基于光谱-空间信息的高光谱图像分类
基于Transformer_的高光谱图像分类方法
75Internet Technology互联网+技术一、引言高光谱图像（hyperspetral image，HSI）是通过搭载在不同空间平台上的高光谱传感器，名为成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像而形成的图像。
早期的高光谱图像分类方法主要是通过人工提取高光谱图像中的特征，然后利用传统的机器学习方法对HSI 进行分类。
虽然这些方法在一定程度上能够对高光谱图像进行有效地识别和分类，但是需要人工构建特征。
此外，近年来高光谱图像数据呈现出海量增长的趋势，数据的特征维度也越来越高。
研究者们将深度学习技术应用到高光谱图像数据处理中。
这些基于深度学习的方法首先通过深度神经网络，如循环神经网络或卷积神经网络，来提取高光谱图像中的空间信息和光谱信息，然后利用分类器对图像进行分类。
虽然基于CNN 的主流方法能够有效提取高光谱特征，但是由于CNN 的结构，它只能提取局部特征，无法准确有效地捕捉全局特征。
近来，Transformer 在自然语言处理领域取得了巨大的成功，并被应用到计算机视觉任务中。
与基于CNN 的方法相比，Transformer 借助注意力基于Transformer 的高光谱图像分类方法机制，有效地兼顾了局部与全局特征。
本文提出了一种基于Transformer 的高光谱图像分类算法。
首先利用主成分分析（PCA）来对高光谱图像数据进行降维处理，然后将处理后的数据利用空-谱联合特征提取模块（SSRN）来提取高光谱图像的空-谱联合特征，最后采用Visual-transformer（ViT）对于提取后的空-谱联合特征进行分类。
二、相关工作针对高光谱图像研究中的特征提取，国内外学者进行了多方面地研究。
比如，徐沁[1]等人提出新型多尺度特征提取模块及拥有多尺度空谱融合注意力模块的SE-Res2Net。
欧阳宁[2]等人在此基础上提出一种基于多层次空-谱融合网络的高光谱图像分类方法。
高光谱图像分类方法研究
在高光谱图像分类中，通常采用卷积神经网络（CNN）来处理图像的空间信息 ，采用循环神经网络（RNN）来处理图像的光谱信息。通过将 CNN 和 RNN 进行结合，可以实现高光谱图像的自动分类。
基于深度学习的高光谱图像分类方法
总结词
深度学习是一种机器学习方法，通过构建多层神经网络来学习数据的内在规律和 特征。在高光谱图像分类中，基于深度学习的方法可以更有效地处理复杂的空间 信息和光谱信息。
02
高光谱图像集成了空间、光谱和 时间三个维度的信息，为地物识 别、环境监测、农业、军事等领 域提供了强有力的数据支持。
高光谱图像的特性
高光谱图像具有很高的数据维度 ，通常包含数百甚至数千个波段
。
每个像素包含完整的光谱曲线， 使得高光谱图像能够更精细地表 达地物的空间特征和光谱特征。
高光谱图像的空间分辨率和光谱 分辨率高，能够提供丰富的地物
则化项来实现最优分类。
THANKS
感谢观看
总结词
RF是一种无监督学习算法，通过构 建随机森林进行分类，可以处理多维 度的数据，对高维数据有很好的适应 性。
详细描述
RF通过构建多个决策树，并将它们的 预测结果进行投票来得到最终的分类 结果。在训练过程中，RF通过优化森 林的精度和多样性来实现最优分类。
基于NN的高光谱图像分类实例分析
总结词
NN是一种神经网络模型，通过模拟人脑神 经元的连接方式进行分类，可以处理复杂的 非线性问题。
总结词
SVM是一种监督学习算法，在分类问题 中表现出色，对高维数据有很好的适应 性，可以处理多类别的分类问题。
VS
详细描述
SVM通过找到一个最优的超平面，将不 同类别的样本分隔开，从而实现对高光谱 图像的分类。在训练过程中，SVM通过 最小化分类错误和最大化间隔来实现最优 分类。
一种基于光谱角空间变换的高光谱图像分割方法
Ａｂｓｔｒａｃｔ： Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍ ａｇｅｓ ａｒｅ ｍ ａｓｓｉｖｅｌｙ ｌａｒｇｅ ｔｈｒｅｅ—ｄｉｍ ｅｎｓｉｏｎａｌ ｄａｔａ ｓｅｔｓ， ａｎｄ ａｓ ｓｕｃｈ， ｔｈｅ ｓｅｇｍ ｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ ａｒｅ ｕｓｕａｌｌｙ ｍｕｃｈ ｍ ｏｒｅ ｃｏｍｐｕｔａｔｉｏｎａｌｌｙ ｃｏｍｐｌｅｘ ｔｈａｎ ｔｈｏｓｅ ｆ ｏ ｒ ｇｒａｙ ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ．Ｒｅｄｕｃｉｎｇ ｔｈｅ ｄｉｍｅｎｓｉｏｎｓ ｏｆ ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍ ａｇｅ ｂｅｆｏｒｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｌｅａｄｓ ｔｏ ｔｈｅ ｌｏｓｓ ｏｆ ｓｏｍｅ ｄｅｔａｉｌｓ ｏｆ ｔｈｅ ｉｍａｇｅ，ａｎｄ ｔｈｅｒｅｆｏｒｅ ｔｈｅ ｓｅｇｍｅｎｔａｔｉｏｎ ｑｕａｌｉｔｙ ｃａｎｎｏｔ ｂｅ ｇｕａｒａｎｔｅｅｄ． Ｉｎ ｔｈｉｓ ｐａｐｅｒ， ａ ｎｏｖｅｌ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｓｅｇｍ ｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｓｐｅｃｔｒａｌ ａｎｇｕｌａｒ ｓｐａｃｅ ｔｒａｎｓｆｏｒｍ ａｔｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｔｈｅ ｓｐｅｃｔｒａｌ ａｎｇｌｅｓ ｂｅｔｗ ｅｅｎ ｅａｃｈ ｐｉｘｅｌ ａｎｄ ｉｔｓ ｎｅｉｇｈｂｏｒｉｎｇ ｐｉｘｅｌｓ ａｒｅ ｃａｌｃｕｌａｔｅｄ，ａｎｄ ｔｈｅｓｅ ａｒｅ ｕｓｅｄ ａｓ ｃｏｏｒｄｉｎａｔｅ ｖａｌｕｅｓ ｔｏ ｍ ａｐ ｔｈｅ ｐｉｘｅｌｓ ｉｎｔｏ ａ ｌｏｗ —ｄｉｍ ｅｎｓｉｏｎａｌ ｓｐａｃｅ．Ｔｈｅ ｄｉｓｔａｎｃｅｓ ｆｒｏｍ ｔｈｅ ｓａｍｐｌｅ ｐｏｉｎｔｓ ｔｏ ｔｈｅ ｏｒｉｇｉｎ ｉｎ ｔｈｅ ｌｏｗ—ｄｉｍｅｎｓｉｏｎａｌ ｓｐａｃｅ ａｒｅ ｃａｌｃｕｌａｔｅｄ ａｎｄ ｃｏｎｖｅｒｔｅｄ ｉｎｔｏ
高光谱图像分类方法综述
高光谱图像分类方法综述作者：雷湘琦来源：《科学与财富》2020年第24期摘要：过去数十年中，高光谱图像的研究与应用已经完成了从无到有、从差到优的跨越式发展。
在对其研究的众多方面中，高光谱图像分类已经成为了一个最热的研究主题。
研究表明空间光谱联合的分类方法可以取得比仅依赖光谱信息的逐像素分类方法更好的分类效果。
本文将对众多的空间光谱联合分类方法进行归类和分析。
首先介绍高光谱图像中相邻像素间的两类空间依赖性关系，因而可将现有的空谱联合分类方法分为依赖固定邻域和自适应邻域两类。
关键词：高光谱遥感;图像分类引言高光谱遥感（Hyperspectral Image，HSI）是20世纪以来遥感发展中十分突出的一个方面。
其通过搭载在不同空间平台上的成像光谱仪和非成像光谱仪等高光谱传感器，在一定波谱范围内，以数十甚至数百个连续且细分的光谱波段对目标区域同时成像。
与多光谱遥感影像相比，高光谱影像不仅获得地表图像信息，同时也获得光谱信息。
但是，随着参与运算波段数目的增加，会出现分类精度“先增后降”的现象，即Hughes现象。
本文将对空间光谱联合分类的方法进行着重介绍和总结，还将对从前经典述各类算法进行总结归纳，探讨一些其中具有代表性的方法的原理，对其进行总结，以期找出其中的联系。
1;;;; HSI图像空谱联合分类方法高光谱图像分类的目标是依据样本特征为图像中的每个像元赋予类别标签。
不同地物具有不同的光谱曲线，因此有许多利用光谱信息的方法被提出来用于高光谱图像分类，代表性方法有支持向量机（Support Vector Machine，SVM）、稀疏表示分类（Sparse Representation Classification，SRC）等。
此类逐像素的分类方法有计算简单、便于拓展等特点，然而此类方法并未考虑样本的空间关联性，这会导致两个主要问题：1）在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象;2）高维的光谱特征往往会导致分类模型中需要估计参量的增加，这会造成过拟合以至于模型的泛化性能难以提升。
高光谱图像分类方法综述
ＤＯＩ：１０．１３８７８／ｊ．ｃｎｋｉ．ｊｎｕｉｓｔ．２０２０．０１．０１１张建伟１㊀陈允杰１高光谱图像分类方法综述作者简介：张建伟（１９６５—），男，教授，博士生导师．苏州大学数学系本科毕业，获武汉大学硕士学位，南京理工大学博士学位．１９８６年以来在南京信息工程大学工作３４年，历任数学系教师㊁教研室主任㊁系副主任㊁系主任㊁滨江学院院长㊁科技处社科处处长㊁研究生院常务副院长，现任数学与统计学院院长．长期从事教学工作，完整讲授过２０多门本科生㊁研究生课程，指导硕士博士生３０多人，曾获校优秀教学质量奖㊁江苏省教学成果特等奖．主要从事计算数学㊁计算机应用方向的研究工作，主持国家自然科学基金项目３项㊁横向科研项目２０余项，发表核心以上学术论文８０多篇．Ｅ⁃ｍａｉｌ：ｚｈａｎｇｊｗ＠ｎｕｉｓｔ．ｅｄｕ．ｃｎ收稿日期２０１９⁃０７⁃０１基金项目国家自然科学基金（６１６７２２９３，６１６７２２９１）１南京信息工程大学数学与统计学院，南京，２１００４４摘要在过去数十年中，高光谱图像的研究与应用已经完成了从无到有㊁从差到优的跨越式发展．在对其研究的众多方面中，高光谱图像分类已经成为了一个最热的研究主题．研究表明空间光谱联合的分类方法可以取得比仅依赖光谱信息的逐像素分类方法更好的分类效果．本文将对众多的空间光谱联合分类方法进行归类和分析．首先介绍高光谱图像中相邻像素间的两类空间依赖性关系，因而可将现有的空谱联合分类方法分为依赖固定邻域和自适应邻域两类；此外，还可以依据是否同时利用两类依赖关系将现有方法进一步分为单依赖和双依赖两类．另外，还可以依据空谱信息融合的不同阶段将现有的分类方法划分为预处理方法㊁一体化方法及后处理方法三类．最后展示几种具有代表性的空间光谱联合分类方法在真实高光谱数据集上的分类结果．关键词高光谱图像；自适应邻域；预处理分类；后处理分类；空谱联合分类中图分类号Ｐ２２７文献标志码Ａ０ 引言㊀㊀高光谱图像（ＨｙｐｅｒｓｐｅｃｔｒａｌＩｍａｇｅ，ＨＳＩ）是由搭载高光谱成像仪的航空航天飞行器捕捉到的三维立体图像，图像中的每个像素均含有上百个不同波段的反射信息，这使其适合于许多实际应用如军事目标检测㊁矿物勘探和农业生产等［１⁃４］．