程志会，谢福鼎

(辽宁师范大学城市与环境学院，辽宁 大连 116029)

基于空间特征与纹理信息的高光谱图像半监督分类

程志会，谢福鼎

(辽宁师范大学城市与环境学院，辽宁 大连 116029)

传统高光谱图像分类方法主要使用图像的光谱特征信息，没有充分利用高光谱图像的空间特性及样本的其他信息。本文提出了一种基于空间特征与纹理信息的高光谱图像半监督分类方法。首先，将高光谱图像每一像素的光谱特征与其邻域范围内的光谱特征进行结合，得到了这一像素的空-谱特征；然后用灰度共生矩阵提取了高光谱图像的纹理特征，并与空-谱特征进行了融合；最后,用基于图的半监督分类算法进行了分类。通过在Indian Pines数据集和PaviaU数据集上进行试验，结果表明本文提出的方法能取得较高的分类结果。

高光谱图像分类；灰度共生矩阵；半监督方法；空谱特征；纹理特征

20世纪末期兴起的高光谱遥感技术是遥感科学技术领域的一项重大进展。由于高光谱遥感图像具有较高的空间分辨率及丰富的光谱信息，为准确的地物识别提供了一种可能。目前已在地质勘探、精准农业和军事用途等领域中取得了成功的应用[1]。许多学者对高光谱图像的准确分类作了大量研究，如贝叶斯模型、特征提取和特征约减、随机森林、神经网络、模糊聚类和支持向量机[2-5]等方法。高光谱图像分类主要分为监督和无监督两种[3]。在监督分类方法中，基于核方法的支持向量机取得了巨大的成功，支持向量机能够在样本量受限制的方式下有效地处理大的输入维度和抑制噪声样本[3]。在无监督分类方法中，模糊聚类因其无需使用标记样本，在缺少大量标记的高光谱图像分类中取得了巨大的成功。众所周知，监督方法的主要缺点是分类模型和分类准确度主要依赖于标签点的训练数据集数量，而获取大量的高光谱图像类别标记是一项耗时和耗成本的工作。非监督方法虽然对带标签样本不敏感，但是由于缺乏先验知识，对聚类类别和真实类别之间的联系是不确定的。

半监督学习由于其只需要少量的标记样本在高光谱图像分类中引起了研究者的高度关注[1]。半监督学习将标签数据和无标签数据结合，以提高分类的准确度。常用的半监督方法有自训练[6]、直推式支持向量机[6]、生成式模型算法和基于图的方法[7-8]。在高光谱图像应用中，提出了许多基于图的半监督方法，文献[9]提出了一种基于流行学习构图的LapSVM算法，改进了传统的权值仅能反映数据点两两之间关系的问题，在典型的高光谱图像数据集上提高了分类的准确度，但其仅仅考虑了高光谱图像的光谱特征，没有考虑其丰富的空间信息。文献[1]将主动学习与图的半监督相结合，改进了已有标记数据随机选取的缺点，在一定程度上提高了分类的准确度。虽然基于图的半监督在高光谱图像应用中已取得很大成功，但仍有许多不足：现有的高光谱图像分类模型大部分在分类中只考虑了光谱特征信息，很少关注其空间特征，导致分类准确率不高。

针对上述问题，本文提出一种融合空间信息与光谱信息的半监督高光谱图像分类方法，流程如图1所示。首先，将光谱特征与其邻域内特征相结合，提出一种新的空-谱特征组合方法；然后利用灰度共生矩阵方法对图像的空间纹理特征进行提取，并与提出的空-谱特征组合方法进行结合，作为基于图的半监督分类器输入。

一、方 法

1. 高光谱图像特征提取

高光谱图像具有维数高、波段间相关性大、非线性等特点，容易出现维数灾难与数据冗余等问题。因此，在对高光谱图像进行空-谱特征提取之前，需要对图像进行降维处理。主成分分析(PCA)作为一种简单、成熟的降维方法，在高光谱图像降维中应用得最为广泛，因此首先使用PCA对高光谱数据进行降维处理[10-11]。

