基于空間域目標(biāo)顯著性分析的波段選擇方法

金椿柏, 楊 桄*, 盧 珊, 劉文婧, 李德軍, 鄭 南

1. 空軍航空大學(xué), 吉林 長春 130022

2. 東北師范大學(xué)地理科學(xué)學(xué)院, 吉林 長春 130024

引 言

高光譜圖像因其包含豐富的光譜、 空間信息, 廣泛地用于遙感地物分類和目標(biāo)識別。 隨著高光譜遙感技術(shù)的進(jìn)步, 成像光譜儀的各種性能指標(biāo)不斷優(yōu)化, 高光譜圖像的光譜分辨率得到大幅度提高, 覆蓋的波段范圍更廣, 導(dǎo)致了數(shù)據(jù)量呈現(xiàn)快速增長的趨勢。 高光譜圖像所蘊(yùn)含的海量信息, 雖然為相關(guān)實(shí)際應(yīng)用提供了充足的數(shù)據(jù)支撐, 但增加了高光譜圖像的處理難度和維度災(zāi)難, 為數(shù)據(jù)的運(yùn)用、 存儲和傳輸?shù)葞砹酥T多困難與挑戰(zhàn)[1]。 高光譜圖像包含多達(dá)數(shù)百個(gè)波段, 其中鄰近的波段包含的信息通常存在一定程度的信息重復(fù), 導(dǎo)致了整個(gè)圖像數(shù)據(jù)的冗余, 已成為阻礙高光譜遙感技術(shù)應(yīng)用繼續(xù)發(fā)展的主要問題之一。 高光譜數(shù)據(jù)降維也已成為眾多學(xué)者研究重要方向。

降低高光譜圖像數(shù)據(jù)維度的方法分為特征提取和波段選擇。 前者用于找到正確的映射方式, 將數(shù)據(jù)由維度高的特征空間轉(zhuǎn)變?yōu)榈途S度的特征空間, 在此過程中, 原始高維特征空間中信息量最大的內(nèi)容被保留下來, 但是空間變換會(huì)導(dǎo)致原始高光譜數(shù)據(jù)的物理信息發(fā)生改變, 容易出現(xiàn)一些關(guān)鍵信息丟失的現(xiàn)象。 相反, 波段選擇從原始光譜數(shù)據(jù)集中選擇最具代表性的波段進(jìn)行組合, 波段子集不會(huì)失真。 這一特征對于表示高光譜圖像的重要信息至關(guān)重要, 因此成為高光譜圖像處理領(lǐng)域的熱點(diǎn)問題。 波段選擇可以按照幾種模式實(shí)現(xiàn), 即基于波段優(yōu)先級的方法[2-3]、 基于聚類的方法[4]和基于深度學(xué)習(xí)的方法[5-6], 還有少部分方法的提出是基于波段的低秩性和稀疏性[7-8]。 波段優(yōu)先級, 即利用一種有效的指標(biāo)來衡量波段重要性并進(jìn)行排序、 選擇, 或采用與目標(biāo)函數(shù)相結(jié)合的搜索方法, 對波段執(zhí)行遍歷添加與移除得到最優(yōu)化的波段選擇子集, 缺點(diǎn)是評估波段優(yōu)先級時(shí)波段的獨(dú)立性較強(qiáng), 沒有考慮波段之間的相關(guān)性, 得到的波段子集仍存在信息重疊、 波段冗余的現(xiàn)象。 聚類是將高度相關(guān)的波段劃分到同一個(gè)波段簇里, 從中選取富有代表意義的波段, 組合得到最優(yōu)的波段子集, 該類方法的缺點(diǎn)是只采納了不同波段間的相關(guān)性, 而忽視了代表波段的信息特性, 因此可能無法選擇一些信息特性更強(qiáng)、 包含地物信息更優(yōu)、 對目標(biāo)更具鑒別能力的波段。

