xué)特征的維數(shù)為d，兩者關(guān)系為d=2(m-1)。

不同維數(shù)的差分形態(tài)學(xué)特征最終的分類(lèi)精度不同，為了選擇最優(yōu)維數(shù)的差分形態(tài)學(xué)特征，算法對(duì)不同維數(shù)的差分形態(tài)學(xué)特征的分類(lèi)精度進(jìn)行比較，選擇最優(yōu)精度的特征作為最優(yōu)解。

算法用正方形作為結(jié)構(gòu)元素，第i個(gè)結(jié)構(gòu)元素的邊長(zhǎng)li定義如下：

li=3+2(i-1)(4)

如果結(jié)構(gòu)元素的邊長(zhǎng)大于目標(biāo)圖像的最短邊長(zhǎng)，這樣的結(jié)構(gòu)元素是沒(méi)有意義的。本算法用不同數(shù)量的結(jié)構(gòu)元素提取差分形態(tài)學(xué)特征，然后進(jìn)行取優(yōu)。不同結(jié)構(gòu)的數(shù)量不超過(guò)目標(biāo)圖像最短邊長(zhǎng)的一半。

目前Gabor濾波器提取特征一般都是取5個(gè)方向8個(gè)尺度共計(jì)40個(gè)核函數(shù)進(jìn)行濾波處理，故本文也是采用40維的Gabor特征。首先對(duì)原始高光譜圖像進(jìn)行PCA降維處理，對(duì)第一主成分進(jìn)行Gabor濾波，得到一個(gè)40維的Gabor特征向量。因?yàn)楦鶕?jù)經(jīng)驗(yàn)，光譜特征的識(shí)別精度比Gabor特征差，所以本文光譜特征的維數(shù)取Gabor特征的一半。

綜上所述，本文提出的多種特征之間的融合方法具體步驟如下：

第1步：根據(jù)輸入圖像的最短邊長(zhǎng)，計(jì)算出最多能用多少個(gè)結(jié)構(gòu)元素SE進(jìn)行差分形態(tài)學(xué)特征提取。

第2步：用5個(gè)SE提取的特征進(jìn)行分類(lèi)，用10個(gè)SE提取的特征進(jìn)行分類(lèi)等等，每增加5個(gè)SE進(jìn)行一次分類(lèi)，一直到SE元素?cái)?shù)量達(dá)到最大。

第3步：按步驟2選擇出最優(yōu)差分形態(tài)學(xué)特征之后，把它和40維的Gabor特征、20維的光譜特征進(jìn)行橫向融合，得到整個(gè)的融合特征向量。需要注意的是其中每一種特征都需要做數(shù)據(jù)歸一化，最后整個(gè)的融合特征向量需要再次歸一化。

2 方法介紹

2.1 超像素分割

在遙感領(lǐng)域，根據(jù)地理學(xué)第一定律可知，相鄰的像素之間表示同一種事物的可能性遠(yuǎn)大于不相鄰的像素，這種領(lǐng)域的空間信息在很多應(yīng)用上都有指導(dǎo)性的用途，而把圖像分割成很多包含相似視覺(jué)特征的超像素塊，恰好能很好描述這種信息。所以超像素分割越來(lái)越多的應(yīng)用在圖像處理過(guò)程中，如圖像分割、目標(biāo)定位和物體識(shí)別等。

簡(jiǎn)單線(xiàn)性迭代算法(Simple Linear Iterative Clustering，SLIC)[14]是一種簡(jiǎn)單、快速的超像素生成算法，能夠生成緊湊近似均勻的超像素塊。SLIC算法不僅可以分割彩色圖像，同時(shí)也兼容分割灰度圖像，而且在使用上也很方便，只需要設(shè)置很少的參數(shù)。SLIC的基本思想是K-means聚類(lèi)，把特征相似的像素的歸為一類(lèi)。但是和K-means不同的是，SLIC在聚類(lèi)中加入空間位置的限制。

