基于多尺度超像素的高光譜圖像分類研究

王 華，李衛(wèi)衛(wèi)，李志剛，陳學(xué)業(yè)，孫 樂(lè)

(1.自然資源部城市土地資源監(jiān)測(cè)與仿真重點(diǎn)試驗(yàn)室，深圳 518034；2.鄭州輕工業(yè)大學(xué)河南省食品安全數(shù)據(jù)智能重點(diǎn)實(shí)驗(yàn)室，鄭州 450002；3.南京信息工程大學(xué)計(jì)算機(jī)與軟件學(xué)院，南京 210044)

0 引言

遙感影像由于其較高的時(shí)效性，一直被用作土地利用分類、醫(yī)學(xué)圖像處理、目標(biāo)檢測(cè)識(shí)別等信息采集、更新的主要數(shù)據(jù)源。高光譜遙感影像不僅包含地物空間信息，還包含豐富的地物光譜信息，在高光譜圖像分類研究中，特征提取、數(shù)據(jù)處理、算法運(yùn)用等因素會(huì)影響最終分類精度。因此，全面考慮圖像特征信息、靈活運(yùn)用算法對(duì)于提升高光譜圖像分類精度具有非常重要的意義[1]。

目前，用于高光譜圖像(hyperspectral image,HSI)分類的算法包括決策樹(shù)[2-3]、支持向量機(jī)(support vector machines，SVM)[4-5]、深度學(xué)習(xí)[6-7]等，相比于一般遙感影像，HSI數(shù)據(jù)提供了更加龐大的細(xì)微光譜特征[8-10]，使得傳統(tǒng)的逐像素方法極易受噪聲影響，并且在提取圖像特征時(shí)往往忽略相似特征聚類的重要性，降低了分類精度[11]。超像素分割能夠?qū)D像中空間位置相鄰且色彩、亮度、紋理等特征相似的像素點(diǎn)劃分成小區(qū)域，能夠?qū)⑾袼丶?jí)影像抽象為區(qū)域級(jí)的高維數(shù)據(jù)[12-15]，是應(yīng)用較為廣泛的圖像分割方法[16-18]。將超像素分割方法運(yùn)用到HSI分類或目標(biāo)檢測(cè)，可以提取更加有效的樣本空間特征，進(jìn)而提升分類效果或目標(biāo)檢測(cè)效率，如陳允杰等[19]基于超像素方法提升HSI的分類精度；劉忠林等[20]基于超像素圖像模型，極大地提高了復(fù)雜背景下的小目標(biāo)檢測(cè)準(zhǔn)確率。上述方法表明，基于超像素的改進(jìn)方法可有效提高目標(biāo)分類精度，但是將超像素分割應(yīng)用到HSI分類中仍然存在以下缺陷：①將圖像在單一尺度下進(jìn)行超像素分割，無(wú)法精確判斷初始超像素個(gè)數(shù)，數(shù)值過(guò)小可能會(huì)丟失關(guān)鍵判別信息，初始數(shù)值過(guò)大會(huì)包含過(guò)多干擾信息；②單一尺度的特征提取與單一核的特征分類很難提取較為精細(xì)的圖像信息。較為合理的方法應(yīng)在滿足減少干擾信息的情況下，盡可能提取更加全面的判別信息。

基于上述研究，為有效提高HSI分類精度，本文提出一種耦合多尺度超像素分割與合成核(multi-scale spatial spectrum synthesis kernel，Ms-SSSK)的分類方法。該方法將HSI的第一主成分分量，在多個(gè)尺度下進(jìn)行超像素分割，并融合所有尺度下的分割圖像，以提取較為全面的圖像空間光譜特征核矩陣，并通過(guò)權(quán)重與原始光譜核矩陣結(jié)合，形成多尺度空間光譜合成核矩陣，完成分類模型的構(gòu)建與預(yù)測(cè)。本研究以Washington DC Mall HYDICE為實(shí)驗(yàn)數(shù)據(jù)，在MATLAB平臺(tái)上對(duì)本文所提方法進(jìn)行實(shí)現(xiàn)與測(cè)試，并將本文方法所得高光譜影像分類結(jié)果與多尺度濾波空間光譜核(multi-scale filtering spatial spectrum kernel，Ms-FSSK)、單一尺度下空間光譜合成核(single-scale spatial spectrum synthesis kernel，Ss-SSSK)方法、原始空間光譜合成核(original spatial spectrum synthesis kernel，O-SSSK)方法進(jìn)行對(duì)比，驗(yàn)證改進(jìn)方法的有效性及可行性。