人的視覺系統(tǒng)具有基于“顯著性”處理圖像中的復(fù)雜信息, 準(zhǔn)確提取有價(jià)值區(qū)域的能力, 這些視覺上感興趣的區(qū)域一般用作基于內(nèi)容的圖像索引和檢索技術(shù)。 源于視覺解譯圖像原理得到的目標(biāo)顯著性理論被應(yīng)用到機(jī)器視覺, 成為許多計(jì)算機(jī)圖像處理任務(wù)的組成部分。 基于高光譜圖像進(jìn)行顯著目標(biāo)增強(qiáng)現(xiàn)正在成為圖像分類、 目標(biāo)識別、 圖像分割等領(lǐng)域的一項(xiàng)重要任務(wù)[9]。 Cao等[10]提出了一種在高光譜圖像中檢測目標(biāo)的方法, 通過擴(kuò)展Itti的模型來計(jì)算高光譜圖像中的顯著目標(biāo)。 Yan等[11]使用光譜梯度對比法計(jì)算高光譜圖像的顯著目標(biāo), 對Itti模型檢測導(dǎo)致的高對比度邊緣靈敏度問題實(shí)現(xiàn)了一定優(yōu)化。 Moan等[12]將主成分分析的降維方法結(jié)合視覺顯著性模型提出了一種新的光譜圖像顏色可視化波段選擇方法, 其中定義了光譜波段顯著性的概念。

本研究在空間域引入目標(biāo)顯著性算法對波段圖像中地物目標(biāo)的顯著特征進(jìn)行提取增強(qiáng), 依據(jù)不同地物在波段內(nèi)顯著程度定義波段分離地物的能力, 從而選擇對地物目標(biāo)分離能力強(qiáng)的波段用于地物分類, 實(shí)現(xiàn)數(shù)據(jù)降維。 為保證選擇結(jié)果中各波段兼具相關(guān)性和獨(dú)立性, 采用結(jié)合波段聚類劃分子空間和根據(jù)波段顯著性排序選擇的方式組合波段子集。

1 實(shí)驗(yàn)部分

1.1 實(shí)驗(yàn)數(shù)據(jù)

選擇的數(shù)據(jù)為由國產(chǎn)GF-5衛(wèi)星在我國東北地區(qū)于采集得到的高光譜數(shù)據(jù)局部。 GF-5衛(wèi)星[13]共搭載了六種類型的有效載荷, 選用數(shù)據(jù)由可見短波紅外高光譜相機(jī)(advanced hyperspectral imager, AHSI)采集, 共包含330個(gè)光譜波段, 其中150個(gè)波段屬于可見光近紅外范圍、 180個(gè)波段屬于短波紅外范圍, 光譜分辨率分別為5和10 nm。

1.2 數(shù)據(jù)預(yù)處理

圖像數(shù)據(jù)預(yù)處理需將現(xiàn)有數(shù)據(jù)經(jīng)輻射定標(biāo)、 大氣校正以及反射值異常波段剔除。 大氣校正的方法為FLAASH大氣校正, 根據(jù)實(shí)驗(yàn)數(shù)據(jù)實(shí)際情況選擇能見度、 氣溶膠模型和氣溶膠反演方法, 并采取一定程度的光譜平滑。 數(shù)據(jù)及預(yù)處理過程中某一點(diǎn)光譜曲線如圖1所示, 得到包含305個(gè)有效波段的高光譜圖像數(shù)據(jù)。