SLIC算法需要指定一個(gè)描述超像素塊緊密程度的參數(shù)。如果這個(gè)參數(shù)越大，超像素塊邊界越平滑，此時(shí)超像素形狀趨近圓形;如果參數(shù)值越小，部分超像素塊的形狀就會(huì)趨于扁平，并且邊界中會(huì)出現(xiàn)一些比較尖銳的角。對(duì)于圖像中紋理比較復(fù)雜的區(qū)域，超像素的邊界一般都比較尖銳，并且有很多長(zhǎng)條形的超像素出現(xiàn)，此時(shí)需要一個(gè)比較大的參數(shù)值讓這些超像素趨于平滑;而對(duì)于圖像中紋理比較簡(jiǎn)單的區(qū)域，超像素超像素塊一般比較圓潤(rùn)，此時(shí)需要一個(gè)比較小的緊密度參數(shù)，讓超像素的邊界尖銳一些，更好地去描繪圖像的紋理信息。如果根據(jù)經(jīng)驗(yàn)來(lái)確定這個(gè)參數(shù)的大小，得到一個(gè)合理的值是很困難的，SLICO是SLIC超像素分割算法的改進(jìn)算法，算法根據(jù)不同區(qū)域的紋理復(fù)雜度自動(dòng)選擇一個(gè)合適的參數(shù)值，使圖像中的超像素塊更加規(guī)整統(tǒng)一，能夠避免形狀不規(guī)則導(dǎo)致的分割效果偏差。

2.2 超像素信息融合

超像素領(lǐng)域信息是一種重要的空間信息，目前文獻(xiàn)中一般利用超像素信息對(duì)分類(lèi)結(jié)果進(jìn)行后處理操作。具體操作是統(tǒng)計(jì)一個(gè)超像素中像素的標(biāo)簽，如果相同標(biāo)簽的數(shù)量占整個(gè)超像素塊總像素?cái)?shù)量的比例大于一定的值，則把超像素塊中的所有像素標(biāo)簽統(tǒng)一。這種按照超像素為單位的校正方法不能很好地把超像素信息利用到每個(gè)像素。本文通過(guò)把超像素信息和用于分類(lèi)的特征進(jìn)行融合，讓超像素信息能夠?qū)γ總€(gè)像素都進(jìn)行指導(dǎo)，具體做法如圖1所示，可描述為如下步驟：

第1步：按照超像素塊的位置，計(jì)算每一個(gè)超像素區(qū)域的高光譜特征均值。把超像素塊區(qū)域的特征看成向量集合x(chóng)l={xn∈Rc,n=1,2,…,Nl}，l=1,2,…,N，N為總的超像素塊的個(gè)數(shù)。Nl為第l個(gè)超像素塊中像素點(diǎn)的個(gè)數(shù)。第l個(gè)超像素塊區(qū)域特征均值計(jì)算如下：

(5)

(6)

式中：α為權(quán)系數(shù)，根據(jù)經(jīng)驗(yàn)值調(diào)整。

圖1 特征“平滑移動(dòng)”示意Fig.1 Illustration chart of feature translation

平滑移動(dòng)算法把超像素信息融入高光譜的每個(gè)像素特征向量中去，提高了分類(lèi)結(jié)果的精度，使得分類(lèi)結(jié)果中每個(gè)像素標(biāo)簽的置信度都有所提高。此時(shí)，如果一個(gè)超像素塊區(qū)域中含有大量具有相同標(biāo)簽的像素，則這個(gè)超像素塊中，其他類(lèi)別標(biāo)簽的像素屬于誤標(biāo)像素的概率就高于平滑移動(dòng)之前的誤標(biāo)概率。