1 研究方法

1.1 方法流程

Ms-SSSK方法將多尺度超像素和空間光譜特征結(jié)合，有效地提升了HSI的分類精度，方法總體研究流程如圖1所示。

圖1 模型流程圖Fig.1 Overall flowchart

由圖1可知，該方法提取了空間光譜特征和原始光譜特征2種分類特征，其中空間光譜特征獲取步驟如下：①采用主成分分析(principal component analysis，PCA)算法對(duì)HSI降維，提取HSI的第一主成分分量；②在多個(gè)尺度下將提取的主成分分量采用基于熵率的超像素分割算法(entropy rate superpixel，ERS)進(jìn)行超像素分割處理；③通過(guò)徑向基核函數(shù)(radial basis function，RBF)計(jì)算每一尺度下的空間光譜核矩陣；④將所有尺度下的核矩陣做均值運(yùn)算，得到空間光譜核矩陣。原始光譜特征獲取步驟如下：①計(jì)算原始HSI中各像素所有波段的光譜均值；②使用RBF核函數(shù)計(jì)算各像素間的相似性，形成原始光譜核矩陣。隨后，通過(guò)權(quán)值將空間光譜核矩陣和原始光譜核矩陣結(jié)合形成多尺度超像素空間光譜合成核，并隨機(jī)選取訓(xùn)練樣本和測(cè)試樣本，索引出訓(xùn)練核矩陣與測(cè)試核矩陣，隨后通過(guò)LIBSVM軟件包進(jìn)行分類模型的構(gòu)建與預(yù)測(cè)。

1.2 數(shù)據(jù)降維

本文使用的HSI具有191個(gè)波段，每個(gè)像素點(diǎn)均包含大量的光譜信息，此外，相鄰的波段之間具有緊密的空間、光譜關(guān)系，若使用全部波段的光譜信息進(jìn)行影像空間光譜核形成的實(shí)驗(yàn)，將會(huì)因數(shù)據(jù)維數(shù)大導(dǎo)致實(shí)驗(yàn)時(shí)間的延長(zhǎng)、實(shí)驗(yàn)工作的繁重。因此，為了快速、高效地完成空間光譜核形成工作，需要對(duì)HSI進(jìn)行降維，目的是在眾多波段中挑選出包含HSI大部分光譜信息的主成分分量，再使用該主成分分量進(jìn)行實(shí)驗(yàn)，能夠極大地提升分類效率。

一般情況下，用于數(shù)據(jù)降維的算法有線性判別分析(linear discriminant analysis，LDA)、PCA、局部線性嵌入(locally linear embedding，LLE)等，其中應(yīng)用較為廣泛的降維方法[21]是PCA，此方法降維步驟如下：①輸入原始HSI數(shù)據(jù)a×b×n，將原始矩陣處理成m×n(m=a×b)的二維矩陣；②求出m×n矩陣的均值(μ)與協(xié)方差矩陣(C)n×n，計(jì)算C的特征值(λ)與特征向量(E)；③將特征值從大到小依次排列，特征值越大則代表此特征越重要，若只提取前p個(gè)特征，則選取E中前p個(gè)列向量構(gòu)造模式矩陣Ep；④將原始圖像去中心化后形成矩陣A，最后通過(guò)計(jì)算[EpT×AT]T形成降維后的矩陣。本研究通過(guò)調(diào)用MATLAB軟件中的PCA函數(shù)進(jìn)行數(shù)據(jù)降維獲得第一個(gè)主成分分量且貢獻(xiàn)率為81.7%。