高光谱图像分类已越来越成为其中的一个研究热点．高光谱图像分类的目标是依据样本特征为图像中的每个像元赋予类别标签［５⁃６］．不同地物具有不同的光谱曲线，因此有许多利用光谱信息的方法被提出来用于高光谱图像分类，代表性方法有支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，ＳＶＭ）［７］㊁稀疏表示分类（ＳｐａｒｓｅＲｅｐｒｅｓｅｎ⁃ｔａｔｉｏｎＣｌａｓｓｉｆｉｃａｔｉｏｎ，ＳＲＣ）［８］等．此类逐像素的分类方法有计算简单㊁便于拓展等特点，然而此类方法仅利用到了光谱维度的信息，并未考虑样本的空间关联性，即地物分布的空间连续性，这会导致两个主要问题：１）在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象［９⁃１０］；２）高维的光谱特征往往会导致分类模型中需估计参量的增加，这会造成过拟合以至于模型的泛化性能难以提升．另外，同一类地物受光照强弱㊁阴影等因素的影响，其㊀㊀㊀㊀光谱特征也不尽相同，因而不包含空间信息的逐像素分类方法难以取得令人满意的分类结果．如文献［１１］所指出，ＨＳＩ不应当仅仅被看作一系列像素的集合，而应当被看作有纹理结构的图像．它指的是样本间的空间关联性，可以看作是对光谱信息的一个补充，这也为增强和改进逐像素分类器的分类性能提供了方向．在过去的十年中，学者们提出了许多融合空间光谱信息的空谱联合分类方法［１２⁃１７］，实验结果显示在融合空间信息后，分类精度及分类结果的鲁棒性均有很大提高，因此空谱联合分类方法已越来越成为高光谱图像分类的主流方法．本文将对空间光谱联合分类的方法进行着重介绍和总结，并为ＨＳＩ分类研究的方向提出一些指引．主要安排如下：１）首先探讨ＨＳＩ中相邻像素的空间依赖关系．空间依赖关系可以被简单分为像素特征间的空间依赖关系和像素类别间的空间依赖关系，并以此为基础进行模型的分类划分．２）通过不同的邻域划分方法和不同的加权邻域方法将现有方法分为基于固定邻域的方法和基于自适应邻域的方法两类．３）基于空谱融合阶段的不同将现有方法分为基于预处理的分类方法㊁一体化分类方法和基于后处理的分类方法三类．这三类方法可以很广泛地涵盖到现有的大多数方法，在这一部分本文还将对前述各类算法进行总结归纳，以期找出其中的联系．４）最后对现有的几大类分类方法分别进行归纳，探讨一些其中具有代表性的方法的原理，对其进行总结，最后通过实验来对其进行比较．１㊀基于空间依赖关系的ＨＳＩ分类１ １㊀邻域间的空间依赖关系在自然影像中，常用的一个假设为地物分布是连续的，换句话说其地物分布应当服从某种特殊的结构．这种空间依赖关系可将模型分为以下两类：１）相邻像素的特征相关性：相邻像素在光谱特征上有较大概率是相似的．２）相邻像素的类别相关性：这些相似像素的类别标签应当是相同的．现有的空谱联合分类方法通常会利用上述假设中的一种或两种以融合空谱信息．为提取相邻像素信息，通常需要定义邻域，邻域即指的是为目标像素贡献空间特征所用的像素组成的区域．而依据这个区域的选择策略的不同，本文将ＨＳＩ分类方法分为基于固定邻域的方法和基于自适应邻域的方法两类．１ ２㊀固定和自适应邻域的方法１）基于固定邻域的方法．在此类方法中，对每一像素而言，与它相邻接的像素构成的邻域是固定的，一般取其方形邻域．现有的许多方法［１８⁃２８］都采用这种模式．一些预提取特征方法采用的邻域如小波和Ｇａｂｏｒ特征，经典的基于方形窗口的组合核方法［２９⁃３２］．文献［３３⁃３４］采用了基于方形窗口的联合稀疏表示方法，文献［３５］提出了一种基于多元逻辑回归的一般化的组合核方法，文献［３６］提出了基于方形窗口的迭代式的图核方法．另一类具有代表性的固定邻域方法是基于一系列形态学滤波的形态学分析方法［３７⁃３８］，它将通过一系列方形的滤波模板得到的形态学特征看作空间特征，进而进行ＨＳＩ分类．除此之外，也有许多方法利用相邻像素的类别相关性来提取空间信息，代表性方法有基于马尔可夫随机场的方法，如文献［３９⁃４５］等．２）基于自适应邻域的方法．在这类方法中，所用到的空间邻域或空间邻域内不同像素的权重是依据图像纹理自适应选取的，这类策略下的大多数方法都会定义一个限定因子来调整邻域内样本的重要性或重新划分自适应邻域．前者的代表性方法有文献［４６⁃４９］．文献［５０⁃５２］采取边缘检测算子调整邻域内样本的权重来进行保边性的分类．与文献［５０］类似，卷积神经网络［５３⁃５４］也可以被用来为邻域中的每个像素自动化地学习出一个较好权重．文献［５５⁃５７］通过将空间局部像素上的差分转化为拉普拉斯矩阵进而对其优化来达到邻域自适应的效果．后者的代表性方法有基于超像素或目标分割的方法［５８⁃６６］，它认为分割得到区域是整个图像的一个同质区域，因而将其看作一个整体进行ＨＳＩ分类．文献［６７⁃６８］利用一系列的区域融合与分割算子来自适应地调整像素间的空间相关性．文献［６９⁃７０］通过衡量目标像素与其方形邻域内像素的相似性，设置相应的阈值来筛选出同质区域，进而通过联合表示分类等方法进行ＨＳＩ分类．此外，还有一些方法利用相邻样本间类别相关性来获取自适应邻域，如文献［７１⁃７４］首先采用区域分割来得到目标邻域，再利用投票策略来确定区域标签．文献［７５⁃７６］利用地物分布的马尔可夫性以及０９张建伟，等．高光谱图像分类方法综述．ＺＨＡＮＧＪｉａｎｗｅｉ，ｅｔａｌ．Ｏｖｅｒｖｉｅｗｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ．像素标签变化情况构建同质区域．通常情况下，一种方法仅会利用一类依赖关系来进行ＨＳＩ分类，因为这样做简单易行且便于实现，现有的大多数方法均属于这一类别．当然也有一些方法会同时用到特征依赖和类别依赖两种关系．如文献［７７⁃７９］利用马尔可夫随机场和条件随机场来刻画像素间的联系．文献［８０］通过已知样本来推测图像的纹理信息，进而借助此信息来优化类别平滑的正则项．文献［８１⁃８２］将传统的点对类别关系改进为基于邻域像素的点对类别关系．２㊀空谱信息不同融合阶段的ＨＳＩ分类方法在介绍完空间依赖关系后，就需要考虑在什么阶段来融合空谱信息．本文将现有的方法分为基于预处理的分类方法㊁一体化分类方法和基于后处理的分类方法三类．每类方法的光谱融合阶段不同，如图１所示，这三个阶段贯穿着整个的分类过程．图１㊀３种不同空谱信息融合阶段的分类Ｆｉｇ １㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｔｈｒｅｅｄｉｆｆｅｒｅｎｔｓｐａｔｉａｌｓｐｅｃｔｒｕｍｉｎｆｏｒｍａｔｉｏｎｆｕｓｉｏｎｓｔａｇｅｓ２ １㊀基于预处理的分类方法基于预处理的分类是通过提取空间特征的方法来刻画空间信息的．在得到空间特征后再与光谱特征进行融合，最后采用不同的分类器进行分类．其分类过程通常包含两个阶段：１）空谱特征提取阶段；２）基于提取到的特征通过不同的分类器如ＳＶＭ等进行分类的阶段．其中前一阶段是决定分类方法性能表现的关键［８３］．代表性的方法如基于形态学轮廓的空间特征提取方法，它采用一系列不同尺度的开闭运算的算子来提取图像的纹理信息［１３⁃１５］．文献［１９］采用空间平移不变的小波变换提取空谱信息，然后采用线性规划的ＳＲＣ进行序列化．文献［２０⁃２２］还利用基于小波的软收缩去噪策略来提取小波特征．文献［２３⁃２８］利用高维的高斯包络谐波来提取Ｇａｂｏｒ特征．文献［１８，８４］利用修正的共生矩阵来得到空间特征．文献［８５⁃８６］采用经验模式分解和奇异谱分析来提取空间特征．还有一些空谱联合分类方法在核空间进行ＨＳＩ分类，它通常是以组合核的形式来进行空谱信息的融合，这其中就包含基于固定邻域的方法［１６］和基于自适应邻域的方法［５９，８７］．２ ２㊀一体化的分类方法此类方法同时用到空间和光谱信息来形成一个一体化的分类器，也就是说，它的空间特征提取和分类不会显式地分开．如文献［３７］利用邻域内的纹理信息来改变传统逐像素的ＳＶＭ方法的分类目标和约束条件．文献［３３，３５］通过训练样本来创造一个简单可用的字典，然后通过它来表示目标像素及其邻域内像素来添加平滑性约束，进而有效地利用了邻域内的空谱信息．文献［６６⁃６７］采用序列二进制分叉树在利用区域合并和修剪来对高光谱图像进行区域分割的同时达到分类目的．文献［５２⁃５３］利用基于ＣＮＮ的策略，其中特征提取层和分类层使用同一个网络来进行特征提取与分类，而这两层网络的训练是一体化进行的．２ ３㊀基于后处理的分类方法在此类方法中，通常会采用一个仅利用光谱信息的逐像素分类器来对ＨＳＩ进行预分类，然后在依据像素间的空间依赖关系来对预分类结果进行正则化处理，主流的后处理方法有基于加权投票的方法㊁基于马尔可夫随机场的方法㊁基于图正则化的方法和随机漫步方法等．文献［３９］首先采用多逻辑回归来做分类器对ＨＳＩ进行预分类，然后利用一个刻画先验概率的马尔可夫正则化项进行后处理，通过对原先得到的后验概率进行正则化约束即得到新的分类结果图．文献［５７］１９学报（自然科学版），２０２０，１２（１）：８９⁃１００ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２０，１２（１）：８９⁃１００通过引入全变差正则项自适应地调整空间邻域中像素的权重来进行后处理．基于图正则化的方法如文献［４２⁃４３］．基于投票的方法［７２］，采用ＳＶＭ得到样本类别标签，然后再在局部邻域对标签进行投票来确定最终的样本标签．文献［４８］基于随机漫步法来进行后分类，亦取得了较好的分类效果．文献［５０］利用ＳＶＭ来得到样本属于某个类别的概率，然后采用双边滤波的方法来进行ＨＳＩ分类．文献［５８］利用核协同表示来得到点对先验概率，然后采用基于自适应权重图的回归正则化来得到后验概率．３㊀对上述空间光谱分类方法的总结分析在基于预处理的分类方法中，原本的包含光谱特征的观测空间被转化为空间光谱特征联合构成的特征空间．若假设特征空间的维度并未发生变化，从概率的角度来说，越多的特征被利用就代表着空间刻画越准确．它从而影响两方面的内容，首先越多的特征被利用就意味着有希望学到更好的模型从而提升分类精度，其次特征之间的交叉信息更有利于减少错误决策．在一体化的分类方法中，模型建立和类别划分被统一成了一个整体，它的优化目标及其约束条件的求解是一个统一的过程，这种特点使得其分类过程较为简便，但可调节参数较少使得其进一步优化较为困难．在基于后处理的分类方法中，首先采用一个逐像素分类器进行ＨＳＩ分类，然后再加入空间信息作为正则化约束来对此分类结果进行进一步优化．在贝叶斯理论中，这种正则化可以被看作是对空间依赖关系的某种先验信息进行建模，这样更有利于取得更好的分类结果．４㊀现有典型的分类策略总结４ １㊀基于结构滤波的方法基于结构滤波的ＨＳＩ分类方法是高光谱图像处理领域最早被深入研究的方法之一．