基于上下文感知和超像素后處理的多光譜圖像分類

吳志平,麻堯斌,湯文超,胡必偉,胡畢煒,劉明嘉

(1.江西省科技基礎(chǔ)條件平臺中心,江西 南昌 330003; 2.南昌大學(xué)資源與環(huán)境學(xué)院,江西 南昌 330031;3.南昌大學(xué)空間科學(xué)與技術(shù)研究院,江西 南昌 330031)

0 引 言

地物分類信息的獲取在農(nóng)業(yè)資源調(diào)查、土地利用現(xiàn)狀分析、作物產(chǎn)量估算和災(zāi)害評估等領(lǐng)域具有重要意義?；谛l(wèi)星數(shù)據(jù)源的地物類型識別已被廣泛應(yīng)用，為開展大區(qū)域地物分類提供了一種經(jīng)濟有效的方法。多光譜分類是地物的一級類別提取的最重要數(shù)據(jù)源。與高光譜數(shù)據(jù)相比，多光譜數(shù)據(jù)通常具有更高的空間分辨率和更大的幅寬，而較短的重訪周期使其適用于土地解譯或農(nóng)業(yè)觀察。

由于土地利用發(fā)生在比像素足跡更大的斑塊上，并且地面真值和光譜數(shù)據(jù)之間可能存在輕微的錯配誤差，利用來自鄰近像素的信息顯然可以提高分類精度，這種信息通常被稱為空間上下文信息?；诖耍喾N融合空間背景信息的多光譜圖像分類方法得到了發(fā)展。這些方法可以粗分為2類：利用光譜空間中相鄰像素之間的空間相關(guān)性進(jìn)行分類，或者利用“決策”空間中相鄰像素之間的相關(guān)性進(jìn)行后處理平滑。由于能夠自動學(xué)習(xí)相關(guān)的二維空間上下文信息，卷積神經(jīng)網(wǎng)絡(luò)(CNN)在圖像分類任務(wù)中起到了巨大的作用?？v觀上述各種圖像分類算法，其中全卷積網(wǎng)絡(luò)(FCN)可以端到端、像素對像素進(jìn)行訓(xùn)練，得到了廣泛研究。隨著殘差網(wǎng)絡(luò)(ResNet)的提出，F(xiàn)CN上出現(xiàn)了許多新的基于上下文的變體，以提高分類精度。

相較于傳統(tǒng)的基于影像光譜值的逐像元分類方法，面向?qū)ο蠓诸惙椒ㄊ轻槍Ω呖臻g分辨率遙感影像應(yīng)用而興起的一種新的遙感影像分類方法。其以包含相似語義信息的圖塊作為分類的處理對象，除了可以利用圖像的光譜特征外，還可以同時利用圖像的幾何特征、紋理特征、鄰接關(guān)系等空間特征。為了探究將基于像素的空間特征提取與光譜特征提取相結(jié)合的圖像分類和基于區(qū)域的圖像分類這2種策略的分類精度高低，Wang等[1]在高分辨率多光譜遙感影像上進(jìn)行了實驗，實驗結(jié)果表明參數(shù)相同的情況下，區(qū)域級分類并不一定比基于像素的方法表現(xiàn)出更高的精度，分割的結(jié)果對于基于區(qū)域的方法的分類精度有很大的影響。由此可知，基于區(qū)域的分類方法固然可以更多地利用圖像的多種特征，但效果并不是最理想的，而基于像素的方法對于光譜和空間特征均有利用，效果更穩(wěn)定也更精確。