圖1 預(yù)處理過程

1.3 實(shí)驗(yàn)流程

主要實(shí)驗(yàn)流程如圖2。

圖2 實(shí)驗(yàn)流程

1.4 基于空間域目標(biāo)顯著性提取的波段選擇方法

顯著性目標(biāo)檢測(salient object detection, SOD) 源于人眼視覺系統(tǒng)對所觀察圖像中感興趣區(qū)域的處理, 當(dāng)人眼觀看照片時(shí), 視覺注意力會(huì)使人更加關(guān)注照片中的某類明顯物體或特殊范圍。 當(dāng)觀眾品鑒一幅畫作, 畫中有一條自西向東流過的河流, 多數(shù)情況下觀眾會(huì)先注意到畫里的河流, 而不是河流周邊景物, 所以這幅畫作中的河流就是所提到的顯著性目標(biāo)。 目標(biāo)顯著性算法就是利用計(jì)算機(jī)完成這項(xiàng)工作, 即將圖像中的顯著性目標(biāo)檢測到, 并將其增強(qiáng)后輸出具有更加明顯目標(biāo)的顯著性圖像。 引入視覺顯著性算法模型處理全波段空間域圖像數(shù)據(jù), 可以揭示諸多波段內(nèi)不同地物目標(biāo)的顯著程度, 利用地物目標(biāo)顯著性的判別性差異程度定義波段顯著性, 并采用波譜聚類分析劃分波段子空間的方式保持光譜數(shù)據(jù)相關(guān)性, 進(jìn)而提取最優(yōu)波段組成選擇子集應(yīng)用于地物分類。

1.4.1 波段子空間劃分

進(jìn)行波段選擇, 要先根據(jù)波段相關(guān)性進(jìn)行光譜域的波段聚類, 將所有光譜波段劃分成為互不相同的子空間, 在光譜域子空間內(nèi)進(jìn)行波段排序選擇, 以減少所選擇子集的光譜相關(guān)性信息重疊程度。 將預(yù)處理得到的高光譜圖像數(shù)據(jù), 計(jì)算所包含305個(gè)有效波段兩兩之間的相關(guān)系數(shù), 即Wi與Wj兩波段的相關(guān)系數(shù)ri, j, 計(jì)算原理如式(1)。

(1)

圖3 波段相關(guān)性系數(shù)矩陣圖

圖4 單波段相關(guān)性系數(shù)變化曲線圖

將波段相關(guān)系數(shù)矩陣結(jié)合單獨(dú)波段相關(guān)性系數(shù)曲線變化率進(jìn)行閾值二值化處理, 得到同一維度的二值化矩陣圖, 如圖5所示。 沿對角線可將全部波段分為5個(gè)互不重疊的子空間, 即0～75、 76～195、 196～235、 236～298、 299～305。

圖5 二值化矩陣圖

1.4.2 空間域目標(biāo)視覺顯著性提取

選取Spectral Residual算法、 Frequency-tuned算法、 Histogram-based Contrast算法、 LC算法, 使用這四種視覺顯著性算法對高光譜圖像光譜域波段進(jìn)行目標(biāo)視覺顯著性提取運(yùn)算處理, 運(yùn)用不同的視覺顯著性算法模型對同一光譜波段進(jìn)行處理, 會(huì)提取出不同的視覺效果。

(1) Spectral Residual算法

Spectral Residual算法[14]從自然圖像統(tǒng)計(jì)原理出發(fā), 提出了一種前端方法來模擬預(yù)注意視覺搜索行為。 區(qū)別于一般的圖像算法, 該方法致力于逐幅圖像進(jìn)行對數(shù)譜分析, 并從計(jì)算得到譜殘差中發(fā)現(xiàn), 諸圖像的對數(shù)譜具有一致性, 平均光譜曲線表明平均對數(shù)譜表現(xiàn)出局部線性, 這種線性關(guān)系可以反映圖像中的重復(fù)信息, 并刪去該部分無意義的信息, 得到能引起人類視覺系統(tǒng)關(guān)注的顯著信息。 然后, 將光譜殘差變換到空間域, 在算法模型中, 光譜殘差包含圖像中的特異性部分, 利用傅里葉逆變換, 在空間域構(gòu)造目標(biāo)顯著性圖像來顯示目標(biāo)位置。

(2) Frequency-tuned算法

Frequency-tuned算法[15]能夠輸出具有顯著對象細(xì)致邊界的全像素目標(biāo)顯著性圖。 該算法主要利用了顏色和亮度特性, 通過從原始圖像中保留更多的頻率內(nèi)容得以更好地保留邊界。 首先對輸入圖像進(jìn)行高斯濾波, 去除高頻信息, 接著對濾波后的圖像進(jìn)行顏色空間轉(zhuǎn)換; 然后基于原圖的Lab空間顏色像素計(jì)算算術(shù)平均像素值Iμ=[Lμ,aμ,bμ], 寬為w和高為h像素的圖像I輸出目標(biāo)顯著圖的方法可以表示為