通常情况下，这种方法采取结构滤波来得到空间纹理特征，即给定一幅高光谱图像，可以通过空间结构滤波的形式来直接获取它的空间特征．一类最简单同时也是使用最广泛的提取空间信息的方法是利用方形邻域内的样本均值或者方差来代表目标像素处的空间特征［１６］．这种策略最早是在组合核或多核学习领域被提出并得到广泛使用的．这里的空间特征是被预提取的，然后再被用来构建空间光谱核．然而方形邻域的均值滤波显然并非是一个最佳的滤波模板，如文献［５０］提出了基于双边滤波的方法来去除噪声同时保持细节．现在的一个趋势即是使用自适应的结构滤波来提取空间特征，如文献［８８］提出的自适应多维度维纳滤波，文献［５７］提出的基于自适应邻域的策略，文献［６２］提出的基于超像素的区域分割策略等．４ ２㊀基于形态学轮廓分析方法基于形态学滤波的形态学轮廓分析方法可以看作是一种特殊的结构滤波方法，它的滤波算子是一系列的形态学开闭操作，通常首先采取主成分分析［８９］等方法进行降维，然后再在前几个主成分上采用一系列不同的滤波模板进行形态学开和闭操作，最后比较大小模板下的滤波结果来得到基于形态学分析的空间特征．文献［３８］表明与均值滤波特征相比，形态学特征能更好地反映图像的纹理结构特征．４ ３㊀基于稀疏表示的分类方法稀疏表示模型［３３，９０］的主要思想是假设现有的训练样本可以构成一个完备训练字典并且任意一个测试样本均可以被字典中的元素线性表出，然而将如此高维特征的样本完全表出是不合理的，那么稀疏表示方法注意到一个训练样本往往只属于某一类地物，即它只需当被训练样本中的同一类样本线性表示，即可得到一个稀疏性的约束．即使用尽量少的训练样本来表示某一测试样本，同时使得表示误差尽可能小．在求解目标函数后，稀疏表示方法取表示误差的最小的训练样本类别来作为此测试样本的类别．４ ４㊀基于分割的ＨＳＩ分类方法一些ＨＳＩ分类方法利用图像分割作为一个后处理的步骤，即在空间光谱分类之后，如文献［９］通过提取和分类同质目标来进行ＨＳＩ分类，文献［７２］在ＳＶＭ分类结果的基础上采用形态学的分水算法［９１］来得到一个更加平滑的分类结果．不同的区域分割算法可以得到不同的ＨＳＩ分类方法．与基于光谱特征的分类策略相比，这些策略可以极大地提高分类方法的分类精度．４ ５㊀基于深度学习的ＨＳＩ分类方法众所周知，神经网络和深度学习的算法通过模拟人脑的结构在图像分类㊁自然语言处理等领域取得了非凡的成果．与传统的浅层分类模型相比，深度２９张建伟，等．高光谱图像分类方法综述．ＺＨＡＮＧＪｉａｎｗｅｉ，ｅｔａｌ．Ｏｖｅｒｖｉｅｗｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ．学习模型可以看作是一个包含多层结构的分类模型［９２］．基于深度学习的ＨＳＩ分类方法可以被大致分为三个主要阶段［９３］：１）数据输入阶段；２）深度神经网络构建阶段；３）分类阶段．卷积神经网络（Ｃｏｎｖｏ⁃ｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）［９４］是现今机器学习领域的一个热点方向，并且其在高光谱图像处理领域取得了非凡的成就．在传统的分类方法中，特征提取往往需要依赖由某种先验知识而设定的参数，而基于ＣＮＮ的深度学习方法的模型参数可以通过自动化的训练过程来得到，这就意味着其具备自动提取数据特征的能力．文献［９５］采取一个非监督的方法来构造基于堆叠自编码网络（ＳｔａｃｋｅｄＡｕｔｏｅｎｃｏｄｅｒ，ＳＡＥ）的深度学习框架来提取ＨＳＩ数据的高阶特征．文献［９６］采用随机主成分分析（Ｒ⁃ＰＣＡ）来一体化地提取空间和光谱特征．文献［９７］采用一系列层叠的受限布尔兹曼机（ＲｅｓｔｒｉｃｔｅｄＢｏｌｔｚｍａｎｎＭａｃｈｉｎｅ，ＲＢＭ）来构建深度置信网络，进而进行ＨＳＩ分类．文献［９８］提出基于差异化区域的ＣＮＮ（ＤｉｖｅｒｓｅＲｅｇｉｏｎｂａｓｅｄＣＮＮ，ＤＲＣＮＮ）方法，它在进行样本增强的同时融入了空间信息，从而达到了有效的保边效果．可以看出，这些网络均是由一系列的卷积和池化层组成，在经过每一个卷积层后，都有一个更深度的空间特征被提取，最后被用于ＨＳＩ分类．５㊀实验结果与分析本节将设计实验来对仅采用光谱信息的分类方法和空谱联合的分类方法进行比较，从而说明空间信息的重要性．为了估计和比较不同分类空谱联合分类算法的优劣，本文分别在如下两个知名的数据集上进行实验：１）印第帕因（ＩｎｄｉａｎＰｉｎｅｓ）：该数据由机载可见光／红外成像光谱仪（ＡｉｒｂｏｒｎｅＶｉｓｉｂｌｅＩｎｆｒａｒｅｄＩｍａｇｉｎｇＳｐｅｃｔｒｏｍｅｔｅｒ，ＡＶＩＲＩＳ）在美国西北印第安获取的ＩｎｄｉａｎＰｉｎｅｓ测试集．整个图像是一幅包含１６种地物的１４５ˑ１４５像素的图像，覆盖光谱波长从０ ２到２ ４μｍ的２２０个光谱波段．去除掉２０个水汽吸收波段后，剩余的光谱波段为２００个．为了验证本文方法在小样本上的分类性能，每类随机采取３％的样本作为训练样本，其余９７％作为测试样本进行实验（详见表１）２）帕维亚大学（ＵｎｉｖｅｒｓｉｔｙｏｆＰａｖｉａ）：该数据是由反射光学系统成像光谱仪（ＲｅｆｌｅｃｔｉｖｅＯｐｔｉｃｓＳｙｓｔｅｍＩｍａｇｉｎｇＳｐｅｃｔｒｏｍｅｔｅｒ，ＲＯＳＩＳ）在意大利市区获取的ＵｎｉｖｉｒｓｉｔｙｏｆＰａｖｉａ数据集．整个图像是一幅包含９种地物的６１０ˑ３４０像素的图像，覆盖光谱波长从０ ４３到０ ８６μｍ的１１５个光谱波段，在去除１２个噪声波段后，剩余的光谱波段为１０３个．本文每类随机选取２０个样本作为训练集，其余作为测试集．表１㊀不同数据集的训练与测试样本个数３９学报（自然科学版），２０２０，１２（１）：８９⁃１００ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２０，１２（１）：８９⁃１００㊀㊀本文中采取以下几类具有代表性算法进行对比：１）仅利用光谱信息的ＳＶＭ算法［７］．２）组合核支持向量机分类方法（ＳＶＭｂａｓｅｄＣｏｍｐｏｓｉｔｅＫｅｒｎｅｌ，ＳＶＭＣＫ）［１６］：该方法采用方形窗口内的光谱均值或方差作为空间光谱特征，在提取空间信息的同时平滑了噪声．３）基于形态学滤波的形态学分析方法（ＥｘｔｅｎｄｅｄＭｏｒｐｈｏｌｏｇｉｃａｌＡｔｔｒｉｂｕｔｅＰｒｏｆｉｌｅ，ＥＭＡＰ）［１３］：该方法采用形态学分析的提取形态学轮廓来进行空间信息刻画，取得了较好的分类效果．４）基于超像素的空间特征提取方法（Ｓｕｐｅｒｐｉｘｅｌ⁃ｂａｓｅｄＣｏｍｐｏｓｉｔｅＫｅｒｎｅｌ，ＳＰＣＫ）［５９］：该方法能够根据图像的纹理特征自适应地选择同质区域，作为一种基于自适应邻域方法的代表，它有效地保存了地物的边缘纹理．５）基于多逻辑回归的空间自适应全变差方法（ＳｐａｒｓｅＭｕｌｔｉｎｏｍｉａｌＬｏｇｉｓｔｉｃＲｅｇｒｅｓｓｉｏｎ⁃ＳｐａｔｉａｌｌｙａｄａｐｔｉｖｅＴｏｔａｌＶａｒｉａｔｉｏｎ，ＳＭＬＲ⁃ＳｐＴＶ）［３９］：该方法在贝叶斯框架下，利用满足ＴＶ一阶邻域系统的ＭＲＦ正则项进行空间信息刻画，并将该先验约束于稀疏逻辑回归分类器求得的概率空间上，分类效果较好．６）联合稀疏表示方法（ＪｏｉｎｔＳＲＣ，ＪＳＲＣ）［６２］：此方法对目标像素的邻域内像素进行联合表示，有效地提取了空间信息．７）基于差异化区域的卷积神经网络（ＤｉｖｅｒｓｅＲｅｇｉｏｎ⁃ｂａｓｅｄＣＮＮ，ＤＲＣＮＮ）方法［９８］：该方法采用以目标像素邻域内的不同的图像块作为ＣＮＮ的输入，对输入数据进行了有效的增强，从而取得较好的分类效果．性能衡量指标使用总体准确率（ＯｖｅｒａｌｌＡｃｃｕｒａｃｙ，ＯＡ）㊁平均准确率（ＡｖｅｒａｇｅＡｃｃｕｒａｃｙ，ＡＡ）和Ｋａｐｐａ系数．实验结果均为１０次随机实验结果的平均值．若无特别说明，本文方法的默认分类器均采用ＳＶＭ，以便进行比较．表２和表３分别是不同分类方法在印第帕因数据集和帕维亚大学数据集上的分类精度．从表中可以看出仅仅包含光谱特征的ＳＶＭ方法分类精度较低，而空谱联合的分类方法均可以取得较好的分类结果．与基于方形邻域的ＳＶＭＣＫ相比，基于超像素的组合核分类方法在两个数据集均能取得较高的分类精度．基于形态学滤波的ＥＭＡＰ方法可以取得比基于窗口均值或方差的ＳＶＭＣＫ方法更好的分类效果，这也从侧面说明形态学分析提取的空间信息具表２㊀不同分类算法在ＩｎｄｉａｎＰｉｎｅｓ数据集上的分类准确率Ｔａｂｌｅ２㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙａｃｈｉｅｖｅｄｕｓｉｎｇｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｓｏｎａｎＩｎｄｉａｎＰｉｎｅｓｄａｔａｓｅｔ％ＣｌａｓｓＳＶＭＳＶＭＣＫＥＭＡＰＳＭＬＲ⁃ＳｐＴＶＳＰＣＫＪＳＲＣＤＲＣＮＮ１６２．７８４９．４２４４．５１５６．５３８２．８８３１．９２８５．９６２７６．２６７９．１４８４．４４８９．９８９０．５２７５．５０８８．３８３６８．１９８７．６８８３．３０８３．５８９１．９４７２．３０９２．８５４５５．６６８３．５２６５．９０７９．４２７９．２０６３．８９８３．３１５８５．３７９６．６４８５．３２８５．０８８９．２７８６．６８８３．６３６９２．６７８０．８０９４．７３９７．８０９７．４１９８．８１９２．５４７７１．２５３０．００５８．６００．８０７７．６０２．００７３．６０８９５．３６８９．０７９７．２８９９．９７９８．６４９９．９８９８．３５９７０．５６０７１．０５０９７．８９１．０５７０．００１０６６．６７８３．２６８０．０６８３．４７８１．３９８４．７８８９．０６１１７７．６３７７．８０８６．６９９６．９２９１．２９９５．５０９７．２３１２６７．４５８５．１４７５．１７８６．０６８１．５１８６．５９９１．８６１３９８．３４９９．９０９４．１２９９．５１９９．４６９９．７６９８．５８１４９４．３７９１．５２９４．７７９８．４６９６．５１９９．５０９７．９１１５４５．５５８７．５１６７．２８７４．１３７７．１４５０．８２９３．３９１６８５．１１９３．７２９３．２６５７．０６９８．９１９３．２６９０．３２ＯＡ／％７８．０４８３．４２８５．５５９０．６５９０．４６８６．８４９３．０７ＡＡ／％７５．６３７５．９６７９．７８７４．３０８９．４８７１．４０８９．１９κ０．７４９７０．８１２３０．８３５３０．８９３１０．８９１２０．８４５１０．９２１０４９张建伟，等．高光谱图像分类方法综述．ＺＨＡＮＧＪｉａｎｗｅｉ，ｅｔａｌ．Ｏｖｅｒｖｉｅｗｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ．表３㊀不同分类算法在ＵｎｉｖｅｒｓｉｔｙｏｆＰａｖｉａ数据集上的分类准确率Ｔａｂｌｅ３㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙａｃｈｉｅｖｅｄｕｓｉｎｇｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｓｏｎＵｎｉｖｅｒｓｉｔｙｏｆＰａｖｉａｄａｔａｓｅｔ％ＣｌａｓｓＳＶＭＳＶＭＣＫＥＭＡＰＳＭＬＲ⁃ＳｐＴＶＳＰＣＫＪＳＲＣＤＲＣＮＮ１７１．