雖然面向?qū)ο蠓诸惙椒ú⒉灰欢ǚ浅＠硐?，但是圖像分割作為面向?qū)ο蠓诸惙椒ㄖ械幕静襟E，仍舊值得人們借鑒利用。圖像分割是一種分析圖像內(nèi)容的有效工具，分割的目的是將圖像分解成有意義的片段。分割是根據(jù)一些先驗來計算的，比如形狀、顏色或紋理。為了降低計算成本，超像素分解方法被開發(fā)出來，該方法利用像素之間的相似性來提供圖像的空間信息，在考慮圖像輪廓的同時，將像素分成同質(zhì)區(qū)域[2]。超像素能夠大幅減少需要處理的元素數(shù)量，同時保留圖像的幾何信息。Giraud等[3]提出了一種基于超像素的塊SurperPatch，該結(jié)構(gòu)基于超像素鄰域，將空間信息包含在內(nèi)。Zhao等[4]提出了一種基于超像素的多局部卷積神經(jīng)網(wǎng)絡(luò)(Superpixel-based Multiple Local Convolution Neural Network, SML-CNN)，利用簡單線性迭代聚類(Simple Linear Iterative Clustering, SLIC)[2]來生成超像素，以超像素代替像素作為基本分析單元減少CNNs的輸入數(shù)據(jù)量，并提出了一種結(jié)合細(xì)節(jié)信息和語義信息的多信息修改策略來消除超像素內(nèi)部和超像素之間對分類結(jié)果的不利影響。Li等[5]在重要樣本選擇策略(Important Samples Selection Strategy, ISSS)中，采用SLIC生成超像素，根據(jù)超像素分割結(jié)果來選取訓(xùn)練樣本。He等[6]同樣利用SLIC構(gòu)建超像素分割圖，根據(jù)分割后的超像素從原始數(shù)據(jù)中提取每個對象的三維小塊，利用包含訓(xùn)練樣本的小塊對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

因此，在上述工作的啟發(fā)下，考慮到FCN對空間上下文信息的建模能力，本文的首要目標(biāo)是開發(fā)一種用于高分辨率遙感圖像的基于像素的分類方法，不僅要考慮精度也要考慮計算成本。此外，為了細(xì)化分類后的結(jié)果，綜合利用圖像的幾何與紋理等特征，本文引入多尺度圖像分割的方法對圖像進(jìn)行分割生成超像素，基于超像素對分類結(jié)果進(jìn)行后處理，進(jìn)一步細(xì)化分類結(jié)果。

1 已有的多光譜圖像分類方法

近幾十年來，大量的分類方法被提出，從分類執(zhí)行方式上可分為非監(jiān)督分類和監(jiān)督分類。

1.1 非監(jiān)督分類

非監(jiān)督分類方法不需要訓(xùn)練數(shù)據(jù)，這使得它們適用于具有簡單先驗知識的特征分類場景。目前遙感非監(jiān)督分類多采用聚類方法實現(xiàn)，即聚類分析，包括K-means算法和ISODATA算法等。K-means算法的分類準(zhǔn)則是指每一個待分像元的灰度值到所分類別的中心的距離平方和最小。ISODATA算法可以認(rèn)為是K-means算法的改進(jìn)版，是通過增加并設(shè)定參數(shù)來控制類別的“合并”和“分裂”這2個操作的一種聚類算法。

最近，越來越多復(fù)雜的非監(jiān)督分類方法被開發(fā)出來，以有效地提取一組適當(dāng)?shù)奶卣鱽碛糜谶b感數(shù)據(jù)的分類和分割。例如，Marinoni等[7]提出了一種基于數(shù)據(jù)驅(qū)動發(fā)現(xiàn)的非監(jiān)督特征提取方法用于對遙感數(shù)據(jù)進(jìn)行準(zhǔn)確分類。Huang等[8]提出了一種多視圖子空間聚類模型，將局部和非局部的空間上下文信息整合到一個統(tǒng)一的框架中。

1.2 監(jiān)督分類

非監(jiān)督分類方法僅憑遙感影像中地物特征的分布規(guī)律進(jìn)行分類，而監(jiān)督分類通過從包含地面真實信息的給定訓(xùn)練集中學(xué)習(xí)數(shù)據(jù)關(guān)系，已經(jīng)證明可以提供更準(zhǔn)確的分類結(jié)果。與非監(jiān)督分類相比，監(jiān)督分類更適合地物類型復(fù)雜、分布變化大的遙感圖像，分類結(jié)果也更為準(zhǔn)確。由于遙感多光譜數(shù)據(jù)的復(fù)雜特性，監(jiān)督分類更符合遙感地物解譯的需求，因此得到了廣泛的關(guān)注。