S(x,y)=‖Iμ-Iwhc(x,y)‖

(2)

式(2)中,S(x,y)為圖像中某點(diǎn)的顯著值,Iwhc(x,y)為該點(diǎn)原始圖像的高斯濾波處理得到的像素值向量。

(3) Histogram-based Contrast算法

Histogram-based Contrast算法[16]是一種基于區(qū)域?qū)Ρ榷鹊囊曈X顯著性區(qū)域檢測算法, 此種算法將全局對比度與空間相干性進(jìn)行同等考量, 使用像素顏色的對比度定義顯著性值的大小, 計(jì)算得到目標(biāo)顯著性圖。 先將輸入圖像進(jìn)行空間轉(zhuǎn)換間, 由于該算法中相同的顏色具有相同的顯著值, 所以采用顏色統(tǒng)計(jì)直方圖對其進(jìn)行歸類后再運(yùn)算。

(3)

式(3)中,ci表示像素點(diǎn)(x,y)的顏色值,cj代表其中一種顏色的值,n不同像素顏色的數(shù)量,fj為顏色cj的概率。

(4) LC算法

Zhai等[17]提出人眼在觀看圖像時(shí), 會(huì)被靜止圖像中特別的物體所吸引, 這叫做“空間注意”, 因?yàn)槿搜垡曈X對色彩、 強(qiáng)度和紋理等信號的對比度感知非常靈敏。 LC算法以此為基本, 提出了一種利用圖像顏色統(tǒng)計(jì)信息計(jì)算空間目標(biāo)顯著性圖的有效方法。 基于圖像顏色直方圖, 得出計(jì)算復(fù)雜度與圖像像素?cái)?shù)成線性關(guān)系。 根據(jù)像素的顏色對比度輸出圖像的顯著性映射。 像素Ik的顯著性值的定義如式(4), 其中Ii的值在[0; 255]的范圍內(nèi), ‖*‖表示顏色距離度量。

(4)

由上述四種空間域目標(biāo)視覺顯著性特征提取的方法處理第78波段圖像得到的結(jié)果圖S與其原灰度圖像Band78、 水體地物的地面真值(Ground-truth)參考, 效果對比如圖6。

圖6 不同目標(biāo)顯著性方法效果對比

1.4.3 光譜域波段顯著性定義

引入目標(biāo)視覺顯著性算法模型逐個(gè)波段進(jìn)行地物目標(biāo)的視覺顯著性特征增強(qiáng)處理之后, 提取到含有顯著目標(biāo)圖像中能反映眾多地物目標(biāo)的不同特征的顯著性特征波段。 遂進(jìn)行基于圖像顯著性評價(jià)指標(biāo)量化波段的目標(biāo)顯著程度, 利用波段顯著性描述不同波段的目標(biāo)可分離性。 一般來說, 圖像顯著性檢測包括注視點(diǎn)顯著性檢測和目標(biāo)顯著性檢測兩種不同類型的評價(jià)方法。 前者主要是檢測人眼關(guān)注點(diǎn)的位置, 常用的評價(jià)指標(biāo)有: ROC、 AUC、 shuffled AUC等指標(biāo), 后者檢測被人眼關(guān)注的目標(biāo)區(qū)域, 常用的評價(jià)指標(biāo)有: 平均絕對誤差(mean absolute error, MAE)和F度量值等(F-measure)等[18]。

選用計(jì)算波段圖像內(nèi)各類地物真值分別與目標(biāo)顯著圖像的MAE量化所選波段內(nèi)各類地物的可分離程度。 先將目標(biāo)顯著圖像和各類目標(biāo)地物的地面真值分別二值化, 用式(5)進(jìn)行計(jì)算。

(5)

接下來, 定義波段ik的波段顯著性為OS(ik)如式(6), 根據(jù)目標(biāo)顯著性評價(jià)指標(biāo)對所有波段進(jìn)行所有分類地物C中互不相同的地物a和地物b顯著性對比度差異分析。 基于波段顯著性, 進(jìn)行子空間內(nèi)降序排列, 從排序的結(jié)果挑選顯著性較好的波段, 使用分類器進(jìn)行分類實(shí)驗(yàn)。