２９９７．１４８５．７９８４．７８８６．８３８２．１３８０．３７２７５．７５９３．４８８６．８４８８．７３８５．９８８８．０３８７．６３３７２．９７７６．６０８４．０２８３．５１９０．１２９５．４２９６．１９４９１．８０７５．９４９２．３３８７．８５９６．１２９５．８７７６．９９５９９．３３９５．２３９９．１３９９．７４９７．９８９９．６５９７．１３６７１．３５５３．６９８２．８３９３．３０７８．４９８７．１７９４．４４７８７．６０７３．５３９３．０３９９．７７９４．５４９３．７８９８．９７８６７．２９８８．４７７３．８４９０．５４８５．８１８７．００９５．１０９９９．３１９９．１３９９．４３３１．４７９８．３７９８．８４９９．００ＯＡ／％７６．４５８１．８３８６．１９８７．９３８７．０５８８．６２８８．５０ＡＡ／％８１．８８８３．６９８８．５９８４．４１９０．４８９１．９９９１．７６κ０．６９８５０．７８５９０．８２０８０．８４３５０．８３２５０．８５２３０．８５１９图２㊀不同分类算法在ＩｎｄｉａｎＰｉｎｅｓ数据集上的分类结果Ｆｉｇ．２㊀ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｂｙｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｌｇｏｒｉｔｈｍｓｏｎａｎＩｎｄｉａｎＰｉｎｅｓｄａｔａｓｅｔ有更强的判别特征．基于贝叶斯框架的全变差正则化方法亦取得了较高的分类精度，此方法利用满足ＴＶ一阶邻域系统的ＭＲＦ正则项来刻画空间信息，可以有效提取纹理信息，在边缘处分类效果较好，是比较有代表性的基于后处理的一类ＭＲＦ方法．ＳＰＣＫ方法采用超像素作为自适应邻域，是一类典型的基于自适应邻域的预处理分类方法，它通过超像素来对目标像素处的空间信息的提取过程进行约束，取得了较高的分类精度．ＪＳＲＣ是一类典型的基于方形邻域的一体式分类方法，它通过协同表示目标像素与其方形邻域内的像素来对目标像素的分类过程施加空间约束，可以看出此方法亦取得了较高的分类精度．ＤＲＣＮＮ作为一种典型的基于ＣＮＮ的深度学习方法，通过输入差异化的图像块来融入空间信息，它在两个数据集上的分类精度亦证明了此方法的有效性．图２和图３分别是不同分类方法在印第帕因数据集和帕维亚大学数据集上的分类结果，可以看出，在不包含空间特征的情况下，ＳＶＭ方法的结果图中出现了非常多的噪点，ＨＳＩ中地物连续分布的特点无法保持．在加入空间信息后，这个情况改善了许多．采用方形窗口来提取空间信息的ＳＶＭＣＫ方法也达到了这一效果，但在类边缘处因为方形窗口容易包含两类信息，因此类边缘部分分叉较多．同时，ＪＳＲＣ亦通过方形窗口来约束空间信息，也存在此问题，ＳＭＬＲ⁃ＳｐＡＴＶ方法通过ＴＶ正则项以求达到较平滑的分类结果，因此也存在难以保持类边缘的问题．基于自适应邻域的ＳＰＣＫ方法和基于形态学滤波的５９学报（自然科学版），２０２０，１２（１）：８９⁃１００ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０２０，１２（１）：８９⁃１００。
高光谱图像分类
高光谱图像分类作者：黄何，康镇来源：《科技传播》 2019年第1期摘要近些年来，高光谱遥感技术迅速发展，同时也应用在了非常多的领域中。
而高光谱图像分类是其一个重要的方向。
但是高光谱图像成像机理复杂、波段繁多、数据量大等特点也向我们传统的图像分类方法提出了挑战。
文章综合介绍分析了几种监督分类方法和非监督分类方法。
监督分类方法主要介绍了平行多面体分类方法、最大似然分类方法、人工神经元分类方法；非监督分类方法主要介绍了K-mean s分类方法、ISDATA分类方法、谱聚类分类方法。
同时还综述了支持向量机分类方法、最小二乘支持向量机分类方法、决策树分类方法等新型分类方法。
关键词监督分类；非监督分类；最大似然分类；ISODATA分类；支持向量机分类中图分类号G2文献标识码A文章编号1674-67 08【2 01 9）226-0105-04高光谱遥感技术起源于20世纪80年代初，它是在多光谱遥感技术的基础上发展起来的。
经过数十年的发展，现在的高光谱遥感技术已经达到了一定的水平，在很多领域也得到了应用。
比如它在农业中的应用，其主要表现在快速、精准地获取各种环境信息，以及农作物生长情况。
在大气与环境应用上，在太阳光谱中，大气中的分子，如氧气、臭氧、二氧化碳、水蒸气等成分的反应十分强烈。
而因为大气成份生变而引起的光谱差异通过传统宽波遥感方法难以准确识别，而这种差异可通过窄波段的高光谱识别出来。
在城市环境与下垫面与环境特征的研究和应用，因为人们生活中的各种活动，使得城市环境与下垫面更为复杂。
而高光谱遥感技术的进步，能让人们依据光谱特征，更深入地去研究城市地物，而各种高光谱遥感器的出现，使得对城市的光谱的研究更加系统而全面，也为城市环境遥感分析及制图打下了基础。
在地质矿物勘探中的应用，区域地质制图和矿物勘查是高光谱技术主要的应用领域之一，也使得高光谱遥感技术的作用得到了有效的发挥，由于高光谱遥感比起宽波段遥感有诸多不同之处，因此在电磁谱上，每种岩石和矿物所显示出诊断性光谱特征各不相同，根据这一原理能清楚地识别出其中的矿物元素。
hsi分类综述 -回复
hsi分类综述-回复文章题目：HSI分类综述：从原理到应用的一步一步解析引言：随着人工智能和计算机视觉的快速发展，图像分类成为一个备受关注和研究的领域。
HSI（Hyper-spectral Imaging）分类作为一种新兴的图像分类技术，对于光谱数据的高效处理和准确分类具有重要意义。
本文将从HSI分类的原理到应用的多个方面进行逐步解析，以帮助读者全面了解这项技术及其潜力。
一、HSI分类的原理解析1.1 HSI分类介绍HSI分类是一种基于光谱信息的高光谱图像分类技术，可以对图像数据进行细致精确地分析和分类。
相比于传统的图像分类方法，HSI分类能够利用图像中多个波段的光谱信息，提供更加丰富的图像特征，从而达到更高的分类准确度。
1.2 HSI分类的基本原理HSI分类的基本原理是将图像数据从三维的光谱空间转化为二维的特征空间，然后利用分类算法对特征空间进行处理和分类。
具体来说，通过提取和选择合适的光谱特征，将高维的光谱数据降维到低维的特征空间中，再使用分类算法进行模型训练和分类任务的完成。
1.3 HSI分类的关键技术在实现HSI分类过程中，有几个关键的技术需要关注：- 光谱信息提取：提取图像中每个像素点的光谱信息，获取不同波段的光谱曲线。
- 光谱特征选择：从光谱数据中选择出具有较高分类能力的光谱特征，如主成分分析（PCA）、线性判别分析（LDA）等方法。
- 分类算法选择：选择适合HSI分类的算法，如支持向量机（SVM）、随机森林（RF）等。
二、HSI分类算法的研究进展2.1 传统HSI分类算法在HSI分类算法的研究中，传统的分类方法主要包括最大似然分类（MLC）、支持向量机分类（SVM）、随机森林分类（RF）等。
这些方法在一定程度上满足了HSI分类的需求，但仍然存在一些问题，例如计算复杂度高、泛化能力差等。
2.2 深度学习在HSI分类中的应用随着深度学习技术的发展，越来越多的研究者开始尝试将深度学习方法应用于HSI分类中。
高光谱空谱一体化图像分类研究
・
图像 与信 号 处理 ・
高 光 谱 空 谱 一 体 化 图像 分 类 研 究
高 晓健 ， 郭 宝峰 ， 于 平
（ １ ．杭州电子科技 大学信 息与控 制研究所 ， 浙江 杭州 ３ １ ０ ０ １ ８ ：
２ ．中国科学院长春光学精密机械与物理研究所 ， 吉林 长春 １ ３ ０ ０ ０ ０ ）
摘 要 ： 高 光谱 图像分 类是 遥感 图像 处理 技 术 中 的一个 热点 ， 提 高 分类 精度 是 目前 一个 重要研 究方 向。 常规 的高 光谱 图像 分 类技 术 主要关 注 于如 何 更 好地 利 用 光 谱 空 间 的分 类 信 息 ， 往往
忽视 图像 空间域信息。本文提 出了一种基于空谱 一体化处理 的高光谱 图像分类方法， 在利用 数据进行 自身光谱特征分类的同时采用区域 生长法和二值形态学法相结合 的空间域有效信息 对 光谱 分 类结果 进行 补充 。 实验证 明本 方 法能提 高 高光 谱 图像 分 类精度 。 关键 词 ： 图像 处理 ； 高光谱 分 类 ； 空谱 一体 化 ； 空 间信 息
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｈｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ｌ ａ ｉ ｍａ ｇ ｅ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｓ ａ ｎ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ａ ｒ ｅ ａ ｉ ｎ ｒ ｅ ｍｏ ｔ ｅ ｓ ｅ ｎ ｓ ｉ ｎ ｇ ｄ ａ ｔ ａ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ ， ａ ｎ ｄ ｅ ｘ — ｔ ｅ ｎ ｓ ｉ ｖ ｅ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ｈ ａ ｓ ｂ ｅ ｅ ｎ ｃ ａ ｒ ｒ ｉ ｅ ｄ ｏ ｕ ｔ ｔ ｏ ｏ ｂ ｔ ａ ｉ ｎ ｈ ｉ ｇ ｈ ｅ ｒ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ．Ｔ ｈ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｈ ｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｉ ｍａ ｇ ｅ ｃ ｌ ａ ｓ — ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｔ ｅ ｃ ｈ ｎ ｉ ｑ ｕ ｅ ｓ ｕ ｓ ｕ ｌｌ ａ ｙ ｃ ｏ ｎ ｃ ｅ ｎ ｔ ｒ ａ ｔ ｅ ｏ ｎ ｔ ｈ ｅ ｉ ｎ ｆ ｏ ｍ ａ ｒ ｔ ｉ ｏ ｎ ｄ ｒ ａ ｗｎ ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｓ ｐ ｅ ｃ ｔ ｒ ｌ ａ ｄ ｏ ｍａ ｉ ｎ， ｗ ｈ ｉ ｌ ｅ ｔ ｈ ｅ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｏ ｆ ｓ ｐ ａ ｔ ｉ ａ ｌ ｄ ｏ ｍａ ｉ ｎ ｉ ｓ ｉ ｇ ｎ ｏ ｒ ｅ ｄ ．Ｉ ｎ ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ， ａ ｈ ｙ ｐ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｃ ｏ ｍｂ ｉ ｎ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ ａ ｎ ｄ ｓ ｐ ａ ｔ ｉ ａ ｌ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｓ ｐ ａ ｔ ｉ ｌ ａ ｄ ｏ ｍａ ｉ ｎ ｍｅ ｔ ｈ ｏ ｄ ｓ ， ｓ ｕ ｃ ｈ ａ ｓ ｔ ｈ ｅ ｒ ｅ ｇ ｉ ｏ ｎ ｇ ｒ ｏ ｗ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ａ ｎ ｄ ｔ ｈ ｅ ｂ ｉ ｎ ａ ｒ ｙ ｍｏ ｔ —