監(jiān)督分類的方法主要包括2大類，第一類是基于統(tǒng)計模型的監(jiān)督分類方法，主要包括：最小距離法和最大似然法。最小距離法是一種相對簡化了的分類方法，依據(jù)像元距各類別中心距離的遠(yuǎn)近決定其歸屬。最大似然法是建立在貝葉斯準(zhǔn)則基礎(chǔ)上分類錯誤概率最小的一種非線性分類。

第二類監(jiān)督分類是基于機器學(xué)習(xí)的監(jiān)督分類方法，主要包括決策樹、RF、SVM、基于深度學(xué)習(xí)的分類方法以及面向?qū)ο蠓诸悺Q策樹分類法是以各像元的特征值為設(shè)定的基準(zhǔn)值，分層逐次進(jìn)行比較的分類方法。CART模型由Breiman等[9]在1984年提出，是應(yīng)用廣泛的決策樹分類方法。RF算法是一種集成分類模型，是由Breiman[10]于2001年提出的。SVM根據(jù)結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，在使得樣本分類誤差極小化的前提下，提高了分類器的泛化(普適)推廣能力，具有較強的非線性和高維數(shù)據(jù)處理能力。

人工神經(jīng)網(wǎng)絡(luò)包含許多不同的算法，基于誤差反向傳播的多層感知器神經(jīng)網(wǎng)絡(luò)是最早被引入遙感影像分類的一種算法。在最新的研究中，基于深度學(xué)習(xí)的分類方法得到了廣泛使用。Li等[11]引入了深度信念網(wǎng)絡(luò)(Deep Belief Network, DBN)用于高光譜圖像的光譜空間特征提取和分類。Zhong等[12]在DBN模型的預(yù)處理(非監(jiān)督)和微調(diào)(監(jiān)督)過程中引入了多樣性促進(jìn)，以提高高光譜圖像的分類性能。Chen等[13]提出了一種基于光譜空間信息的堆疊自編碼器(Stacked AutoEncoder, SAE)方法對高光譜圖像的高級特征進(jìn)行提取。Xing等[14]采用堆疊降噪自編碼器(Stacked Denoise AutoEncoder, SDAE)方法對高光譜數(shù)據(jù)進(jìn)行特征提取，并采用logistic回歸方法進(jìn)行監(jiān)督的微調(diào)和分類。Zhao等[15]還利用一種疊式稀疏自編碼器從光譜特征集、空間特征集和光譜空間向量中逐層提取更抽象和更深層次的特征，使用射頻進(jìn)行分類。

全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)的提出實現(xiàn)了像素到像素的語義級圖像分割，有效地避免了目前基于深度學(xué)習(xí)的方法中斑塊式特征學(xué)習(xí)的局限性?；诖?，Maggiori等[16]設(shè)計了一個完全卷積的結(jié)構(gòu)，使用CNNs對衛(wèi)星圖像進(jìn)行密集的像素級分類，并通過兩步訓(xùn)練方法解決訓(xùn)練數(shù)據(jù)不完美的問題。Jiao等[17]在深層多尺度空間光譜特征提取算法中引入了基于VGG-verydeep-16的深度全卷積網(wǎng)絡(luò)對深層多尺度空間結(jié)構(gòu)信息進(jìn)行挖掘。Ji等[18]針對多光譜多時相遙感數(shù)據(jù)提出了一種基于三維卷積神經(jīng)網(wǎng)絡(luò)(3D-CNN)的方法，該方法自動從時空遙感圖像中對作物進(jìn)行分類，適用于表征作物生長的動態(tài)。Liu等[19]提出了一種基于深度多實例學(xué)習(xí)(Deep Multiple Instance Learning, DMIL)的端到端學(xué)習(xí)框架，采用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network, DCNN)和SAE分別提取全色對應(yīng)的空間信息和多光譜對應(yīng)的光譜信息，利用基于特征融合的聯(lián)合光譜和空間信息對多光譜和全色圖像進(jìn)行分類。與SAE和DBN相比，CNNs模型允許使用空間斑塊作為數(shù)據(jù)輸入，提供了一種自然的方式來整合空間信息，提高分類性能。近年來，基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展在多光譜圖像分類方面不斷取得突破。針對更深層次網(wǎng)絡(luò)帶來的梯度爆炸、梯度消失和不收斂問題，殘差網(wǎng)絡(luò)(Residual Nets, ResNet)[20]利用殘差學(xué)習(xí)和跳過連接的概念加深網(wǎng)絡(luò)復(fù)雜度，以換取更高的分類性能。另一方面，一些研究集中在提高網(wǎng)絡(luò)的計算效率上，例如Linknet[21]，它非常輕，但性能優(yōu)越。