2.3 本文高光譜圖像分類(lèi)算法描述

圖2展示了融合SLICO空間信息的多特征融合分類(lèi)算法的框架。具體的算法步驟描述如下：

第1步，將高光譜圖像降為20維。

第2步，用光譜第一層主成份提取Gabor特征。取前20層主成份作為光譜特征。

第3步，按第1.3節(jié)介紹的方法選擇最優(yōu)差分形態(tài)學(xué)特征。

第4步，把最優(yōu)差分形態(tài)學(xué)特征與Gabor特征和光譜特征進(jìn)行橫向融合，得到融合后的特征向量。

第5步，用SLICO算法對(duì)光譜的前3個(gè)主成份進(jìn)行超像素分割。

第6步，超像素信息和所提取特征按第2.2節(jié)的算法進(jìn)行融合。

第7步，用融合了超像素信息的新特征進(jìn)行分類(lèi)，并且把分類(lèi)結(jié)果和第3步得到的最優(yōu)差分形態(tài)學(xué)特征的分類(lèi)結(jié)果進(jìn)行比較，選擇較優(yōu)的結(jié)果作為算法的輸出結(jié)果。

第8步，用超像素信息對(duì)第7步得到的最優(yōu)結(jié)果進(jìn)行后處理。

圖2 多特征融合分類(lèi)算法框架Fig.2 Illustration chart of multi-feature fusion classification

因?yàn)檫b感圖像的復(fù)雜多變性，多特征融合可能產(chǎn)生精度低于最優(yōu)差分形態(tài)學(xué)特征進(jìn)行分類(lèi)的精度。為了避免這種情況，在第7步時(shí)對(duì)兩者結(jié)果進(jìn)行比較，選擇最優(yōu)解進(jìn)行下述后處理。在第8步中再次利用SLICO超像素信息，根據(jù)超像素塊中各個(gè)像素點(diǎn)類(lèi)別標(biāo)簽的分布對(duì)分類(lèi)結(jié)果進(jìn)行糾正。

3 試驗(yàn)結(jié)果

3.1 試驗(yàn)數(shù)據(jù)集

本文用Indian Pines圖像進(jìn)行試驗(yàn)驗(yàn)證。印第安農(nóng)林?jǐn)?shù)據(jù)集來(lái)自光譜儀Airbome Visible Infra-Red Imaging Spectrometer(AVIRIS)，是1992年在印第安納州西北部印第安農(nóng)林收集到的高光譜遙感圖像，具有20m的空間分辨率，包含144×144個(gè)像元，220個(gè)波段。由于噪聲和水吸收等因素除去其中的20個(gè)波段，剩余200個(gè)波段，包含16種植被，具體地物類(lèi)別和樣本個(gè)數(shù)見(jiàn)表1，樣本總數(shù)10 366。

表1 Indian Pines圖像每種類(lèi)別的樣本數(shù)

3.2 評(píng)價(jià)指標(biāo)

在機(jī)器學(xué)習(xí)分類(lèi)器的評(píng)價(jià)中，一般都需要輸出分類(lèi)任務(wù)的混淆矩陣M：

(7)

式中：c為分類(lèi)任務(wù)中類(lèi)別個(gè)數(shù)?；煜仃嚨拿恳涣写砹祟A(yù)測(cè)類(lèi)別，每一列的總數(shù)表示預(yù)測(cè)為該類(lèi)別樣本的數(shù)目；每一行代表了樣本的真實(shí)歸屬類(lèi)別，每一行的樣本總數(shù)表示該類(lèi)別的樣本實(shí)例的數(shù)目。所以mij表示實(shí)際上為第i類(lèi)且預(yù)測(cè)為第j類(lèi)的樣本的數(shù)量。

通過(guò)混淆矩陣，可以得到很多分類(lèi)信息，但缺點(diǎn)是不直觀，在評(píng)價(jià)分類(lèi)器性能時(shí)一般都是利用混淆矩陣中的數(shù)據(jù)計(jì)算出一些相對(duì)比較直觀的數(shù)據(jù)進(jìn)行評(píng)價(jià)。在高光譜分類(lèi)任務(wù)中，如果沒(méi)有特殊的任務(wù)需求，一般只關(guān)注分類(lèi)的整體效果，不需要對(duì)一個(gè)特定的類(lèi)別進(jìn)行著重觀察，所以本文采取其中一個(gè)評(píng)價(jià)標(biāo)準(zhǔn)，即總體分類(lèi)精度:

(8)