1.3 超像素分割

采用PCA算法提取高光譜影像的第一主成分分量之后，需要對(duì)第一主成分分量進(jìn)行超像素分割處理，以確保具有相同或相似光譜特征的相鄰像素同屬一個(gè)類別標(biāo)簽，除此之外，圖像進(jìn)行超像素分割后，按超像素區(qū)域塊執(zhí)行運(yùn)算操作，避免了逐像素運(yùn)算的繁瑣過(guò)程。

目前，用于超像素分割的常用算法有ERS、基于梯度下降法的超像素分割算法(simple linear iterative clustering，SLIC)、基于圖論的超像素分割算法(Graph-based)等，本文基于ERS[22]對(duì)提取的主成分分量進(jìn)行多尺度超像素分割處理。該方法通過(guò)定義目標(biāo)函數(shù)計(jì)算每個(gè)像素頂點(diǎn)與其鄰像素間邊的函數(shù)值，函數(shù)值越大代表2個(gè)像素相似性越高、屬于同一類別的可能性越大，將函數(shù)值最大的邊刪除，使2個(gè)像素同屬一個(gè)超像素，依次計(jì)算所有像素頂點(diǎn)直至超像素個(gè)數(shù)等于設(shè)定超像素?cái)?shù)值。通過(guò)ERS算法分割圖像能夠最大程度地保留圖像邊緣信息生成較優(yōu)的超像素圖像，并且在多個(gè)尺度下對(duì)圖像分別進(jìn)行超像素分割處理，能夠使某一尺度中較難獲取到的特性在某個(gè)尺度中輕松提取。每個(gè)尺度的數(shù)值需滿足M=2L-1[23]，其中L為尺度個(gè)數(shù)，超像素?cái)?shù)量N=M×q，q為初始超像素個(gè)數(shù)，根據(jù)現(xiàn)有研究[24]，本文選擇4個(gè)尺度進(jìn)行圖像分割處理，并且q設(shè)置為400，各個(gè)尺度下的超像素分割圖像如圖2所示。

(a)N=400 (b)N=800 (c)N=1600 (d)N=3200

1.4 SVM

SVM是較為常用且能有效解決分類問(wèn)題的機(jī)器學(xué)習(xí)算法，針對(duì)維度較高、樣本較少等問(wèn)題表現(xiàn)出良好的分類效果，最常見(jiàn)的是線性分類問(wèn)題，對(duì)待線性不可分問(wèn)題，需要通過(guò)核函數(shù)完成低維空間至高維空間的映射，隨后進(jìn)行分類研究[25]，核函數(shù)定義為：

K(x,y)=<φ(x),φ(y)>，

(1)

式中：φ為映射；x,y為空間內(nèi)任意點(diǎn)。常用的核函數(shù)有sigmoid核函數(shù)、高斯(RBF)核函數(shù)與線性核函數(shù)等，針對(duì)大、小樣本，RBF核函數(shù)能夠產(chǎn)生很好的性能，且涉及參數(shù)相對(duì)較少[26]，因此本文選擇RBF核函數(shù)進(jìn)行研究，其表達(dá)式為：

K(Xi,Xj)=exp (-||Xi-Xj||/2δ2)，

(2)

式中：δ是寬度參數(shù)，該數(shù)值的選取對(duì)分類精度會(huì)產(chǎn)生較大的影響；Xi,Xj為空間內(nèi)任意點(diǎn)?；?個(gè)有效核K1，K2，一個(gè)新的有效核可由下式產(chǎn)生，即

K(Xi,Xj)=K1(Xi,Xj)+K2(Xi,Xj)，

(3)

K(Xi,Xj)=K1(Xi,Xj)·K2(Xi,Xj)，

(4)

K(Xi,Xj)=μK1(Xi,Xj);μ>0，

(5)

式中μ為權(quán)重值。新構(gòu)造的核函數(shù)K(Xi,Xj)由K1和K2進(jìn)行組合，并且K1和K2可以應(yīng)用于不同來(lái)源、時(shí)相的高光譜遙感影像數(shù)據(jù)[27-28]，本研究通過(guò)式(3)將不同尺度下的空間光譜特征進(jìn)行結(jié)合形成新的空間光譜核，通過(guò)式(5)以賦予權(quán)重值的形式將空間光譜核與原始光譜核結(jié)合形成合成核進(jìn)行分類。