以上介紹的大多數(shù)分類算法都是基于單個像元進(jìn)行的，基于像元的分類方法通常僅利用影像的光譜信息和紋理信息進(jìn)行分類，忽略影像上下文與形狀等空間特征。對于高空間分辨率遙感影像，如果僅僅依靠像元的光譜信息對影像進(jìn)行分類，會造成嚴(yán)重的“椒鹽”現(xiàn)象，導(dǎo)致提取的土地覆蓋圖破碎度比較高。影像上一個像元所代表的地面信息有相當(dāng)大一部分來自周圍地物，因此需要一種新的算法，這種算法不僅要考慮單個像元的光譜特征，還要考慮周圍像元的光譜特征，此外還需要有鄰近像元的空間特征信息，從而產(chǎn)生了面向?qū)ο蟮姆诸惙椒āＣ嫦驅(qū)ο蠓诸惙椒ú粌H依靠地物的光譜特性，更多的是根據(jù)地物的形狀、紋理等幾何特征和結(jié)構(gòu)信息把具有相同特征的像元組成一個對象，以對象為單位進(jìn)行分類。比如，Mirzapour等[22]提出了一種基于目標(biāo)的多光譜圖像分割與分類方法。

2 基于上下文感知網(wǎng)絡(luò)和超像素后處理的圖像分類

受用于SAR圖像分類的上下文編碼器網(wǎng)絡(luò)(Context-Aware Encoder Network, CAEN)[23]的啟發(fā)，本文提出一種適用于多光譜圖像分類的基于像素的上下文感知網(wǎng)絡(luò)，命名為Pixel-based Context Aware Network或PCAN。該網(wǎng)絡(luò)主要由降采樣上下文塊(Downsample Context Block, DCB)和上下文聚合塊(Context Aggregate Block, CAB)組成，從而捕獲局部到全局的語義上下文信息。并采用基于多尺度模糊分割的超像素對分類結(jié)果進(jìn)行分類細(xì)化。

2.1 上下文感知網(wǎng)絡(luò)

PCAN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。在網(wǎng)絡(luò)開始，首先采用一個3×3卷積層來對輸入圖像塊進(jìn)行初步的特征提取。然后堆疊3個DCB模塊來提取圖像塊局部和周圍的上下文特征。DCB模塊中采用了一個步幅為2的卷積，使得輸出特征圖變?yōu)檩斎胩卣鲌D的一半，在提取尺度特征的同時加速網(wǎng)絡(luò)學(xué)習(xí)。并將第3個DCB輸出的高級特征圖輸入步幅為2的最大池化層進(jìn)一步降低特征的維度，更好地保留圖像的紋理特征。之后利用CAB模塊來將提取到的上下文特征進(jìn)行聚合。最后本文采用全局平均池化層加Softmax層來代替全連接層，將多通道特征映射轉(zhuǎn)化為多類問題來進(jìn)行像素分類預(yù)測，分類效果會更好,并且在全局平均池化層后加上一層Dropout進(jìn)行正則化，防止過擬合。