基于低秩子空间表示的高光谱图像分类方法
高光谱图像的数据结构可以看作是一个三维矩阵，其中第一维是行，表示图像的行 数，第二维是列，表示图像的列数，第三维是波段，表示光谱信息。
高光谱图像的应用领域
环境监测
农业应用
高光谱图像可以捕捉到土壤、植被等环境 因素的光谱特征，从而对环境状态进行监 测和评估。
视频处理
将该方法应用于视频处理领域，可以更有效地进 行视频目标检测、行为分析等任务。例如，可以 利用高光谱图像中的时间信息，对视频中的运动 目标进行检测和跟踪。
医学图像处理
将该方法应用于医学图像处理领域，可以更有效 地辅助医生进行疾病诊断和治疗。例如，可以对 医学图像进行分类和分割，提取病变区域并进行 定量分析。
地质勘探
通过对高光谱图像的分析，可以获取农作 物的生长状态、病虫害情况等信息，为农 业生产提供决策支持。
遥感侦查
高光谱图像可以反映不同地物的光谱特征 ，从而进行地质勘探、矿产资源调查等应 用。
高光谱图像具有高度识别能力，可以用于 军事遥感侦查、目标识别等方面。
高光谱图像的挑战性问题
数据量大
高光谱图像数据量巨大，处理 难度较高，需要高效的算法和
将多个分类器的结果进行集成，以获得更好 的分类性能。例如，采用投票法将多个分类 器的结果进行集成，以得到更准确的分类结 果。
参数优化
优化模型的参数，以提高模型的性能。例如 ，使用网格搜索、随机搜索等方法，寻找最 优的模型参数。
应用拓展的方向
遥感图像分析
将基于低秩子空间表示的高光谱图像分类方法应 用于遥感图像分析领域，可以更有效地识别地物 类型、监测环境变化等。
在低秩子空间表示中，数据被表示为多个原子（或基）的线性组合，其 中基的数量远小于数据的维度。这些基可以是数据集中的样本，也可以
基于光谱与空间特征结合的改进高光谱数据分类算法
空 间信 息结合 ， 解决 了上述 形态学 方法存在 的问题 。 Ｂ ａ ｒ ｔ ｅ ｌ ｓ 等提 出了一种基 于“ 规则” 的改进极大似然 分类算法 ，通过 引 人地物类别空 间依存关 系提高分类精度 ］ ，但“ 规则 ” 的制定
依 赖人 工干预 ，在应 用 中需要 根 据数 据实 际情 况 随时 修 改 “ 规则” ； Ｍｏ ｕ ｒ ａ 提出了基于马尔可夫随机场（ Ｍａ ｒ ｋ ｏ ｖ ｒ ａ ｎ ｄ ｏ ｍ ｆ ｉ ｅ ｌ ｄ ， ＭＲＦ ） 理论 的 自适应 高光谱 图像分 析方法［ ５ ］ ， 该 方法 利用空间信 息内在的两个 重要性 质 ： 非因果性 和马尔可夫性 来描述数据背景并建 立异 常检测 算法 ；ＭＲ Ｆ理 论利 用地 物 空间连续分布的特性基于邻域模型建立 各个像元 的空问相关
目前基于 ＭＲ Ｆ的方法 中假设数据服从 高斯分 布进行类 条件 概率 （ ｃ ｌ ａ ｓ ｓ ｃ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｐ ｒ ｏ ｂ ａ ｂ ｉ ｌ ｉ ｔ ｙ ， Ｃ Ｃ Ｐ ） 的估计＿ ７ ｊ ， 而高光谱 数据具有较长的“ 拖尾 ” 特 性 ，不能较 好地 服从 高斯分 布＿ ８ ； 并且基 于 ＭＲ Ｆ的方法 中能量最 小化 优化 过程 中计 算量 大 、 容易 陷入局部最优解等 问题 ，使得该方 法分类精 度下 降、计
决 了马尔科夫随机场模型 中全局能量最小化优化过程 中计算 复杂度 高、计算耗 时等 问题 。利用航空 可见一 近
红外成像光谱仪 Ａ Ｖ Ｉ Ｒ Ｉ Ｓ 对美 国印第安纳州西北部的农业示范区数据进行应用分析 ， 并与迭代条件模型 、 模 拟退火 、置信传播等方法 进行 性能比较 ， 试验结果表 明 ： 该方法 能够达 到总体分类 精度 ９ ５ ． ７ ８ 、 Ｋａ ｐ ｐ ａ 系 数０ ． ９ ３ ３ ４ ， 优于现有 马尔科夫随机 场分类算法 ， 并且计算效率 比置信传播优化算法提高了 ３ 倍 以上 。 关键 词 高光谱遥感 ； 分类 ； 马尔可夫随机场 ； 概 率支 持向量机 ； 高效置信传播
高光谱图像分类
《机器学习》课程项目报告高光谱图像分类——基于CNN和ELM学院信息工程学院专业电子与通信工程学号35学生姓名曹发贤同组学生陈惠明、陈涛硕士导师 _______ 杨志景_______2016年11月一、项目意义与价值高光谱遥感技术起源于20世纪80年代初，是在多光谱遥感技术基础之上发展起来的［11 o高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物儿何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。
随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。
在将高光谱数据应用于各领域之前，必须进行必要的数据处理。
常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。
其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。
相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信［2］。
目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。
高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用［3, 4］,因此对其进行研究显得尤为重要。
高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。
高光谱图像分类
《机器学习》课程项目报告高光谱图像分类——基于CNN和ELM学院信息工程学院专业电子与通信工程学号 2111603035学生姓名曹发贤同组学生陈惠明、陈涛硕士导师杨志景2016 年11 月一、项目意义与价值高光谱遥感技术起源于20 世纪80年代初，是在多光谱遥感技术基础之上发展起来的[1]。
高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。
随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。
在将高光谱数据应用于各领域之前，必须进行必要的数据处理。
常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。
其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。
相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。
目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。
高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。
高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。
基于DS证据理论的高光谱图像融合分类
第28卷㊀第4期2023年8月㊀哈尔滨理工大学学报JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY㊀Vol.28No.4Aug.2023㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀基于DS 证据理论的高光谱图像融合分类李㊀昊1,㊀于㊀虹1,㊀饶㊀桐1,㊀周㊀帅1,㊀沈㊀锋2(1.云南电网有限公司电力科学研究院,昆明650217;2.哈尔滨工业大学仪器科学与工程学院,哈尔滨150006)摘㊀要:高光谱图像包含丰富的地物信息,被广泛应用于许多场合㊂由于各分类模型具有不同的分类性能,如何有效利用各分类模型性能的差异性是实现融合分类的重要环节,为此提出了一种基于DS 证据理论的多模型融合分类的高光谱图像分类方法㊂由于现有的分类模型从HSI 数据的空间域和光谱域提取不同的特征,因此产生的预测结果不同㊂本融合方法采用多层感知机网络和随机森林网络进行融合分类实验,该网络借助各分类网络的提取特征的差异性,提高了分类结果的准确性㊂实验结果表明,当不同网络的分类精度存在一定差异时,DS 融合模型能提高分类精度,同时优于线性平均加权融合模型㊂关键词:高光谱图像分类;融合模型;机器学习DOI :10.15938/j.jhust.2023.04.005中图分类号:TP751文献标志码:A文章编号:1007-2683(2023)04-0033-09Hyperspectral Images Fusion Classification Based on the DS Evidence TheoryLI Hao 1,㊀YU Hong 1,㊀RAO Tong 1,㊀ZHOU Shuai 1,㊀SHEN Feng 2(1.Electric Power Research Institute,Yunnan Power Grid Co.,Ltd.,Kunming 650217,China;2.School of Instrumentation Science and Engineering,Harbin Institute of Technology,Harbin 150006,China)Abstract :Hyperspectral images contain rich information of ground objects and the technology is widely used in many