1.5 Ms-SSSK分類

本研究使用的高光譜數(shù)據(jù)集經(jīng)過(guò)PCA提取主成分分量之后，在多個(gè)尺度下進(jìn)行超像素分割處理，并將超像素特征定義為超像素中所有像素的光譜特征均值，通過(guò)RBF核函數(shù)計(jì)算每2個(gè)超像素的線性內(nèi)積代表超像素之間的相似性，使樣本映射至核空間形成核矩陣。實(shí)驗(yàn)中某一像素Xi1，其所在超像素Si={Xi1,Xi2,Xi3…Xik}，超像素中像素集合的光譜均值為：

(6)

<Φ(Si),Φ(Sj)>=K(Si,Sj)=K(Simean,Sjmean)，

(7)

由式(7)計(jì)算得出空間光譜核矩陣，遍歷訓(xùn)練集中各個(gè)像素所在超像素位置并提取訓(xùn)練核矩陣，p個(gè)訓(xùn)練樣本的訓(xùn)練核矩陣為p×p，隨后在核空間中查找出測(cè)試樣本中每個(gè)像素所在超像素位置，并找出與所有訓(xùn)練樣本所在超像素間的相似性構(gòu)成測(cè)試核矩陣。圖像的尺度不同獲得的核矩陣不同，將所有尺度下的核矩陣結(jié)合，公式為：

(8)

空間光譜信息的提取有利于建立各像元間空間關(guān)系，原始光譜信息的提取則更加注重地物間光譜差異有利于區(qū)分不同物體。提取出訓(xùn)練集與測(cè)試集的原始光譜核矩陣，并分別將訓(xùn)練集與測(cè)試集的空間光譜核矩陣與原始光譜核矩陣結(jié)合，公式為：

K=?Kpp+(1-?)Kyp，

(9)

式中:?為平衡參數(shù)，范圍為[0，1]；Kpp為空間光譜核矩陣；Kyp為原始光譜核矩陣。用于構(gòu)建分類模型的多尺度超像素空間光譜合成核矩陣的計(jì)算公式為：

(10)

式中si和sj分別為像素i和j的光譜信息。由式(10)計(jì)算得出訓(xùn)練核矩陣與測(cè)試核矩陣，并應(yīng)用LIBSVM軟件包進(jìn)行分類模型的構(gòu)建與測(cè)試樣本集分類結(jié)果的預(yù)測(cè)，以驗(yàn)證本文方法分類性能，并通過(guò)分類模型得出整個(gè)區(qū)域內(nèi)樣本的所屬類別，由此觀察此區(qū)域地物分類現(xiàn)狀。

1.6 實(shí)驗(yàn)方案

本文實(shí)驗(yàn)在原有Ms-SSSK方法的基礎(chǔ)之上，設(shè)置了3組對(duì)照實(shí)驗(yàn)，分別為Ms-FSSK，Ss-SSSK和O-SSSK，每組實(shí)驗(yàn)的計(jì)算方法如下：

1)Ms-FSSK方法。Ms-FSSK由多尺度濾波和空間光譜核共同組成，其中多尺度濾波空間光譜核獲得方式如圖3所示。

圖3 多尺度濾波空間光譜核獲取流程Fig.3 Multi-scale filtering spatial spectrum kernel acquisition process

該方法中不同大小的濾波窗代表不同的尺度，將所有尺度下的空間光譜核結(jié)合求均值，得到多尺度空間多譜核，并通過(guò)RBF核函數(shù)獲得原始光譜核，多尺度濾波空間光譜核與原始光譜核通過(guò)權(quán)值結(jié)合形成Ms-FSSK。

2)Ss-SSSK方法。Ss-SSSK由單尺度超像素空間光譜核與原始光譜核共同組成，其中單尺度超像素空間光譜核獲得方式如圖4所示。

圖4 單尺度超像素空間光譜核獲取流程Fig.4 Single-scale superpixel spatial spectrum nuclear acquisition process

獲取原始高光譜影像各個(gè)像素所有波段的光譜均值信息，并通過(guò)RBF核函數(shù)得到原始光譜核矩陣，單尺度超像素空間光譜核矩陣與原始光譜核矩陣通過(guò)權(quán)值結(jié)合形成Ss-SSSK進(jìn)行高光譜影像分類。