图1 本文算法流程

假设原始的高光谱图像使用PCA降维后包含的波段数为b，则高光谱图像中任意像素xi的空-谱特征为

zi={fi,fi+1,fi+2,…,f(i+n)×(i+n-1)}∈Rb×(k×k)

(1)

式中，fi为像素xi的光谱向量；fi+1,fi+2,…,f(i+n)×(i+n-1)为像素xi的k×k邻域内各个像素的光谱向量；k为高光谱图像窗口的大小。这种方法不仅考虑了高光谱图像的光谱特征，而且简单考虑了图像每个像素周边的空间信息，弥补了单独利用光谱特征进行图像分类的不足；将像素xi的k×k邻域矩阵展开成一个1×k2的行向量，作为像素xi新的空-谱特征信息。

高光谱图像不仅包含丰富的光谱和空间特征，而且含有丰富的纹理特征，纹理特征能够有效地表示高光谱图像中地物纹理分布信息，在一定程度上抑制了高光谱图像分类中的同谱异物现象[9]。纹理特征提取方法可以分为基于统计特征、基于结构和基于空间频率[10]等方法。由于高光谱图像特有的性质，目前对于纹理特征的提取，一般都是基于统计的方法。统计方法中的灰度共生矩阵(GLCM)通过计算高光谱图像中各像素点灰度之间的联合概率表示纹理，反映了高光谱图像中像元之间的空间依赖性[9]。

GLCM描述了高光谱图像范围内，两个距离为d、方向为θ(0°,45°,90°,135°)的像素点在高光谱图像中出现的概率，通过改变(d,θ)值，可以组合成不同的GLCM来分析图像的灰度空间分布格局。GLCM提供了高光谱图像方向和幅度变化的信息，但是不能直接提供区别图像的纹理信息。为了有效地利用共生矩阵描述纹理，Haralick等在GLCM的基础上，提出了14种特征对高光谱图像的纹理进行量化[12]，本文选择文献中学者常用的4个特征去描述和区分纹理信息，见表1。

表1 GLCM常用的4种纹理特征

根据表1提供的参数对降维后高光谱图像提取常用的4种纹理特征，共得到4个方向的灰度共生矩阵，因此得到16个纹理特征，对4个矩阵相同参数的纹理特征取均值和方差，得到8个纹理特征。

高光谱图像的光谱特征、空间特征和纹理特征提取后，还需进行融合，虽然已有文献提出了各种融合方法[12-13]，本文为了简化处理，选择最简单的处理方式，即直接组合法。设高光谱图像光谱特征为xspec，空-谱组合提取特征为xspec-spat，纹理特征为xtext，因此直接组合后的特征为

r=[xspec，xspec-spat，xtext]

(2)

2. 基于图的半监督高光谱图像分类

高光谱图像的特征提取后，将利用基于图的半监督方法对高光谱图像进行分类。该部分将介绍基于图的半监督中的局部和全局一致性(local and global consistency，LGC)方法[14-15]。假设有n=l+u个样本xi(1≤i≤n)组成一个矩阵X=[x1x2…xlxl+1…xl+u]，其中l为高光谱图像中带标签样本的数目；u为高光谱图像中无标签样本的数目。yi∈RC为第i个样本的标签向量，如果样本xi的标签属于第j类，则yij=1；否则yij=0。显然，yi=0意味着样本xi的标签是未知的，本文的目标即预测u个未标记样本的标签。LGC的主要过程如下：

1) 通过kNN构建一个加权的图G，设W=[wij]n×n是图G的邻接矩阵，wij表示为

(3)式中，σ为高斯核宽，控制xi和xj之间距离的衰变速度；Nk(xi)为样本xi的k近邻；wij确保两个相近的样本有大的相似性和两个不相近的样本有小的相似性。

2) 对权重进行标准化处理

S=D-1/2WD-1/2

(4)