(6)

1.4.4 波段選擇子集

在各子空間內(nèi)分別進(jìn)行波段顯著性的降序排列, 提取各聚類子空間內(nèi)波段顯著性最高的波段, 即具有對地物判別能力強(qiáng)的波段組成結(jié)果子集用于地物分類, 并對分類精度進(jìn)行評價(jià), 篩選出適合應(yīng)用于分類識別的目標(biāo)視覺顯著性算法。 并與常用的波段選擇算法比較, 驗(yàn)證所提出方法的有效性。

在1.4.1節(jié)中劃分的5個(gè)高光譜圖像子空間內(nèi), 依據(jù)波段顯著性提取波段, 組合為波段選擇子集, 經(jīng)四種不同目標(biāo)顯著性算法處理的高光譜波段選擇結(jié)果如表1。 其中, 在每個(gè)波段子空間內(nèi)提取一個(gè)波段, 組合結(jié)果中波段數(shù)目為5, 即最少波段選擇數(shù)量以用于地物分類進(jìn)行實(shí)驗(yàn)驗(yàn)證。

表1 目標(biāo)顯著波段選擇結(jié)果子集

各類地物在劃分好的五個(gè)子空間中的光譜特征曲線如圖7所示, 從圖中可以看出, 根據(jù)目標(biāo)顯著性算法提出的波段選擇方法所得到的波段選擇子集, 在各個(gè)子空間中所選擇的波段中, 不同的地物的反射值差異明顯, 例如, 在第Ⅰ子空間中, 引入的目標(biāo)顯著性算法所提取的波段集中在第59波段和第33波段, 在光譜反射值可見, 第59和33波段位置下, 各類地物反射差值較大, 并且曲線形狀呈現(xiàn)較陡變化, 說明此類位置的光譜反射值變化斜率大, 數(shù)值變化明顯。 同種情況也發(fā)生在其他波段空間內(nèi), 可為所選擇波段應(yīng)用于分類地物目標(biāo)起到了判別作用, 具體判別情況如何可將選擇完畢的波段子集進(jìn)行地物分類實(shí)驗(yàn), 驗(yàn)證其分類性能。

圖7 地物光譜特征曲線

為更好地驗(yàn)證提出的基于目標(biāo)視覺顯著性波段選擇算法的實(shí)用性和有效性, 在選取波段子集中包含各子空間一個(gè)波段后, 進(jìn)行選擇波段擴(kuò)充, 分別在互斥的子空間中提取相同數(shù)量, 共10, 15, 20, 25個(gè)波段, 并在分類實(shí)驗(yàn)中進(jìn)行精度驗(yàn)證, 從而對目標(biāo)顯著性算法在高光譜數(shù)據(jù)波段提取領(lǐng)域進(jìn)行更完備地驗(yàn)證和說明。

2 結(jié)果與討論

根據(jù)不同目標(biāo)顯著性算法所得到子集包含5個(gè)波段的數(shù)據(jù), 隨機(jī)選擇5%的樣本選擇執(zhí)行監(jiān)督訓(xùn)練, 利用支持向量機(jī)(support vector machines, SVM)分類器和馬氏距離(Mahalanobis distance, MD)分類器中進(jìn)行分類運(yùn)算, 對應(yīng)算法的波段選擇子集分類結(jié)果如圖8所示。

圖8 基于SVM分類器分類結(jié)果(a), (b), (c), (d)和基于MD分類器分類結(jié)果(e), (f), (g), (h)

采取總體精度(overall accuracy, OA)和Kappa系數(shù)對分類結(jié)果進(jìn)行評價(jià), 如表2所示。

表2 各算法波段子集分類結(jié)果精度評價(jià)

同時(shí), 經(jīng)波段擴(kuò)充后的波段子集, 各類算法的分類結(jié)果精度評價(jià)如圖9和圖10所示。

圖9 各算法基于SVM分類器的總體分類精度(a)和Kappa系數(shù)(b)

圖10 各算法基于MD分類器的總體分類精度(a)和Kappa系數(shù)(b)