式中:N為所有測(cè)試樣本數(shù)量；mii為正確分類(lèi)的樣本個(gè)數(shù)。

總體分類(lèi)精度OA可以描述分類(lèi)結(jié)果的整體性能，但在類(lèi)別不平衡的情況下，OA有一定的局限性，比如一個(gè)樣本數(shù)量很少的類(lèi)別，即使這個(gè)類(lèi)別的所有樣本錯(cuò)分，對(duì)OA的影響也很小。為此，本文中增加了另一個(gè)評(píng)價(jià)標(biāo)準(zhǔn)——Kappa系數(shù)：

式中：mi+為第i行的總觀測(cè)數(shù)；m+i為第i列的總觀測(cè)數(shù)。

在統(tǒng)計(jì)學(xué)中Kappa系數(shù)是用來(lái)度量?jī)蓚€(gè)被觀測(cè)對(duì)象的一致程度，在高光譜分類(lèi)中則用來(lái)度量樣本預(yù)測(cè)值和真實(shí)值之間的一致程度。Kappa值的取值在0～1之間，Kappa系數(shù)的值越大，說(shuō)明預(yù)測(cè)結(jié)果和真實(shí)結(jié)果越接近，反之則說(shuō)明預(yù)測(cè)結(jié)果和真實(shí)結(jié)果相差越大，分類(lèi)效果則越差[15-17]。

3.3 試驗(yàn)結(jié)果

為了驗(yàn)證本文算法的有效性，分3個(gè)部分進(jìn)行驗(yàn)證。

(1)單一特征分類(lèi)方法和本文方法的對(duì)比

為了驗(yàn)證多特征融合的有效性，本節(jié)把只用Gabor特征、只用差分形態(tài)學(xué)特征和只用光譜特征的分類(lèi)結(jié)果的OA和Kappa系數(shù)和本文方法的分類(lèi)結(jié)果的OA和Kappa系數(shù)進(jìn)行比較。試驗(yàn)使用Indian Pines圖像，每一類(lèi)訓(xùn)練樣本抽取總體樣本的5%，且不少于10個(gè)樣本。為了排除干擾，本節(jié)所有試驗(yàn)都不融合超像素信息，且不進(jìn)行后處理操作。

表2展示了不同的差分形態(tài)學(xué)特征的分類(lèi)的OA和Kappa系數(shù)。Indian Pines圖像大小為145×145×200像素，而第40個(gè)結(jié)構(gòu)元素的邊長(zhǎng)為83像素，長(zhǎng)度已經(jīng)大于Indian Pines圖像最短邊長(zhǎng)的一半，所以結(jié)構(gòu)元素取到35是合理的。結(jié)構(gòu)元素?cái)?shù)量取10的時(shí)候，所得到的差分形態(tài)學(xué)特征取的分類(lèi)結(jié)果OA和Kappa同時(shí)達(dá)到最大，分別為0.951 765和0.945 01。

表2 Indian Pines圖像不同差分形態(tài)學(xué)特征的分類(lèi)結(jié)果

表3給出了Indian Pines圖像不同特征的試驗(yàn)數(shù)據(jù)，融合特征的OA和Kappa經(jīng)過(guò)Gabor特征和光譜特征的修正，比表2中最優(yōu)的差分形態(tài)學(xué)特征的OA和Kappa都有了提高。

圖3展示了Indian Pines圖像的不同特征的分類(lèi)效果。圖3(a)為只用40維光譜特征得到的分類(lèi)結(jié)果，圖中有大量的“椒鹽噪點(diǎn)”，圖3(b)為最優(yōu)差分形態(tài)學(xué)特征得到的分類(lèi)結(jié)果，整體效果較好，不同類(lèi)別相鄰的區(qū)域存在部分誤分。圖3(c)為只用Gabor特征得到的分類(lèi)結(jié)果。圖3(d)為用融合特征得到的結(jié)果圖。圖中標(biāo)記了4個(gè)區(qū)域，正方形區(qū)域，橢圓區(qū)域，三角形區(qū)域和六邊形區(qū)域。對(duì)于正方形區(qū)域，最優(yōu)差分形態(tài)學(xué)特征的分類(lèi)結(jié)果圖3(b)有誤分情況，通過(guò)Gabor特征圖3(c)得到改正，使得融合特征圖3(d)得到正確的結(jié)果。對(duì)于橢圓區(qū)域，圖3(b)同樣部分誤分，通過(guò)Gabor特征和光譜特征得到改正。對(duì)于三角形區(qū)域，光譜特征對(duì)結(jié)果優(yōu)化取到了很大的作用。對(duì)于六邊形區(qū)域，圖3(b)分類(lèi)結(jié)果正確，Gabor特征和光譜特征的影響，融合特征圖3(d)在這個(gè)區(qū)域上部分誤分。

