一種優(yōu)化的高光譜圖像特征提取方法

馬秀丹　吳子賓

（山東科技大學信息科學與工程學院，山東　青島　266590）

一種優(yōu)化的高光譜圖像特征提取方法

馬秀丹吳子賓

（山東科技大學信息科學與工程學院，山東青島266590）

眾所周知，特征提取方法在降低計算復雜度和增加高光譜圖像分類精確度方面十分有效，針對此，提出了一種優(yōu)化的圖像融合和迭代率波的特征提取方法。首先，將高光譜圖像分割成多個相鄰波段的子集；然后，通過均值法把每個子集中的各個波段融合在一起；最后，對融合后的波段進行遞歸濾波處理，獲得分類的特征信息。結果表明，該方法展示出較高的分類精確度。

高光譜圖像；特征提??；圖像融合；遞歸濾波

高光譜圖像提供地物的大量光譜信息，基于此可以分辨出各種不同的風景。然而，如何高效地處理超過100個光譜維的高光譜圖像一直是一個相當困難的課題。而且在上下文的監(jiān)督分類方法中，高光譜圖像的高維度會產(chǎn)生影響分類性能的“休斯現(xiàn)象”［1］。為了解決這一問題，特征提取技術被應用到高光譜圖像分類領域。

特征提取作為一種有效的降低數(shù)據(jù)維數(shù)的方法。首先，通過一個線性變換將高光譜圖像投射到另一個特征空間。然后，只保留重要的幾個特征進行分類。不同類型的降維技術被提出，如主成分分析（PCA）和獨立成分分析（ICA）。PCA方法能夠保證在一些很少的主要特征中能夠保留高光譜圖像的大部分信息。但是，圖像的光譜信息卻沒有得到充分利用。ICA方法能夠保證轉(zhuǎn)換的成分的獨立性，但計算復雜度的爆炸增長問題一直沒有得到較好的解決［2］。本文提出的特征提取方法的另一個優(yōu)勢是只是處理每個獨立的像素，而不用考慮其空間上下文信息。

1　圖像融合和域轉(zhuǎn)換迭代濾波

1.1圖像融合

圖像融合可以對高光譜圖像相鄰的波段進行融合，達到圖像降維的目的，由于圖像相鄰波段之間具有較強的相似性，通過圖像融合也可以對圖像進行去噪，提高圖像的信噪比，充分利用圖像的光譜信息增強圖像的特征。

1.2域轉(zhuǎn)換遞歸濾波

域轉(zhuǎn)換就是把輸入信號I轉(zhuǎn)換到轉(zhuǎn)換域Ωw中，計算每個像素的轉(zhuǎn)換坐標ct（xm）。例如，在強邊緣同側的兩個像素，有相近的坐標，而在不同側的像素坐標相差較大。

用來計算信號I（x）域轉(zhuǎn)換的函數(shù)ct（u）如下：

對域轉(zhuǎn)換后的信號進行遞歸濾波處理如下：

遞歸濾波通過對強邊緣不同側的像素的坐標轉(zhuǎn)換，高效利用圖形的空間上下文信息。

2　算法流程

提出的特征提取方法包括以下4個步驟。

2.1波段分割（Band Partitioning）

將高光譜圖像分割成高光譜波段的K個子集。第k個子集可以表示如下：

其中，x=（x1，x2，…，xD）∈RD×J代表原始高光譜圖像是D維的特征向量和J個像素。

2.2圖像融合（IF）

用均值法對第k個子集中相鄰的波段進行融合，第k個融合的特征圖像如下：

2.3遞歸濾波（RF）

對融合后的每個子集進行域轉(zhuǎn)換遞歸濾波操作獲得相應第k個特征如下：

其中，RF表示域轉(zhuǎn)換遞歸濾波操作，δs和δr分別表示濾波器空間域和光譜域的標準差，O=（）O1，O2，…Ok∈RK×J是經(jīng)過圖像融合和遞歸濾波操作的特征。

2.4分類

用SVM分類器利用最終獲得的特征對圖像進行分類。

3　實驗

本文所用的實驗數(shù)據(jù)是通過機載可見/紅外成像光譜儀傳感器（AVIRIS）于1992年在美國印第安納西北部的Indian Pines地區(qū)取得。高光譜圖像由220個光譜波段145×145個像素組成，由16個地物類型組成，考慮到噪聲及吸水率的影響，刪除低信噪比、水汽吸收及傳感器故障波段的20個波段。3個波段的合成圖像和地物模型數(shù)據(jù)如圖1所示。

圖1　Indian Pines地區(qū)的AVIRIS數(shù)據(jù)（a）第17，27，50波段的合成圖像（b）地物模型參考

實驗中，本文提出的方法與兩種比較流行的圖像分類方法Support Vector Machine（SVM）與Edge-Preserving Filtering（EPF）作對比。

各種分類方法對圖像的分類總體精度（OA）進行比較，m表示每個類的樣本數(shù)量。每個實驗做20次，結果取均值，見表1。

An Optimization Feature Extraction Method of Hyperspectral Images

Ma XiudanWu Zibin
（College of Information Science and Engineering，Shandong University of Science and Technology，Qingdao Shandong 266590）

As is well known，feature extraction methods to reduce the computational complexity and increase the hyperspectral image classification accuracy is very effective，based on this，this paper put forward a kind of image fusion and iterative optimization rate wave feature extraction method.First，hyperspectral image was divided into a plurality of adjacent band subset.Then，each sub band was fused together by means of the mean method；finally，after the fusion of the band for recursive filtering processing，the characteristics of the classification of information was obtained.The results showed that the proposed method showed higher classification accuracy.

hyperspectral image；feature extraction；image fusion；recursive filtering

表1　3種圖像分類方法對Indian Pines數(shù)據(jù)集的分類精度（OA）比較

TP751

A

1003-5168（2016）05-0029-02

2016-04-24

馬秀丹（1993-），女，碩士，研究方向：智能信息處理。

［1］Hughest，Gordon P.On the mean accuracy of statistical pattern recognizers［J］.IEEE Transactions on Information Theory-TIT，1968（1）：55-63.

［2］Kang Xudong，Li Shutao，Atli J.Spectral-Spatial Hyperspectral Image Classification With Edge-Preserving Filtering ［J］.IEEE Transactions on Geoscience and Remote Sensing，2014（5）：2666-2677.