由上述圖表可知, 四種目標(biāo)顯著性增強(qiáng)算法中, LC算法較其他算法在選擇少量波段進(jìn)行圖像分類中具有相對穩(wěn)定杰出的表現(xiàn), 并且在子集選擇數(shù)量為10波段時(shí)的分類性能表現(xiàn)優(yōu)勢較為明顯。 體現(xiàn)出其在揭示不同波段中地物目標(biāo)顯著性的獨(dú)特作用。 與其他幾種常見的波段選擇方法, 包括交叉信息法(mutual information, MI)[19]、 自動(dòng)子空間劃分法(auto-subspace partition, ASP)[20], 自適應(yīng)波段選擇法(adaptive band selection, ABS)[21]分別選擇數(shù)量為10波段的子集進(jìn)行對比, 結(jié)果子集如表3, 分類結(jié)果精度評價(jià)如表4。

表3 不同波段選擇方法的結(jié)果子集

表4 不同波段選擇方法分類結(jié)果精度評價(jià)

通過對比三種高光譜波段選擇算法所選擇的波段子集, 可以發(fā)現(xiàn), 通過MI算法選擇的波段結(jié)果子集, 由于該方法側(cè)重信息含量, 選取位置較為集中于波長較長的部分波段區(qū)間, ASP算法由于先將全波段劃分了若干子空間, 所選波段較為分散, 算法性能可在精度評價(jià)結(jié)果中體現(xiàn), ABS與ASP同時(shí)存在所選波段同本算法相比在區(qū)間內(nèi)的緊湊性較強(qiáng), 可能會(huì)由于近鄰波段間相關(guān)性較強(qiáng), 造成選擇信息重復(fù)和整體信息確實(shí)的情況。

相對于其他三種常用波段選擇算法, 引入的基于LC目標(biāo)顯著性算法的波段選擇方法, 在SVM分類器中較其他常用的波段選擇算法表現(xiàn)出了最佳的總體精度87.780 0%和Kappa系數(shù)0.805 3, 在MD分類器中僅次于同樣采用子空間劃分的ASP方法, 實(shí)驗(yàn)驗(yàn)證了本算法在實(shí)際應(yīng)用中的有效性, 并且同全波段圖像處理相比, 冗余信息減少, 使計(jì)算數(shù)據(jù)量得到大幅降低, 運(yùn)算時(shí)間顯著減少, 具有實(shí)際應(yīng)用價(jià)值。

3 結(jié) 論

提出了一種基于目標(biāo)顯著性的波段選擇方法用于高光譜數(shù)據(jù)降維和地物分類。 將目標(biāo)顯著性增強(qiáng)算法與顯著程度評價(jià)指標(biāo)相結(jié)合, 將逐個(gè)波段圖像使用目標(biāo)增強(qiáng)處理得到的顯著性圖, 計(jì)算其分類地物差量的波段顯著性。 然后結(jié)合波段相關(guān)性聚類劃分子空間, 在子空間內(nèi)排序得到地物目標(biāo)可分離程度大的目標(biāo)顯著性波段, 組成波段選擇子集代入分類器進(jìn)行圖像分類處理, 并對得到的分類結(jié)果進(jìn)行精度評價(jià)。 結(jié)果表明, 本文所提出的波段選擇算法對于分類地物在分類精度、 分類速度均具有較為優(yōu)異的表現(xiàn), 其中基于目標(biāo)視覺顯著性提取的LC算法在所選波段的分類精度表現(xiàn)最好, 在與其他常用波段選擇算法的對比中也具有相當(dāng)優(yōu)勢。 本研究重點(diǎn)在于引入目標(biāo)顯著性算法處理波段并選擇地物分離性強(qiáng)的波段, 并沒有把目標(biāo)顯著性圖像的背景抑制與突出目標(biāo)邊緣的優(yōu)勢運(yùn)用到圖像分類中, 計(jì)劃下一步進(jìn)行顯著圖與顯著波段的融合, 進(jìn)一步提高發(fā)現(xiàn)地物目標(biāo)的準(zhǔn)確率和速度。