occasions.Since each classification model has different classification performance,effectively utilizing the difference in the performance of each classification model is an essential step to achieve fusion classification.Therefore,a hyperspectral image classification method based on DS evidence theory is proposed.Different prediction results are generated since the existing classification models extract different features from the spatial and spectral domains of HSI data.In this fusion method,a multi-layer perceptron network and random forest network are used for fusion classification experiments.The network improves the accuracy of classification results by taking advantage of the difference in extracted features of each classification network.The experimental results show that the DS fusion model can improve the classification accuracy and is superior to the linear average weithted fusion model when there are some differences in theclassification accuracy of different networks.Keywords :hyperspectral image classification;fusion model;machine learning㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2022-03-21基金项目:国家自然科学基金(61673128).作者简介:李㊀昊(1986 ),男,硕士,高级工程师;于㊀虹(1978 ),女,博士,高级工程师.通信作者:沈㊀锋(1981 ),男,教授,博士研究生导师,E-mail:759281806@.0㊀引㊀言高光谱图像相比于RGB 图像和红外图像,具有丰富的光谱信息与空间信息,使得地物目标分类能力大幅度提升,也因此被广泛的应用在用于农业㊁军事㊁土地覆盖测绘㊁异常检测和目标识别[1-9]等领域㊂但光谱维与空间维的信息的大幅度增加,对地物分类算法提出了新的要求,比如,冗余的光谱信息,导致分类过程中出现Hughes 现象,如何有效提取光谱维信息是高光谱图像分类过程中的关键环节;地物分类算法在处理高维度的空间信息中需要大量的时间进行特征提取,如何快速完成目标特征的提取是当前分类算法的研究热点㊂为了进一步减少分类过程中光谱信息冗余的影响,目前的高光谱分类模型[10-12]主要集中在以下两个方面:增加特征提取层数和波段选择㊂增加特征提取层数的主要目的是提取深光谱信息之间的相关性㊂全连接层通过对每个光谱特征与目标类别进行非线性变换,最终实现地物目标的分类㊂Zhong[13]设计了一种以三维立方体为输入数据进行高光谱图像分类的端到端光谱空间残差网络㊂该网络包括光谱特征学习部分和空间特征学习部分㊂这两个部分由大量卷积层组成,并通过非线性计算来提取光谱特征的相关性㊂与增加特征提取层数不同,波段选择可以去除多余的光谱信息波段㊂Roy[14]提出了一个用于HSI分类的HybridSN网络,通过PCA减少光谱波段的数量,同时保持相同的空间维数㊂他提出了一种新的基于多尺度协方差映射(MCMs)的手工特征提取方法,用于基于CNN的HSI分类㊂该网络还采用了波段选择方法来避免Hughes现象㊂为了进一步避免高维度空间信息引起的特征提取时间长问题,目前的高光谱分类模型[15]主要集中在以下两个方面:减少特征提取层和网络残差结构的操作㊂相关研究证明减少特征提取层的数量可以加快了模型训练过程的收敛速度,从而避免了模型训练过程中的发散现象㊂Gao等[16]提出了一种基于深度可分卷积层的多尺度残差网络用于HSI分类㊂网络残差结构通过跳跃连接构建新特征数据层,提高训练模型的精度与收敛速度㊂Paoletti 等[17]提出了一种专门针对HSI数据设计的新的深度CNN架构,改进了卷积滤波器揭示的网络的光谱空间特征㊂叶珍等[18]提出了一种结合PCA与移动窗小波变换的高光谱决策融合分类算法,通过相关系数矩阵㊁主成分分析方法以及移动小波变换算法进行空间特征提取,并且利用线性意见池对分类结果进行融合,实现了融合分类结果的融合㊂崔颖等[19]引入集成学习分类的加权组合思想,提出了一种基于组合测量的方法,实现单一模型多策略的融合,获得更高的分类稳定性㊂为了提高分类网络的准确性以及分类效率,在多层感知机(MLP)和随机森林(RF)分类模型的基础上,我们提出了一种基于DS证据理论的高光谱图像融合分类方法㊂该融合算法利用各分类模型提取特征与分类的差异性,根据融合分类规则,完成多模型分类的融合,最终以较小的参数和模型训练时间为代价,得到了更有代表性的分类结果㊂1㊀基于DS证据理论的高光谱融合分类本文基于多模型融合的高光谱图像分类方法框架如图1所示,首先使用已完成训练的多层感知机分类模型和随机森林分类模型对测试样本进行分类,获得不同分类器下的各测试样本的类别置信度㊂其次借助各分类模型的差异性,即各分类模型输出的类别置信度差异性,通过证据理论构建基于多模型融合的类别置信,从而提升测试样本的分类准确性㊂图1㊀基于DS证据理论的高光谱图像融合分类示意图Fig.1㊀Schematic diagram of hyperspectral image fusion classification based on DS evidence theory1.1㊀多层感知机模型多层感知机(MLP)[20]是早期的神经网络,由输入层㊁输出层和隐藏层组成,其中每层由多个神经元和相关参数构成㊂MLP在训练过程中有正向传播和反向传播两部分组成㊂在正向传播过程中,首先输入层接收输入的信号,将该层的神经元与隐藏层的神经元进行连接㊂其次通过输出层的神经元,完成高光谱的分类㊂隐藏层的神经元输出Y l j可以表示为Y l j=f(ðM i=1Y l-1j W l j+B l j)(1)其中:Y l-1j为上一层的输出;W l j为隐藏层中的权重;B l j为隐藏层中的权重值;f为非线性激活函数㊂在误差反向传播阶段,将输出层的预测值与期望输出值,通过损失函数构建训练误差值E,并通过最速下降法与学习速率,更新隐藏层中的训练参数W l j,训练误差值E表示为E=E(Y l1,Y l2, ,Y l n)(2)其中:E(㊃)为损失函数㊂表1描述了MLP分类模型在不同数据集下的结构参数㊂该分类模型由输入层㊁隐藏层和输出层组成,其中输入层和输出层的神经元数量分别是数据集中的光谱维度和类别数量;在隐藏层中,借助ReLU函数进行非线性降维和归一化;在输出层中借助Softmax函数对各类别的置信度进行归一化计算㊂43哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀表1㊀多层感知机分类模型在不同数据集下的结构参数Tab.1㊀Structure parameters of multi-layer perceptron classification model under different data sets高光谱数据集层数类型神经元数量激活函数Input200IP Hidden144ReLUOutput16SoftmaxInput103 UP Hidden5ReLUOutput9SoftmaxInput176 KSC Hidden127ReLUOutput13SoftmaxInput204 SV Hidden146ReLUOutput16Softmax 1.2㊀RF模型随机森林模型(RF)[20]由多个分类决策树模型组成,其具有快速收敛和不易过拟合等优点,适合解决高光谱遥感分类问题㊂将一个样本容量为N的样本,有放回的抽取N 次,形成N个样本㊂将构建好的N个样本训练成一个决策树,作为决策树根节点的样本㊂根据获得的训练样本N和样本属性M,随机选取m个属性,依靠信息增益策略选择其中的一个属性作为分裂属性,实现节点的分裂㊂1.3㊀基于DS的光谱融合模型DS证据理论是处理不确定信息的理论,它可以融合不确定信息㊂DS证据理论是传统贝叶斯理论的重要延伸,既可以处理单个假设,也可以处理复合假设,在图像处理㊁风险评估㊁故障诊断等方面具有广泛的应用前景㊂对于非空集U,称为识别框架,该框架由一系列互斥穷举的元素A组成㊂问题域中的任何命题都应属于幂集2U㊂定义BPAF:mʒ2Uң[0,1]in2U m(Φ)=0ðA⊆U m(A)=1}(3)其中m(A)表示证据对子集的信任度量㊂其意义如下:①如果A⊂U,则表示对的一定信任程度A;②如果A=U,则表示该数不知道如何分配;③如果A⊆U 和m(A)>0,则称A为m的焦点元素㊂DS证据理论采用正交证据源和组合证据源㊂多个证据源m1,m2, ,m n在定义融合函数mʒ2Uң[0,1]下的联合后的基本概率分布为:m(ϕ)=0m(A)=ðA1=A1ɤjɤnm j(A i)1-K(∀A⊂U)üþýïïï(4)式中:K=ðɘA j=φ1ɤjɤnm j(A i),为证据冲突程度㊂向量m j()分别为不同分类模型A i输出的类别置信度㊂图2㊀不同数据集的标签Fig.2㊀Labels for different data