圖1 基于像素的上下文感知網(wǎng)絡(luò)PCAN的網(wǎng)絡(luò)結(jié)構(gòu)(s表示步幅)

如圖2所示，DCB由跨越式殘差單元(Stride Residual Unit, SRU)和膨脹式殘差單元(Dilated Residual Unit, DRU)組成。多級殘差連接被用于DCB中，將學(xué)習(xí)問題轉(zhuǎn)移到學(xué)習(xí)殘差映射的殘差映射上，并加速網(wǎng)絡(luò)學(xué)習(xí)。為了提取局部特征，SRU中使用了2個3×3卷積。同樣，為了學(xué)習(xí)周圍環(huán)境，DRU中使用了2個3×3膨脹卷積層(膨脹率為2)來擴大感受野。DCB塊中的每個殘差單元都具有不同的空間上下文學(xué)習(xí)能力，通過級聯(lián)2個不同的殘差單元，可以充分利用圖像塊的局部空間特征和周圍的環(huán)境信息。

圖2 降采樣上下文感知模塊DCB的結(jié)構(gòu)(s表示步幅，Dilate2Conv3表示膨脹率為2的3×3膨脹卷積)

通過DCB對輸入圖像塊進(jìn)行特征提取，本文獲得了包含語義上下文信息的高級特征。為了更好地區(qū)分多光譜圖像中的復(fù)雜地物，需要在高級特征圖上進(jìn)一步學(xué)習(xí)地物之間的潛在依賴關(guān)系，從而獲得更好的一致性分類結(jié)果。因此，CAB被用來聚合高級特征圖中從局部到全局的多尺度語義上下文特征。CAB的具體結(jié)構(gòu)如圖3所示。受CE-Net[24]中的密集空洞卷積(Dense Atrous Convolution, DAC)模塊以及CAEN[23]中的全局上下文感知(Global Context-Aware, GAC)模塊的啟發(fā)，CAB首先通過4個級聯(lián)分支來捕獲整個圖像塊更廣泛和更深的全局上下文，從而提高分類精度。輸入的特征先經(jīng)過1×1卷積來減少模型的參數(shù)個數(shù)，降低模型復(fù)雜度，在一定程度上防止過擬合。之后4個級聯(lián)分支聚合的上下文特征被輸入到一個3×3卷積中進(jìn)行進(jìn)一步的特征學(xué)習(xí)，最后利用步幅為2的最大池化層來進(jìn)一步壓縮圖像特征。

圖3 CAB的具體結(jié)構(gòu)

2.2 超像素后處理

為了進(jìn)一步提升分類精度，減少分類結(jié)果的破碎度，受面向?qū)ο蠓诸惙椒ǖ膯l(fā)，本文將圖像分割應(yīng)用到基于像素分類的方法中。圖像分割是基于對象的圖像分析的基本過程，而分割尺度則是其中的關(guān)鍵參數(shù)。為了開發(fā)一種通用的框架來分析和估計最優(yōu)的尺度參數(shù)，Hu等[25]提出了一種逐步演化分析(Stepwise Evolution Analysis, SEA)框架。該框架逐步分析了尺度、局部方差和莫蘭指數(shù)的演化過程，集成了4種基于局部指數(shù)和莫蘭指數(shù)度量的方法，應(yīng)用于自動尺度參數(shù)化。其后，在文獻(xiàn)[26]中，他們又通過分類實驗應(yīng)用證明了基于對象的圖像分析工作的最佳尺度是一個范圍，而不是一個單一的值，從而證明了該框架自動、直接估計最優(yōu)分類尺度的可能性。

基于此，本文提出超像素后處理(Superpixel Post-Processing, SPP)。本文采用SEA框架來對遙感圖像進(jìn)行小區(qū)域分割，利用像素之間的相似性并根據(jù)圖像的形狀和紋理等特征將圖像分割成眾多超像素。本文將超像素分割結(jié)果與分類結(jié)果相匹配。以超像素S為例，不同類別Cn在S中所包含的像素個數(shù)不同，則：