3)O-SSSK方法。O-SSSK由原始空間光譜核與原始光譜核共同組成，其中原始空間光譜核的獲得方式如圖5所示。

圖5 原始空間光譜核獲取流程Fig.5 Original space spectrum nuclear acquisition process

獲取高光譜影像的第一主成分分量，隨后使用5×5的窗口對(duì)主成分圖像進(jìn)行光譜均值提取，并使用RBF核函數(shù)獲取原始空間光譜核矩陣，將原始空間光譜核矩陣與原始光譜核矩陣通過(guò)權(quán)值結(jié)合形成O-SSSK進(jìn)行高光譜影像分類。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文實(shí)驗(yàn)使用的高光譜數(shù)據(jù)集為Washington DC Mall，去除不透明波段之后，此影像剩余波段個(gè)數(shù)為191。影像像素大小為1 280×307×191，本研究使用圖像為591行以下部分?jǐn)?shù)據(jù)(690×307×191)作為研究對(duì)象，并根據(jù)地面實(shí)際情況將研究區(qū)分為住宅、公路、街道、草地、林地、水域和陰影7種類別，各波段包含像素個(gè)數(shù)為211 830，其中樣本集個(gè)數(shù)為5 471，7個(gè)類別的訓(xùn)練集和測(cè)試集個(gè)數(shù)如下表1所示。

表1 樣本類別與樣本集個(gè)數(shù)Tab.1 Number of sample categories and sample sets (個(gè))

2.2 Ms-SSSK模型結(jié)果分析

本文選取具有191個(gè)有效光譜波段的HSI為分析對(duì)象，并將樣本集中的5 471個(gè)已知地物類別的樣本點(diǎn)進(jìn)行標(biāo)注，隨機(jī)抽取其中的820個(gè)樣本作為訓(xùn)練集構(gòu)建分類模型，其余4 651個(gè)樣本作為測(cè)試集驗(yàn)證分類模型性能。選取RBF核構(gòu)建Ms-SSSK分類模型，并結(jié)合7次交叉驗(yàn)證及網(wǎng)格搜索，遍歷出最佳核函數(shù)參數(shù)值g為9.196，最佳懲罰因子c為16.489。

?為空間光譜核權(quán)重系數(shù)，(1-?)為原始光譜核權(quán)重系數(shù)，Ms-SSSK方法中的合成核形成時(shí)，參數(shù)?的選取對(duì)分類精度會(huì)產(chǎn)生一定的影響[27]，因此Ms-SSSK方法在區(qū)間[0,1]內(nèi)以0.1為增幅進(jìn)行權(quán)值的搜索，在每個(gè)?值下運(yùn)行5次實(shí)驗(yàn)程序并計(jì)算平均分類精度，找出獲得最高平均分類精度的最佳?值。針對(duì)測(cè)試集，不同權(quán)值?下的分類精度如圖6所示。

圖6 權(quán)值?對(duì)應(yīng)的分類精度Fig.6 Classification accuracycorresponding to the weight ?

由圖6可知，當(dāng)?為0或1時(shí)，代表最終分類核矩陣由單一核構(gòu)成，并且單一原始光譜核分類精度為85.87%，低于單一空間光譜核分類精度91.79%；當(dāng)?從0遞增至0.6時(shí)，測(cè)試集的分類精度承上升狀態(tài)，當(dāng)?從0.6遞增至1時(shí)分類精度開(kāi)始下降，因此可以認(rèn)為，當(dāng)?為0.6時(shí)分類精度最高，為98.53%。

由此可以看出，在基于Ms-SSSK方法的高光譜影像分類實(shí)驗(yàn)過(guò)程中，用于構(gòu)建合成核的空間光譜核與原始光譜核都占有重要作用，并且空間光譜核的貢獻(xiàn)率略高于原始光譜核。各類地物都有其獨(dú)特的原始光譜特征，但是同譜異物、同物異譜的現(xiàn)象時(shí)有發(fā)生，Ms-SSSK方法中原始光譜特征占比較大時(shí)，具有較精細(xì)的空間光譜特征發(fā)揮不出優(yōu)勢(shì)，較易導(dǎo)致整體分類精度的下降，使用權(quán)值?合理地分配空間光譜和原始光譜特征，可以極大地提高高光譜影像分類精度。

