高光譜遙感影像端元提取方法對比

高光譜遙感影像端元提取方法對比【摘要】本文在SMACC法和PPI法端元提取基礎上，得到高光譜遙感影像端元豐度圖，之后用SVM法進行分類。通過分類結果精度來評價端元提取的優(yōu)劣。實驗結果表明，基于PPI的線性混合像元分解得到的豐度圖用SVM分類效果最佳，整體精度達87.59%，而基于SMACC法結合SVM分類的效果和直接應用SVM分類次之，整體精度分別是83.84%和85.16%。【關鍵詞】高光譜；端元；支撐向量機（SVM）ComparisonofEndmemberExtractionMethodsfromHyperspectralImageJINWen-pingXIAOKe－ke（SchoolofGeoscienceandInfo-Physics,CentralSouthUniversity，ChangshaＨｕｎａｎ，410083，China）【Abstract】Inthispaper,SMACCmethodandPPImethodwereusedtoextractendmembers.ThentheabundancemapswhichwerederivedfromendmemberswereclassifiedbySVMmethod.Atlast,weevaluatedthequalityofendmemberextractionmethodsbyclassificationprecision.TheresultsshowthatthePPI-SVMisthebestmethodandtheoverallprecisionis87.59%whilethatoftheSMACC-SVMmethodandtheSVMmethodare83.84%and85.16%.【Keywords】Hyperspectra；Endmember；Supportvectormachine（SVM）０引言高光譜遙感技術豐富的空間維、光譜維信息受到國際研究者的廣泛關注，具有廣闊的發(fā)展應用前景[1]。目前已在地質勘探、植被生長狀況監(jiān)測以及城市監(jiān)測等方面取得了顯著的成果[2]。高光譜遙感影像的分類方法、訓練樣本選擇以及混合像元分解問題目前已成為人們研究的熱點[3]。對通過高光譜遙感技術進行地物識別而言，混合像元一直是影響分類精度的主要原因之一，混合像元的分解問題一直是遙感應用研究的難點和熱點。本文主要對比了常用的端元提取法：SMACC法和PPI法，對混合像元分解后得到的端元豐度圖用支持向量機（SVM）法進行分類，最后將上述兩種分類結果與直接對原始影像分類的結果進行對比，得出了一些有意義的結論，對以后實驗研究具有一定的指導意義。實驗選取的數據為北京昌平地區(qū)的PHI高光譜影像，其波段范圍為412~833nm，波段數為80，所截取的大小為328行×392列。１端元豐度圖提取１．１特征提取由于高光譜數據光譜維過高，直接用于分類會因計算量過大而導致分類過程耗時較長，增加構建分類器的難度，同時會引入噪聲而導致分類精度降低。因此，在進行分類前，要對光譜信息進行特征提取，實現光譜數據的降維[4]。特征提取的典型方法是主成分分析（PCA）法，它是在統(tǒng)計特征基礎上的多變量正交線性變換。通過去掉那些相對較小的變換系數而又不會損失太大的信息量達到有效地降低維數的目的，是對均方誤差最小而言的最佳變換。特征提取也可以用MNF（MirninumNoiseFraction）變換進行。MNF變換是一種類似于主成分變換的方法。但該方法首先把數據中的噪音部分隔離出來，確定實際數據量的大小，從而為后續(xù)處理減少工作量。MNF變換通過兩步主成分變換來實現:第一步變換對數據中的噪音去相關和歸一化，使各序列之間互不相關;第二步再實施標準的主成分變換。在對實驗數據進行MNF（MinimumNoiseFraetion）變換后，檢查各波段的信息量，發(fā)現從20維以后所包含的絕大部分是噪聲信息，因此，本文選用MNF轉化后的前20維作為有效信息進行分類。１.2端元選擇端元（EndMember）是代表某種具有相對固定光譜的特征地物。在應用混合光譜模型理論對植被高光譜遙感圖像進行混合像元分解過程中，端元選擇的好壞直接影響到混合像元分解的精度。在植被高光譜分類過程中，端元一般來源于兩種：第一，參考端元，來源于地物標準光譜庫或實際地物類型光譜；第二，圖像端元，從圖像上選擇訓練區(qū)來提取訓練樣本作為參考光譜。圖像端元是從圖像本身獲取組分，與圖像數據具有相同的度量尺度，圖像端元的選擇可以應用純凈像元指數（Pixe1PurityIndex，PPI）法和逐次最大角凸錐體（SMACC）法等獲得。PPI法是對原始影像做純凈像元篩選，剔除掉不純凈的像元，能夠提高端元選擇的精度。本文首先對高光譜圖像進行MNF變換，用MNF變換后的前20個波段設定迭代次數為2000，閾值系數為3，產生像元純度指數PPI。將PPI導入到MNF變換后前20個波段中得到散點圖。圖中有4個犄角，因此選擇了4個端元。SMACC法是一種基于凸錐模型的自動獲取圖像中端元并提供端元豐度圖像的方法。它能夠實現了端元的自動快速提取[5]。本文應用PPI法和SMACC法分別提取端元，圖1為所選端元波譜圖，橫軸為波長，縱軸為光譜反射率，其中（a）為用SMACC法自動得到4個端元，（b）為用PPI提純后根據散點圖選擇出的4個端元。