P(C1)+…+P(Cn)=1

(1)

其中P(Cn)表示類別n在S中所占的比例，即S中所含類別n的像元數(shù)S的總像元數(shù)。

小區(qū)域分割產(chǎn)生的超像素通常包含同一類型的地物，但考慮到圖像場景的復(fù)雜性，并不能完全保證塊內(nèi)地物類型的一致性。因此需要采用投票的策略來確定超像素的類別，其與超像素中像元占比有關(guān)。當(dāng)超像素中某一類像元所占的比例較高時，則認(rèn)為該超像素屬于這一類，其他像元很大概率屬于類別噪聲或誤分像元。該投票比例參數(shù)需要通過試驗來進(jìn)一步確定。

3 實驗驗證和結(jié)果分析

為了驗證方法的有效性，本文使用高分1號衛(wèi)星數(shù)據(jù)進(jìn)行測試，并使用6個算法進(jìn)行比較。所有算法的結(jié)果展示在這一章，并使用客觀評價準(zhǔn)則進(jìn)行評估。

3.1 實驗方案

本文實驗所使用的測試圖像來自于高分1號衛(wèi)星，于2014年12月4日在江西省鄱陽湖上空獲得，地面分辨率為8 m，圖像尺寸為4548×4503。場景分為農(nóng)田、水、森林、裸地和建筑共5類。

由于將帶標(biāo)簽的數(shù)據(jù)劃分為訓(xùn)練集和測試集的采樣策略對于估計的泛化誤差的質(zhì)量和可靠性影響很大，因此本文采用聚類采樣策略，以此來擴大不同算法之間的優(yōu)劣勢。對于每一類，使用K-means算法將所有樣本的空間坐標(biāo)劃分為2個聚類。從一個聚類中隨機抽取一個類的訓(xùn)練樣本，另一個聚類作為測試數(shù)據(jù)。這確保了相同類的2個相鄰補丁要么貢獻(xiàn)給序列集，要么貢獻(xiàn)給具有不重疊的序列和測試區(qū)域的測試集。從一個聚類中選取整個數(shù)據(jù)集的10%作為訓(xùn)練(每一類都選取該類總標(biāo)記像素的10%，后面同理)，從另一個聚類中選取整個數(shù)據(jù)集的5%作為驗證，該聚類的剩余部分作為測試。

為了實現(xiàn)分類，本文對實驗數(shù)據(jù)進(jìn)行預(yù)處理，原始的多光譜圖像被歸一化為零均值和單位方差，之后，為了充分利用高分辨率多光譜圖像中的光譜和空間信息，提取每一個像素點周圍的三維立方體塊，塊的尺寸為27×27，并將立方體塊輸入到模型作為輸入數(shù)據(jù)，圖像邊界采用鏡像方法進(jìn)行擴充。

為了評估分類結(jié)果，采用混淆矩陣的方法，除了分類精度外，還使用了總體精度(Overall Accuracy, OA)、平均精度(Average Accuracy, AA)和Kappa系數(shù)等指標(biāo)，即：

(2)

其中pc為OA，m為分類類別數(shù)，N為樣本總數(shù)，pii為第i類的判對樣本數(shù)。

(3)

其中，K為Kappa系數(shù)，ppi為第i類所在列總數(shù)，pli為第i類所在行總數(shù)。

為了驗證新方法的有效性，本文將PCAN與隨機森林(RF)、支持向量機(SVM)、VGG19[27]、ResNet34[20]、SSRN[28]和MS-PSSRN[29]進(jìn)行比較。所有算法都是使用Python編程語言和Keras深度學(xué)習(xí)框架實現(xiàn)的。在RF中，決策樹個數(shù)設(shè)為100，SVM將gamma值設(shè)為0.1，懲罰系數(shù)設(shè)為100。在實驗比較過程中，本文對所有比對算法均保留其原始參數(shù)設(shè)置。在PCAN方法中，網(wǎng)絡(luò)優(yōu)化算法采用隨機梯度下降(Stochastic Gradient Descent, SGD)算法，初始學(xué)習(xí)率為0.001。為了防止過擬合且保證公平性，本文對所有基于深度學(xué)習(xí)的算法均采用了早停策略，批次大小設(shè)置為64，訓(xùn)練迭代100次，當(dāng)損失停止下降15次時停止。