sets2㊀实验结果2.1㊀数据集描述本节我们介绍4个HSI数据集,指定了模型配置过程,并使用分类度量评估了所提出的方法㊂采用IN㊁KSC㊁SV和UP数据集来评估多模型融合框53第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类架在训练数据不平衡㊁训练样本数量少㊁空间分辨率高的情况下的分类性能㊂在这3种情况下,用随机选择的训练数据进行了10次实验,并报告了主要分类指标的均值和标准差㊂IN数据集由机载可见/红外成像光谱仪(AVIRIS)于1992年从西北印第安纳州收集,包括16个植被类别,具有145ˑ145像素,分辨率为20m㊂一旦去掉了被吸水效应破坏的20个波段,剩下的200个波段用于分析,范围为400~2500nm㊂KSC数据集由美国佛罗里达州的AVIRIS于1996年收集,包含13个山地和湿地类,像素为512ˑ614,分辨率为18m㊂一旦低信噪比的波段被去除,剩下的176个波段用于评估,范围从400到2500nm㊂UP数据集由意大利北部的反射光学系统成像光谱仪于2001年获得,包含9种城市土地覆盖类型,分辨率为610ˑ340像素,像素分辨率为1.3m㊂一旦噪声波段被丢弃,剩余103个波段被用于评估,范围为430到860nm㊂SV数据集由AVIRIS传感器在加利福尼亚州Salinas山谷上空采集的㊂分辨率为512ˑ217,像素分辨率为3.7m,有16个土地覆盖等级㊂分类前,去除了20条带(即第108~112条㊁第154~167条和第224条)㊂2.2㊀实验设置在描述了DS证据理论之后,我们配置了通过训练数据集更新MLP和RF参数的训练过程㊂采用总体精度㊁平均精度和kappa系数定量评价分类性能㊂每个实验选择训练样本并运行10次㊂所有的实验都是在一台配备Intel Core i7-9900K CPU和64GB RAM的台式机上使用TensorFlow进行的㊂2.3㊀实验结果将DS证据理论与MLP和RF特征学习模型的融合分类结果进行比较㊂为了验证DS证据融合理论的泛化性㊁有效性和鲁棒性,在平衡和不平衡训练数据集下,建立了基于MLP和RF模型的频谱学习融合模型㊂为了进行公平的比较,我们为MLP㊁RF 和光谱学习融合模型设置了相同数量的训练数据㊂实验主要包括3个部分㊂第一,针对IP㊁SV㊁UP和KSC数据集,分别使用16㊁80㊁80㊁80个训练样本,分析了光谱融合模型的鲁棒性和有效性;第二,在平衡训练数据个数不同的情况下,对光谱融合模型进行泛化分析㊂第三,在不平衡训练样本个数不同的情况下,对光谱融合模型进行了泛化分析㊂表2和表3给出了OAs㊁AAs㊁kappa系数,以及HSI分类中所有类别的分类精度㊂在使用IP㊁SV㊁UP 和KSC划分训练集的过程中,不同数据集分别选取了每类16㊁80㊁80㊁80个训练样本㊂在IP㊁SV和KSC3个数据集上,光谱学习融合模型比MLP和RF具有更高的分类精度㊂在UP数据集上,当MLP和RF差异较大时,融合模型的分类效果较MLP和RF差㊂在IP 数据集上,与MLP和RF数据相比,融合模型的OA 值分别提高了1.63%和4.38%㊂这些结果验证了光谱融合模型在不同数据集上的鲁棒性和有效性㊂通过对比不同的融合决策模型,特别是在UP数据集中,线性平均加权融合模型的OA值为82.66%,而DS融合模型的OA值为82.79%,同时DS融合模型的稳定性远高于线性平均加权融合模型㊂在可视化结果图3,图4,图5和图6中,可以明显看到光谱融合模型的分类结果与标签数据更相似,错误颜色的分类结果明显少于其他分类方法㊂图3㊀IP数据集的分类结果Fig.3㊀Classification results of IP data set63哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀图4㊀KSC数据集的分类结果Fig.4㊀Classification results of KSC dataset在实验的第二部分中,分析了不同数量等级的平衡训练样本,对光谱融合模型的影响,在SV㊁UP 和KSC数据集中,每类选择50㊁60㊁70㊁80和90个训练样本,而IP数据集每类选择10㊁12㊁14㊁16㊁18个训练样本㊂在表4中,光谱融合模型的OA㊁AA 和kappa系数的增加与训练样本的数量密切相关㊂该光谱融合模型克服了4个数据集之间的差异,实现了比MLP和RF模型更高的分类精度㊂同时随着均衡训练样本数量的增加,融合分类的结果也更加准确㊂在实验的第三部分中,为了验证光谱融合模型的泛化性能,选取不同比例的不平衡训练样本,其中3%,5%,7%,9%,和11%的标记样本选择作为IP 数据集的训练样本,1%,3%,5%,7%,和9%的标记样本选择作为UP,KSC和SV数据集的训练样本㊂在表5中,分类性能与训练样本的数量有关㊂训练样本的均衡性不会影响训练样本数量与分类精度之间的关系㊂光谱融合模型比MLP和RF模型具有更高的分类精度㊂图5㊀SV数据集的分类结果Fig.5㊀Classification results of SV dataset图6㊀UP数据集的分类结果Fig.6㊀Classification results of the UP dataset73第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类83哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀表2㊀IP和SV数据集的分类结果,IP数据集中每个类有16个训练样本,SV数据集中每类有80个训练样本Tab.2㊀Classification results of IP and SV data sets.There are16training samples for each classin IP data set and80training samples for each class in SV data setIP SVMLP RF DS Average MLP RF DS Average 184.61ʃ7.7882.64ʃ9.8984.63ʃ7.6484.63ʃ7.6498.61ʃ0.9699.03ʃ0.4898.94ʃ0.7498.93ʃ0.75 243.82ʃ6.7633.55ʃ6.4543.54ʃ6.2343.6ʃ6.3899.68ʃ0.2498.92ʃ1.599.77ʃ0.1499.76ʃ0.14 345.61ʃ5.5247.08ʃ3.3347.89ʃ4.9347.4ʃ5.0398.39ʃ298.01ʃ0.8598.93ʃ1.0798.93ʃ1.16 465.9ʃ7.0159.46ʃ4.6768.58ʃ5.7368.83ʃ5.9699.55ʃ0.2199.38ʃ0.2699.52ʃ0.1999.53ʃ0.2 577.45ʃ4.8579.13ʃ3.8780.47ʃ3.2679.69ʃ3.8197.66ʃ0.7996.36ʃ1.0597.58ʃ0.7897.6ʃ0.79 689.4ʃ2.5771.86ʃ4.789.3ʃ2.4289.55ʃ2.2899.65ʃ0.1399.29ʃ0.3399.74ʃ0.199.67ʃ0.12 794.01ʃ5.3490.72ʃ4.4992.39ʃ4.4994.01ʃ5.3499.61ʃ0.1399.2ʃ0.5299.6ʃ0.1299.61ʃ0.11 883.96ʃ5.3484.78ʃ5.7186.99ʃ4.7186.73ʃ5.0366.87ʃ7.8465.41ʃ3.7868.7ʃ6.2268.65ʃ6.13 9100ʃ097.16ʃ7.5100ʃ0100ʃ099.11ʃ1.0998.19ʃ1.0699.07ʃ0.9499.16ʃ0.95 1063.6ʃ3.7856.12ʃ8.1665.22ʃ4.2664.99ʃ4.0392.11ʃ1.1787.56ʃ2.6992ʃ1.0692.07ʃ1.02 1145.29ʃ8.2948.93ʃ6.948.7ʃ8.0748.12ʃ8.0996.01ʃ1.5392.1ʃ1.8696.05ʃ1.596.02ʃ1.4 1249.01ʃ8.3540.8ʃ8.1849.72ʃ8.9749.22ʃ8.899.08ʃ0.4798.08ʃ1.0199.43ʃ0.2999.33ʃ0.36 1397.72ʃ1.1494.68ʃ2.1997.34ʃ1.8297.55ʃ1.5997.6ʃ1.0597.04ʃ0.8297.57ʃ0.8597.6ʃ0.89 1474.04ʃ8.2781.64ʃ6.477.95ʃ7.0578.11ʃ7.2395.14ʃ1.3494.06ʃ0.9794.93ʃ1.1994.89ʃ1.21 1554.51ʃ4.9435.17ʃ2.9452.4ʃ5.3452.27ʃ5.974.63ʃ6.7167.18ʃ3.0874.16ʃ5.674.23ʃ5.63 1691.66ʃ5.2997.65ʃ1.7293.73ʃ5.3693.21ʃ5.4698.15ʃ0.4296.05ʃ1.4598.08ʃ0.5798.08ʃ0.51 OA59.85ʃ2.0357.13ʃ1.2461.73ʃ1.861.5ʃ1.8988.48ʃ0.986.3ʃ0.6688.79ʃ0.7788.8ʃ0.76 AA72.82ʃ0.9469.12ʃ1.4673.92ʃ0.8773.88ʃ0.8694.54ʃ0.3692.88ʃ0.2594.66ʃ0.3194.66ʃ0.3 K55.02ʃ2.0751.98ʃ1.3257.07ʃ1.8456.82ʃ1.9387.2ʃ0.9884.78ʃ0.7287.54ʃ0.8487.54ʃ0.83 Train time/s0.74ʃ0.150.27ʃ0.01 1.68ʃ0.050.73ʃ0.01 Test time/s0.08ʃ0.010.15ʃ0.01 0.29ʃ0.010.89ʃ0.05表3㊀KSC和UP数据集的分类结果,每个数据集中每个类有80个训练样本Tab.3㊀Classification results of KSC and UP datasets,with80training samples per class in each datasetKSC UPMLP RF DS Average MLP RF DS Average 189.98ʃ2.3289.4ʃ2.2690.72ʃ2.1290.61ʃ2.0976.61ʃ2.7975.85ʃ2.8977.49ʃ2.0676.88ʃ2.15 288.18ʃ2.5786.38ʃ3.4288.72ʃ2.9788.66ʃ2.9383.78ʃ3.5970.37ʃ3.581.06ʃ3.9581.04ʃ3.97 394.74ʃ2.5491.28ʃ2.2294.53ʃ1.994.81ʃ2.0181.26ʃ3.4171.43ʃ4.0479.96ʃ3.280.14ʃ3.18 474.01ʃ8.1869.55ʃ5.3376.82ʃ4.8576.92ʃ5.1989.24ʃ4.2293.25ʃ2.8391.57ʃ3.2391.61ʃ3.2 574.34ʃ7.3371.38ʃ3.7275.72ʃ5.6974.98ʃ5.7599.3ʃ0.3899.29ʃ0.1799.45ʃ0.2299.51ʃ0.22续表3KSC UPMLP RF DS Average MLP RF DS Average 