2.3 方法對(duì)比分析

當(dāng)?為0.6時(shí)，按照原來(lái)的c和g參數(shù)和訓(xùn)練集、測(cè)試集個(gè)數(shù)設(shè)置，將Ms-SSSK，Ms-FSSK，Ss-SSSK和O-SSSK這4種分類方法分別運(yùn)行5次，得出測(cè)試集的平均分類精度和所有地物分類精度如表2所示。

表2 分類結(jié)果對(duì)比Tab.2 Comparison of classification results

從表2中可以看出，Ms-SSSK的分類精度最高，達(dá)到98.53%，O-SSSK的分類精度最低，為91.60%。相比于O-SSSK，Ss-SSSK的分類精度提升3.73個(gè)百分點(diǎn)；相比于Ms-FSSK，Ss-SSSK和O-SSSK這3種方法，Ms-SSSK的分類精度分別提高2.04，3.20和6.93個(gè)百分點(diǎn)。相比于現(xiàn)有深度學(xué)習(xí)方法[29]，針對(duì)該數(shù)據(jù)集Ms-SSSK方法的分類精度提升了6.97個(gè)百分點(diǎn)。表2中的4種高光譜影像分類方法，采用Ms-SSSK得到的陰影、公路、草地的分類精度提升幅度較大，其中，陰影從O-SSSK的87.73%、Ss-SSSK的96.60%和Ms-FSSK的96.98%提升到Ms-SSSK的98.16%；草地的分類精度從O-SSSK的89.16%、Ss-SSSK的92.12%和Ms-FSSK的95.25%提升到Ms-SSSK方法的97.35%；公路的分類精度從O-SSSK的87.55%、Ss-SSSK的92.68%和Ms-FSSK的94.36%提升到Ms-SSSK方法的98.32%。4種模型的測(cè)試集分類結(jié)果如圖7所示。由圖7可以看出，數(shù)據(jù)集中陰影所占面積小且布局分散，當(dāng)住宅面積較大時(shí)，極易將住宅與陰影分為一類；研究區(qū)中的林地與草地在空間格局上不夠聚集且散布整個(gè)區(qū)域，并且二者具有較為相似的光譜特征，因此草地與林地在分類時(shí)易產(chǎn)生混淆；公路在整個(gè)區(qū)域中所占面積較大，并且與草地、林地，住宅等像元毗鄰，因此分類時(shí)易被誤劃入上述地類。

(a)原始測(cè)試集 (b)Ms-SSSK (c)Ms-FSSK (d)Ss-SSSK (e)O-SSSK

Ss-SSSK方法將圖像在一個(gè)尺度下進(jìn)行超像素分割，無(wú)法判斷最佳原始超像素個(gè)數(shù)，相較于多尺度超像素而言，無(wú)法考慮較為精細(xì)的圖像特征信息；Ms-FSSK和O-SSSK方法采用濾波窗的方式獲得圖像空間光譜均值信息，然而最佳窗口的大小很難被確定，窗口過(guò)小無(wú)法包含全部重要信息，窗口過(guò)大會(huì)包含干擾信息，相較于超像素而言無(wú)法自適應(yīng)均值計(jì)算區(qū)域；因此3種方法很難獲得優(yōu)于Ms-SSSK方法的分類效果。將在測(cè)試集上訓(xùn)練完成的模型用于分類原始圖像，形成全區(qū)域分類結(jié)果如圖8所示。并選取了2個(gè)典型區(qū)域用于分類細(xì)節(jié)信息對(duì)比，如圖9所示。