3.2 實驗結(jié)果及分析

僅使用測試集進(jìn)行精度評估的測試結(jié)果呈現(xiàn)在表1中。其中，OA和Kappa系數(shù)的度量表明本文方法比其他方法表現(xiàn)得更好，而RF和SVM的方法表現(xiàn)最差?？梢宰⒁獾?，對于大多數(shù)類別來說，傳統(tǒng)算法的準(zhǔn)確率都較低。RF和SVM都是傳統(tǒng)的分類算法，只考慮像素的光譜信息，沒有考慮像素的空間信息，故而分類效果會差于其他基于深度學(xué)習(xí)的方法。RF和SVM對于水體和森林的分類準(zhǔn)確率較高，因為它們無需結(jié)構(gòu)信息提取。在訓(xùn)練時間上，本文方法優(yōu)于ResNet34和MS-PSSRN。

表1 僅使用測試數(shù)據(jù)驗證的高分1號圖像測試結(jié)果

由于測試集的像素點是分散在整個圖像中的，后處理SPP模塊無法使用。為了測試SPP模塊的有效性，本文對完整圖像中的所有像素進(jìn)行了類別的重新判斷，它同時包含了訓(xùn)練集和測試集。分類結(jié)果使用SPP后處理來進(jìn)行局部拼合，它應(yīng)用于所有圖像。對完整圖像評估的結(jié)果展示在表2中。與表1相比，所有算法的分類精度均有提升。OA和Kappa系數(shù)的度量表明本文方法比其他方法表現(xiàn)得更好。同時，當(dāng)加入SPP進(jìn)行分類細(xì)化后，OA、AA和Kappa系數(shù)均有提升。經(jīng)過實驗我們發(fā)現(xiàn)，當(dāng)投票比例設(shè)為0.75時，所有圖像的分類精度均會提升，當(dāng)圖像的標(biāo)記像素比例較大時可以將投票比例設(shè)為0.6，分類精度會有更進(jìn)一步的提升。

表2 使用全部標(biāo)記數(shù)據(jù)驗證的高分1號鄱陽湖圖像測試結(jié)果

圖4展示了不同算法在鄱陽湖圖像上的分類圖，每種方法的結(jié)果由2幅圖組成，分別是整幅圖像的結(jié)果和帶標(biāo)簽的像素點的結(jié)果。比較圖4中PCAN與PCAN+SPP的完整分類結(jié)果，可以看出SPP不僅會提升分類精度，而且可以減少圖像的破碎度。

高分1號圖像 標(biāo)簽 樣本分類類別比例

隨機森林(RF) 支持向量機(SVM)

VGG19 ResNet34

SSRN MS-PSSRN

PCAN PCAN+SPP圖4 高分1號圖像的分類結(jié)果

4 結(jié)束語

本文提出了一種基于上下文感知網(wǎng)絡(luò)和超像素后處理的多光譜圖像分類方法來提高高分辨率多光譜圖像的分類精度，該方法被命名為PCAN。所提方法通過構(gòu)建基于像素的上下文感知網(wǎng)絡(luò)，來更好地學(xué)習(xí)多光譜圖像的空間上下文信息。本文將新方法與6種常用的圖像分類算法在高分1號衛(wèi)星圖像上進(jìn)行了分類比較。實驗結(jié)果表明，該方法對多光譜圖像具有較高的分類精度，在OA和Kappa系數(shù)方面都表現(xiàn)出最優(yōu)性能。而且，所提出的基于超像素后處理的分類細(xì)化方法也進(jìn)一步提升了圖像的分類精度，這為其他分類算法進(jìn)行分類細(xì)化提供了一個新的思路。