式中，D为一个对角矩阵

3) 计算高光谱数据的样本标签预测函数

F=(1-α)(I-αS)-1Y

(5)

二、试 验

为了验证本文方法的有效性，在两组高光谱图像数据集上进行试验。这两组高光谱图像数据集为IndianPines数据集和PaviaU数据集。IndianPines数据集为1992年采用AVIRIS系统在美国印第安纳州的一个农场拍摄的航空数据，空间分辨率为20m，图像大小为145×145像素。去除水汽吸收波段，剩余200个光谱波段。此高光谱数据集中，由于有些作物标记样本较少，因此选择9种较多的地物类型进行分类处理，真实地物标记如图2(a)所示。PaviaU数据集为ROSIS系统在意大利南部拍摄的PaviaUniversity，空间分辨率为1.3m，图像大小为610×340像素，去除噪声波段，剩余103个光谱波段，此地区共包含9种地物标记(946<每类中样本点数<18 650)，如图3(a)所示。

首先对两组高光谱数据集进行主成分分析，选取前3个主成分进行空间特征和纹理特征提取，并对提取的特征进行组合处理，然后使用基于图的半监督方法预测未标记样本的标签。为了说明本文方法的性能，将其与SVM方法进行了比较。

为方便起见，在试验中所用的重要参数统一列在表2中。

表2 试验中用到的重要参数

在本文试验中，每类随机选取50个样本进行标记，其余的作为未标记样本，σ和α两个参数分别取值1和0.4，试验以总精度OA和Kappa系数两个参数量化高光谱图像的分类效果，为了减少随机性，每个试验均重复20次，并对20次的结果取平均值。

1. Indian Pines数据集试验结果与结论分析

该数据集共分为16类，其中有7类样本点数目较少(<400)，因此选择其余9类进行分类处理(482<每类中样本点数<2456)，每类随机选取50个样本标记(0.20%<标记样本的比例精度<10.4%)，分析比较了2种算法在不同的特征下的总精度OA和Kappa系数。分类结果见表3，融合特征后的高光谱图像真实影像结果如图2所示。

图2 Indian Pines数据集分类影像

真实地物标记如图2(a)所示，由表3和图2可知，结合高光谱图像光谱特征、空间特征和纹理特征的分类结果明显优于单一使用光谱特征进行分类的效果；并且随着纹理特征的加入，精度提升了3%～4%左右。随着窗口的增加，分类精度得到显著提升，说明本文提出的光谱特征和纹理特征的融合效果显著。从表3最后一列也可以看出，基于图的半监督方法是优于SVM方法的，精度都有约4%的提升，说明结合空间特征与纹理特征高光谱图像，应用图的半监督分类方法的分类精度较好。

2. PaviaU数据集试验结果与结论分析

PaviaU数据集中，包含9种地物标记(946<每类中样本点数<18 650)，每类随机选取50个样本标记(0.027%<标记样本的比例精度<0.52%)，分析比较了3种算法的总精度OA和Kappa系数，分类结果见表4，融合特征后的高光谱图像真实影像结果如图3所示。

表4 PaviaU数据集分类结果

图3 PaviaU数据集分类影像

由表4和图3可知，本文提出的纹理特征和光谱特征的结合改善了高光谱图像的分类结果，要优于单一使用光谱特征或空间特征进行分类。随着窗口尺寸的增加，分类精度得到显著提升，说明高光谱图像具有包含空间信息的特性。从表4列向来看，本文提出的基于图的半监督方法优于SVM方法，说明融合空间特征和纹理信息的高光谱图像，使用图的半监督分类方法的分类精度更高。