(a)原始地物圖 (b)Ms-SSSK (c)Ms-FSSK (d)Ss-SSSK (e)O-SSSK

(a)原始地物圖1 (b)Ms-SSSK1 (c)Ms-FSSK1 (d)Ss-SSSK1 (e)O-SSSK1

O-SSSK方法針對(duì)大住宅附近公路的分類效果較差，并且易混淆草地和林地，如圖8(e)和圖9(e)(j)所示；Ss-SSSK方法可以大致對(duì)7種地物進(jìn)行分類，但是缺少空間細(xì)節(jié)，如圖8(d)和圖9(d)所示；Ms-FSSK方法的分類結(jié)果中陰影細(xì)節(jié)較為明顯，但是總體分類結(jié)果出現(xiàn)較多差錯(cuò)，尤其是公路與草地，如圖8(c)和圖9(c)(h)所示；Ms-SSSK方法考慮的圖像特征較為精細(xì)，相比于另外2種方法，圖像細(xì)節(jié)區(qū)分較為明顯(如圖8(b)和圖9(b)(g)所示)，獲得了較高的地物分類精度。

為了繼續(xù)探討上述4類方法在不同規(guī)模樣本集上的分類精度變化情況，分別從樣本集合中隨機(jī)抽取200，400，600和800個(gè)樣本點(diǎn)用來(lái)訓(xùn)練模型，剩余樣本作為測(cè)試集驗(yàn)證模型性能，針對(duì)不同規(guī)模測(cè)試集各模型的相對(duì)誤差如圖10所示。

圖10 各模型相對(duì)誤差結(jié)果圖Fig.10 Relative error results of each model

從圖10中可以看出，樣本量從200遞增到800，各模型的分類誤差都在不斷下降，且樣本數(shù)目為200時(shí)，Ms-SSSK模型的分類相對(duì)誤差在10%～15%內(nèi)，與另外3個(gè)模型差距最大，隨著樣本數(shù)目的遞增，分類精度差距逐漸縮小至2%～4.5%。該結(jié)果證明Ms-SSSK模型的空間光譜合成核方法能夠在核空間中學(xué)習(xí)樣本的相似性特征，進(jìn)而融合圖像多維特征，以獲得較為精細(xì)充分的圖像信息，在訓(xùn)練樣本集規(guī)模較小時(shí)，依然可以獲得較為理想的HSI分類精度。

3 結(jié)論

本研究針對(duì)高光譜影像具有的高維光譜特征信息，提出了耦合多尺度超像素空間光譜特征與原始光譜特征的Ms-SSSK分類模型，以Washington DC Mall高光譜圖像為實(shí)驗(yàn)對(duì)象進(jìn)行高光譜影像分類，并將分類結(jié)果與Ms-FSSK，Ss-SSSK和O-SSSK方法進(jìn)行對(duì)比分析，主要結(jié)論如下：

1)Ms-SSSK方法得到的測(cè)試集分類精度為98.53%，相比于另外3種方法，該方法可以有效提升HSI分類精度，較易區(qū)分林地與草地等空間相鄰且光譜特征相似的地類，有利于土地監(jiān)管人員了解更為準(zhǔn)確的地物現(xiàn)勢(shì)信息。

2)多尺度超像素方法的運(yùn)用，有利于提取更加精細(xì)的空間信息，并且能夠減少最佳初始超像素個(gè)數(shù)對(duì)分類精度的影響。合成核的運(yùn)用在注重圖像空間關(guān)系的同時(shí)，合理利用豐富的光譜信息，使提取的特征更加全面。

3)在樣本集規(guī)模很小的情況下，Ms-SSSK模型依然可以獲得高于另外2種方法的分類精度，表明特征提取的全面性和精細(xì)程度在分類過(guò)程與分類精度有很大的關(guān)系。

Ms-SSSK方法能夠有效解決圖像光譜無(wú)法自適應(yīng)、光譜信息獲取不全面的問(wèn)題，能夠顯著提升高光譜影像分類精度，對(duì)未來(lái)精準(zhǔn)目標(biāo)識(shí)別、地物準(zhǔn)確分類、醫(yī)學(xué)正確檢測(cè)等具有重要意義。但是，不同地物具有不同的紋理特征，本文未探討紋理特征在HSI分類中的影響，因此，在后續(xù)研究中考慮進(jìn)一步結(jié)合圖像紋理特征和空間光譜特征，研究出更高精度的高光譜遙感影像分類方法。