表3 Indian Pines圖像融合特征的分類(lèi)結(jié)果

圖3 Indian Pines圖像不同特征的分類(lèi)結(jié)果Fig.3 Classification result of different features of Indian Pines image

(2)特征和超像素信息融合的有效性驗(yàn)證

本節(jié)試驗(yàn)分別用Gabor特征，差分形態(tài)學(xué)、光譜特征和融合特征和超像素信息進(jìn)行融合，然后用SVM進(jìn)行分類(lèi)。每一類(lèi)樣本取5%作為訓(xùn)練樣本并且每一類(lèi)訓(xùn)練樣本至少取10個(gè)。Gabor特征維數(shù)取40維，光譜特征取20維，差分形態(tài)學(xué)取10個(gè)結(jié)構(gòu)元素，即54維特征，融合特征為3者的橫向融合?！捌交苿?dòng)”比例系數(shù)α取0.7。

為了驗(yàn)證融合超像素的方法優(yōu)于后處理的方法。對(duì)比試驗(yàn)設(shè)計(jì)為：用原始特征送入SVM分類(lèi)進(jìn)行分類(lèi)，然后對(duì)結(jié)果進(jìn)行后處理；特征融合超像素信息后送入SVM進(jìn)行分類(lèi)。訓(xùn)練樣本、特征的選取和第一部試實(shí)驗(yàn)相同。表4為兩種方法的對(duì)比結(jié)果，可以很明顯地看出對(duì)于所有的特征，融合超像素信息的方法均優(yōu)于后處理的方法。

表4 融合超像素信息的分類(lèi)結(jié)果

(3)和現(xiàn)有的空譜分類(lèi)方法進(jìn)行對(duì)比

選用了4個(gè)近年來(lái)提出的具有代表性的方法和本文算法進(jìn)行了比較。對(duì)比方法為DTBS-SVM[18], BS-SVM[19], NLGD-SVM[20]和FS-SMLRSSAMRF[21]。4種方法都用Indian Pines圖像進(jìn)行了試驗(yàn)。訓(xùn)練樣本取5%。表5給出了Indian Pines圖像上不同方法的試驗(yàn)數(shù)據(jù)，從表中可以看出，無(wú)論OA還是Kappa,本算法都優(yōu)于其他算法。

表5 Indian Pines圖像不同分類(lèi)方法結(jié)果對(duì)比

4 結(jié)束語(yǔ)

本文提出了一種結(jié)合多種空間特征的高光譜分類(lèi)方法。光譜特征、差分形態(tài)學(xué)特征和Gabor特征融合得到的新特征的分類(lèi)結(jié)果并不一定優(yōu)于其中一種特征分類(lèi)結(jié)果的最優(yōu)值，因此本文將最優(yōu)差分形態(tài)學(xué)特征與Gabor特征和光譜特征融合，分類(lèi)結(jié)果與最優(yōu)差分形態(tài)學(xué)特征的結(jié)果進(jìn)行比較，輸出較優(yōu)的分類(lèi)結(jié)果。通過(guò)試驗(yàn)證明了該方法的有效性，評(píng)價(jià)指標(biāo)OA和Kappa均有一定的提升。同時(shí)提出了一種用超像素信息對(duì)特征進(jìn)行“平滑移動(dòng)”的后處理方法，把超像素信息融入到每個(gè)像素特征向量中。進(jìn)一步的研究方向是加深對(duì)特征融合的理解和研究，自適應(yīng)地控制調(diào)節(jié)紋理特征和光譜特征的比例等。