基于地物波譜特征的高光譜遙感圖像降維方法評價分析

舒莉 劉瑞 張明月 潘文

【摘要】：高光譜遙感具有高分辨率、光譜連續以及圖譜合一等特點，有利于對地物進行定性、定量研究，但是高光譜影像同時也存在維數災難、數據量大等缺點，這給高光譜遙感應用帶來了不容忽視的問題。怎樣高效的使用高光譜影像，更迅速地處理其數據成為了高光譜遙感應用及發展急需解決的問題。本文利用分類精度判斷各種降維方法對地物分類產生的影響以及影響程度。首先驗證分析了目前使用較多的幾種分類方法，篩選出了適宜本類研究區的分類方法：結合地物波譜特征的支持向量機分類；然后，對高光譜影像進行降維處理并對原始影像和降維后影像進行分類；最后將經過降維處理的分類結果與原始影像的分類結果驗證分析，發現基于相關系數的波段選擇降維方法更有利于地物識別。

【關鍵詞】：高光譜降維；地物波譜特征；支持向量機；精度評價

1 引 言

高光譜遙感是以高分辨率和包含光譜信息為特征的獲取目標或景物的探測技術[1]。高光譜影像具有波段多，波段間具高度相關性，導致了信息冗余等特點[2]。因此，在應用其光譜數據之前對它進行信息的壓縮 、選擇和提?。唇稻S）十分有必要。

本文將地物波譜特征與支持向量機結合起來對影像進行分類（即首先利用光譜角制圖法對影像進行分類，再將分類結果中較為準確地圖斑作為支持向量機分類的訓練區，最后得到分類結果）；其次將幾種降維后的影像進行分類并與原始影像分類結果進行對比分析，進而確定影像降維之后是否有信息的損耗、損耗程度以及是否對地物分類區分有影響；最后將各個分類的精度結果比較分析，選出了利于地物識別的降維方法。

2 影像分類方法選擇

2.1 研究區選擇與數據預處理

本文研究區選擇的是四川省綿陽市江油市馬角壩鎮。影像的采集儀器為HySpex VNIR-1024。并從采集到的影像中篩選出兩組影像作為本次研究的實驗組與驗證組。并對兩組影像進行平場域定標預處理，以消除大氣和光照等因素對目標物體反射率的影響。

2.2 影像分類方法選擇

高光譜圖像分類是利用計算機通過對圖像中的各類地物的光譜信息和空間信息進行分析，選擇特征，將影像中的像元按照一定的規律判別成各種類別[3]。

本文對比分析了傳統分類方法與結合地物波譜特征的支持向量機分類等幾種方法的分類結果，發現將地物波譜特征與支持向量機結合起來對影像進行分類可以得到更為精確的分類結果。因此選擇了相對來說分類結果最好的結合地物波譜特征的支持向量機分類方法進行影像的分類，進而評價各個降維方法。

3 高光譜影像降維實驗

3.1 基于主成分分析的特征提取

主成分分析（Principal Component Analysis，PCA）是一種廣泛使用的高光譜圖像光譜特征提取降維方法[4]。

對高光譜影像進行主成分分析（PCA）降維處理，可以發現前6個主成分的累計貢獻率已達到了99.52%，并且從第七個主成分開始每個主成分的特征值都不超過0.01，因此本次論文只選取前6個主成分進行分類。

3.2 基于獨立主成分分析的特征提取

獨立主成分分析（Independent Component Analysis，ICA）是指將多光譜或者高光譜遙感數據轉換成相互獨立的成分（去相關）[5，6]。

將已經獲取的實驗組和驗證組高光譜影像進行獨立主成分分析（ICA）降維處理，并選取前6個主成分進行分類。

3.3 基于最小噪聲分離變換的特征提取

最小噪聲分離變換（Minimum Noise Fraction ，MNF）是根據信噪比而不是相似與PCA將方差進行從大到小排列而成的分量[2]。

將實驗組與驗證組兩組影像進行最小噪聲分離變換（MNF）降維處理，可以發現前6個波段的累計貢獻率已達到了60%左右，從第6個波段之后波段包含數據方差的累積百分比增長已經不明顯；并且從第七個主成分開始每個波段特征值的增加都比較緩慢，因此本次論文只選取前6波段進行分類。

3.3 基于相關系數的波段選擇方法

相關系數（Correlation Coefficient）是用來反映兩個變量之間的相關程度的統計指標[2]。

本文統計分析分別計算兩組影像中的108個波段間的相關系數，發現實驗組中波段1—55具有高度相關性，選擇出波段1作為分類的其中一個波段；波段58—108也具有高度相關性，則選擇波段58；波段56、57則與波段間相關性有的高有的低，因此將兩個波段都作為分類波段之一。驗證組亦采取同樣的處理方法及分析方法，選擇出符合條件的波段。將選擇出的波段進行基于支持向量機的監督分類。

3.4 結果評價

混淆矩陣是一種評估監督學習分類算法的準確性的工具。本文亦采用混淆矩陣的分類總精度、Kappa系數來進行驗證分析，精度結果如表3。

根據以上精度評價結果，可以得出：影像經過四種降維方法處理，SVM分類得出的分類結果中基于相關系數的波段選擇方法得出的分類精度最高，ICA分類精度次之，MNF再次，PCA最差。

為了驗證對于此類高光譜影像來說基于相關系數的波段選擇方法更有利于地物分類，本文又選擇了驗證組影像進行驗證分析，見表4。

由上表可知，實驗組與驗證組影像得出的精度評價結論一致，證明此類影像采用基于相關系數的波段選擇降維方法對于地物識別更為準確。

4 結 論

本文在基于高光譜數據含有地物波譜信息的優勢下，比較分析了四種降維方法對地物識別的影響。發現了結合地物波譜信息的支持向量機分類是最適宜本研究區的分類方法；并且將進行過PCA、ICA、MNF和基于相關系數的波段選擇降維處理的高光譜影像監督分類結果與原始影像的監督分類結果驗證，可以發現四種降維方法的分類精度從大到小排序為：基于相關系數的波段選擇>ICA>MNF>PCA。

參考文獻：

[1]馮登超， 陳剛， 肖楷樂，等. 基于最小距離法的遙感圖像分類[J]. 北華航天工業學院學報， 2012， 22（3）：1-2.

[2]李靜. 高光譜遙感影像降維及分類方法研究[D]. 中南大學， 2012.

[3] 楊偉， 陳晉， 松下文經，等. 基于相關系數匹配的混合像元分解算法[J]. 遙感學報， 2008， 12（3）：454-461.

[4] 張燚. 基于相關向量機的高光譜圖像分類算法研究[D]. 哈爾濱工程大學， 2012

[5]田野， 趙春暉， 季亞新. 主成分分析在高光譜遙感圖像降維中的應用[J]. 哈爾濱師范大學自然科學學報， 2007， 23（5）：58-60.

[6]Wang J， Chang C I. Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis[J]. IEEE Transactions on Geoscience & Remote Sensing， 2006， 44（6）：1586-1600.