三、结论和展望

本文针对高光谱图像分类提出了一种基于空间特征信息和光谱特征结合的混合图半监督分类方法。首先对高光谱图像进行降维处理，选取前3个主成分进行空-谱特征和纹理特征提取；然后将这些光谱特征、空间特征和纹理特征进行特征融合；最后将融合后的特征输入到基于图的半监督分类器中，进行高光谱图像的分类。对两个实际的高光谱图像数据集进行试验表明：①本文提出的空间特征和纹理特征结合的方法相较于传统的只利用光谱特征和单一空间特征进行图像分类，精度得到很大提升；②与传统的方法相比，基于图的半监督方法不仅在精度上得到提高，而且减少了输入的参数。本文得到的空-谱特征仅仅是考虑像素周边的邻域信息，没有进行进一步的研究，这是后期需要研究的方向；并且光谱特征、空间特征仅仅是进行简单的融合，将来可对更多的融合方式进行探讨。

[1] 田彦平，陶超，邹峥嵘，等.主动学习与图的半监督相结合的高光谱影像分类[J].测绘学报，2015，44(8):919-926.

[2] 李慧，王云鹏，李岩，等.基于SVM和PWC的遥感影像混合像元分解[J].测绘学报，2009，38(4)：323-329.

[3] 金晶，邹峥嵘，陶超.高分辨率遥感影像的压缩纹理元分类[J].测绘学报，2014，43(5):493-499.

[4] 张伟,杜培军,张华鹏.基于神经网络的高光谱混合像元分解方法研究[J].测绘通报,2007(7):23-26.

[5] 杜培军,林卉,孙敦新.基于支持向量机的高光谱遥感分类进展[J].测绘通报,2006(12):37-40.

[6] DOPIDO I, LI J,MARPU P R,et al.Semisupervised Self-Learning for Hyperspectral Image Classification[J].Geoscience & Remote Sensing IEEE Transactions on,2013,51(7):4032-4044.

[7] CAMPS-VALLS G,MARSHEVA T V B,ZHOU D.Semi-Supervised Graph-based Hyperspectral Image Classification[J].Geoscience & Remote Sensing IEEE Transactions on,2007,45(10):3044-3054.

[8] LIU X,PAN S,HAO Z,et al.Graph-based Semi-supervised Learning by Mixed Label Propagation with a Soft Constraint[J].Information Sciences, 2014,277:327-337.

[9] 王小攀.基于图的高光谱遥感数据半监督分类算法研究[D].北京：中国地质大学，2014.

[10] 林晓峰.基于纹理特征的遥感图像分类算法研究[D].大连：大连理工大学，2007.

[11] 倪国强,沈渊婷,徐大琦.一种基于小波PCA的高光谱图像特征提取新方法[J].北京理工大学学报,2007,27(7):621-624.

[12] 王增茂，杜博，张良培，等.基于纹理特征和形态学特征融合的高光谱影像分类法[J].光子学报，2014(8):1-7.

[13] 樊利恒,吕俊伟,于振涛,等.基于核映射多光谱特征融合的高光谱遥感图像分类法[J].光子学报,2014(6):93-98.

[14] KLAUS B,KLIJN F.Local and Global Consistency Properties for Student Placement [J].Journal of Mathematical Economics,2011,49(3):222-229.

[15] ZHOU D,BOUSQUET O,LAL T N,et al.Learning with Local and Global Consistency[J].Advances in Neural Information Processing Systems,2004,17(4):321-32.

Semi-supervised Classification for Hyperspectral Image Based on Spatial Features and Texture Information

CHENG Zhihui，XIE Fuding

2016-04-07；

程志会(1990—)，男，硕士生，主要从事空间数据挖掘方面的研究。E-mail:811269090@qq.com

程志会，谢福鼎.基于空间特征与纹理信息的高光谱图像半监督分类[J].测绘通报，2016(12)：56-59.

10.13474/j.cnki.11-2246.2016.0401.

P237

B

0494-0911(2016)12-0056-04

修回日期：2016-07-15