由于SMACC方法得到的各個端元僅是單獨的一個點，而PPI法是通過PPI散點圖選擇犄角附近的點求均值后作為端元，因此可靠性更高。同時，從圖1中還可以看到SMACC法得到的4個端元其中兩個在波長為700附近時不平滑，存在數值突變現象，也說明了可靠性不如PPI法。（a）SMACC提取的端元（b）PPI圖像提取的端元圖1端元波譜圖１.3線性混合像元分解線性混合光譜模型是近年來研究人員提出的較為有效的混合像元分解方法之一，其基本思想是假設圖像地物光譜是純凈端元光譜的線性組合，且各端元間應是獨立可分的，其目的就是通過某種分析和計算，得到混合像元中所包含端元占的比例。線性光譜混合分析模型為[6]R■=■f■R■+ε■其中，λ為所用光譜波段數，k=1，...，n為所選端元數目；R■像元在第i波段的光譜反射率；f■為端元k在一個像元中所在的比例；R■為端元k在波段λ上像素的光譜反射率；ε■為波段λ的殘差項。用SMACC法直接得到的4個豐度圖，其中一個為陰影（shade）組分，另外三個豐度圖代表性不強。圖2為用PPI法提取的端元，用線性混合分解的得到的豐度圖。２分類方法支持向量機（SVM）的原理由Vapnik和Chervonenkis于1971年首次提出，然后在1999年Vapnik對其進行了詳細的論述。傳統(tǒng)算法采用經驗風險最小化準則，而SVM是廣義的線性分類器，可以用訓練數據描述分離超平面，因此直接解決分類問題，不需把概率密度估計作為中間步驟。假設在d維特征空間存在N個訓練樣本集（x1，y1）、（x2，y2）…（xN，yN），輸入模式為xi∈Rd，yi∈{-1,1}為目標輸出，分類超平面方程為：ωTxi+b=0，式中：ω為權值向量，b為偏置。SVM的目標是尋找一個使訓練樣本錯分誤差最小的最優(yōu)超平面，因此可得下式優(yōu)化問題：β（ω，ε）=■ωTω+C■ε■式中：C表示對錯分樣本的懲罰系數；ε■為松弛變量。利用拉格朗日乘子法，將最優(yōu)分類超平面的求解轉化以■αiγi=0，0≤αi≤C，i=1，2…，N為約束條件的下對αi求最大值的約束優(yōu)化問題：P（α）=■αi-■■■αiαjγiγjK（xi，xj）式中：αi為Lagrange乘子，大部分αi為0，αi≠0時對應的訓練樣本稱為支持向量；K（xi，xj）為核函數；γ為核函數的gamma值。Vapnik等研究表明，核函數類型對SVM分類結果影響不大，而核函數的參數是影響SVM分類結果的主要因素。已有研究[7]表明RBF-SVM的分類精度達94.5127%，Kappa系數達0.9351，取得了最佳的分類結果，是SVM算法進行高光譜分類的首選。因此本文選擇RBF核函數，懲罰系數C及核函數參數γ分別為100和0.013。３結果與分析對實驗數據進行分類，結果如圖3所示，其中圖3（a）表示直接對影像進行SVM的分類結果，圖3（b）表示對SMACC法提取的豐度圖進行SVM的分類結果，圖3（c）表示PPI法提取的端元經過線性混合像元分解得到的豐度圖進行SVM的分類結合。對比圖3分類結果中左上角白色矩形框體內的方格水體可以看到，圖3（a）中直接應用SVM分類法將部分水體錯分為閑置地，而圖3（b）中SMACC-SVM方法將此方格內水體完全錯分為閑置地和稀疏植被，只有圖3（c）中的PPI-SVM方法得到正確的分類結果。再對比圖3中細條狀的公路，同樣可以明顯看出圖3（a）直接應用SVM分類的結果和圖3（b）應用SMACC-SVM的分類結果不僅出現錯分，而且道路會出現中斷，只有圖3（c）應用PPI-SVM方法的分類結果更加合理，不僅道路連續(xù)，而且準確率最高。因此，可以直觀判斷出PPI-SVM分類方法最好，直接應用SVM分類方法次之，而SMACC-SVM分類方法效果最差。用測試樣本對分類結果進行評價，生成混淆矩陣（表1）。結果表明，SMACC-SVM分類精度僅達83.84%，Kappa系數為0.7329，分類結果較差;直接用SVM對高光譜原始波段分類，精度為85.16%，Kappa系數為0.7531，也未取得精確的分類結果；而采用PPI散點圖選擇的端元進行線性分解后用SVM分類，精度高達87.59%，Kappa系數0.7861?？梢娪蒔PI選擇端元進行線性分解結合SVM進行高光譜遙感影像分類是一種優(yōu)選方法。4結論表1精度評價表通過對SVM、SMACC-SVM和PPI-SVM分類結果比較分析發(fā)現，PPI-SVM分類方法可取得最佳的分類結果，是高光譜遙感影像分類的首選。這是因為SMACC方法雖然可以實現自動化獲取端元，但是所選擇的端元代表性不是很強，不能完全表達影像中所有類別，同時又沒有判斷對所選端元進行評價的標準。而基于PPI的散點圖選擇端元卻與此相反，由于進行了人工干預，可以用RMS評價端元選擇的好壞，因此，不失為一種選擇端元的較好的方法。但是應該注意的是，為應用PPI方法得到精度較高的端元需要進行反復的實驗，反復選擇端元，因此端元選擇較耗時，因此端元的自動高效選擇仍需要進行深入的研究，以更好地應用于高光譜遙感影像分類。【參考文獻】［1］劉建貴.高光譜城市地物及人工目標識別與提取[D].北京：中國科學院遙感應用研究所，1999.［2］孫家柄.遙感原理方法和應用[M]．北京：測繪出版社，1997：304-316.［3］陶秋香.非線性混合光譜模型及植被高光譜遙感分類若干問題研究[D].2004