680.73ʃ4.8864.69ʃ3.0878.01ʃ4.1378.86ʃ4.6484.69ʃ3.6276.67ʃ3.2684.24ʃ3.1484.12ʃ3.24 791.89ʃ4.3890.33ʃ3.6793.15ʃ3.1293.15ʃ3.1291.64ʃ1.2388.53ʃ2.5291.27ʃ1.4691.6ʃ1.42 892.81ʃ2.5987.47ʃ2.993.45ʃ2.3193.31ʃ2.2178.75ʃ2.2176.99ʃ2.980.17ʃ2.479.82ʃ2.49 995.92ʃ1.6291.82ʃ3.3896.08ʃ1.496.1ʃ1.4499.3ʃ0.33100ʃ099.63ʃ0.1899.63ʃ0.18 1097.08ʃ1.8891.65ʃ1.6997.52ʃ1.2997.3ʃ1.49 1198.02ʃ0.6697.22ʃ1.1898.29ʃ0.798.26ʃ0.73 1293.28ʃ1.4388.19ʃ3.1994.56ʃ1.294.53ʃ1.22 13100ʃ099ʃ0.5299.96ʃ0.08100ʃ0 OA93.31ʃ0.4790.08ʃ0.5893.73ʃ0.3693.72ʃ0.3583.68ʃ1.5176.29ʃ1.1982.79ʃ1.5482.66ʃ1.54 AA90.17ʃ0.5886.08ʃ0.8690.63ʃ0.5890.63ʃ0.5887.22ʃ0.6683.65ʃ0.5587.24ʃ0.5787.19ʃ0.59 K92.46ʃ0.5388.81ʃ0.6692.92ʃ0.4192.91ʃ0.3978.81ʃ1.8269.91ʃ1.377.77ʃ1.8477.61ʃ1.84 Train time/s1.34ʃ0.01 1.76ʃ0.03 1.02ʃ0.01 1.61ʃ0.02 Test time/s0.05ʃ00.06ʃ0 0.23ʃ00.56ʃ0表4㊀由MLP㊁RF和DS用不同数量的样本获得OA(%)Tab.4㊀OA(%)was obtained by MLP,RF and DS with different numbers of samplesIP KSC SV UPMLP54.4ʃ1.9791.21ʃ0.6287.01ʃ1.7679.67ʃ0.991RF52.17ʃ2.4387.77ʃ0.7785.51ʃ0.9372.64ʃ1.36DS56.41ʃ2.1791.79ʃ0.787.47ʃ1.4178.77ʃ1.22MLP56.63ʃ1.7992.05ʃ0.8387.96ʃ0.8681.55ʃ2.352RF53.56ʃ2.1589.06ʃ0.9585.84ʃ0.3573.84ʃ1.9DS58.46ʃ1.4692.4ʃ0.7588.27ʃ0.6280.64ʃ2.54MLP58.46ʃ2.2292.71ʃ0.788.82ʃ0.5882.1ʃ1.453RF55.19ʃ2.1489.4ʃ186.17ʃ0.7575.66ʃ1.7DS60.25ʃ1.8492.99ʃ0.5789.02ʃ0.4881.62ʃ1.29MLP59.85ʃ2.0393.31ʃ0.4788.48ʃ0.983.68ʃ1.514RF57.13ʃ1.2490.08ʃ0.5886.3ʃ0.6676.29ʃ1.19DS61.73ʃ1.893.73ʃ0.3688.79ʃ0.7782.79ʃ1.54MLP61.91ʃ1.9893.65ʃ0.4188.66ʃ1.1184.43ʃ0.975RF56.52ʃ2.0290.67ʃ0.4286.45ʃ0.9176.76ʃ1.45DS62.98ʃ1.6893.96ʃ0.3288.87ʃ0.8883.84ʃ0.7993第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类表5㊀不同训练数据百分比下,MLP㊁RF㊁DS获得OA(%)Tab.5㊀OA(%)obtained by MLP,RF and DS under different training data percentagesIP KSC SV UP MLP68.19ʃ1.2969.7ʃ2.0988.73ʃ0.7485.2ʃ1.25 1RF65.17ʃ0.8175.98ʃ1.5486.08ʃ0.5581.58ʃ0.86 DS69.23ʃ1.0676.16ʃ1.288.79ʃ0.6685.23ʃ1.18MLP73.00ʃ0.8984.68ʃ1.3590.66ʃ0.6591.06ʃ0.33 2RF68.17ʃ1.179.31ʃ1.5188.7ʃ0.3185.95ʃ0.29 DS74.39ʃ0.7484.47ʃ1.4891.06ʃ0.4891.11ʃ0.35MLP76.93ʃ0.786.79ʃ1.0291.4ʃ1.3792.59ʃ0.34 3RF71.27ʃ0.8582.9ʃ1.1791.89ʃ0.4187.91ʃ0.3 DS78.17ʃ0.7287.04ʃ1.4789.02ʃ0.4892.81ʃ0.35MLP78.69ʃ0.888.83ʃ0.6892.9ʃ0.2693.43ʃ0.26 4RF72.37ʃ0.6484.37ʃ0.989.83ʃ0.2289.27ʃ0.24 DS79.78ʃ0.7188.8ʃ0.4293.11ʃ0.1893.63ʃ0.23MLP80.49ʃ0.8289.68ʃ0.6193.27ʃ0.3693.75ʃ0.39 5RF73.3ʃ0.4485.66ʃ0.9990.01ʃ0.1989.86ʃ0.29 DS81.61ʃ0.6889.83ʃ0.6293.47ʃ0.2594.07ʃ0.243㊀结㊀论通过平衡数据集与非平衡数据集,验证了基于DS证据理论的光谱融合模型的泛化㊁有效性和鲁棒性㊂值得注意的是,与MLP和RF模型相比,DS融合模型提高各类目标的分类精度㊂同时该融合模型的分类精度提升不受数据集的均衡性的影响㊂尽管融合模型的提升性能是有限的,但是该融合模型可以在不增加训练与时间成本的前提下,提高分类的准确性与可靠性㊂参考文献:[1]㊀LANDGREBE D.Hyperspectral Image Data Analysis[J].IEEE Signal Processing Magazine,2002,19(1):17.[2]㊀BIOUCAS-DIAS J.M.,PLAZA A.,CAMPS-VALLSG.,et al.Hyperspectral Remote Sensing Data Analysisand Future Challenges[J].IEEE Geoscience and Re-mote Sensing Magazine.2013,1(2):6.[3]㊀汪泉,宋文龙,张怡卓,等.基于改进VGG16网络的机载高光谱针叶树种分类研究[J].森林工程,2021,37(3):79.WANG Quan,SONG Wenlong,ZHANG Yizhuo,et al.Based on Improved VGG16Conifer Airborne Hyperspec-tral Classification of Network Study[J].Forest engineer-ing,2021,37(3):79.[4]㊀ZHANG X.,SUN Y.,SHANG K.,et al.Crop Classifi-cation Based on Feature Band Set Construction and Ob-ject-Oriented Approach Using Hyperspectral Images[J].IEEE Journal of Selected Topics in Applied Earth Obser-vations and Remote Sensing,2016,9(9):4117. [5]㊀乔璐,陈立新,董诚明.基于高光谱遥感技术对土壤氮磷钾的估算[J].森林工程,2018,34(6):25.QIAO Lu,CHEN Lixin,DONG Chengming.Based onEstimates of Hyperspectral Remote Sensing Technology onSoil NPK[J].Forest Engineering,2018(6):25.[6]㊀UZKENT B.,RANGNEKAR A.,HOFFMAN M.J.,etal.Aerial Vehicle Tracking by Adaptive Fusion of Hyper-spectral Likelihood Maps[C]//2017IEEE Conferenceon Computer Vision and Pattern Recognition Workshops(CVPRW),2017:233.[7]㊀杨曦光,范文义,于颖.森林叶绿素含量的高光谱遥感估算模型的建立[J].森林工程,2010,26(2):8.04哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀YANG Xiguang,FAN Wenyi,YU Ying.Forest of Chlo-rophyll of Hyperspectral Remote Sensing Estimation Mod-el[J].Forest Engineering,2010,26(2):8. [8]㊀CARTER G.A.,LUKAS K.L.,BLOSSOM G.A..Re-mote Sensing and Mapping of Tamarisk Along the Colo-rado River,USA:A Comparative Use of Sum-mer-ac-quired Hyperion,Thematic Mapper and Quickbird Data[J].Remote Sens,2009,9(1):318.[9]㊀FAUVEL M.,TARABALKA Y.,BENEDIKTSSON J.A..Advances in Spectral-spatial Classification of Hyper-spectral Images[J].Proceeding of the IEEE,2013,101(3):652.[10]刘玉珍,朱珍珍,马飞.基于特征融合方法的高光谱图像分类综述[J].激光与光电子学进展,2021,58(4):44.LIU Yuzhen,ZHU Zhenzhen,MA Fei.HyperspectralImage Classification Based on Feature Fusion[J].Ad-vances in Laser and Optoelectronics,2019,58(4):44.[11]叶珍,白璘,何明一.高光谱图像空谱特征提取综述[J].中国图象图形学报,2021,26(8):1737.YE Zhen,BAI Lin,HE Mingyi.Review of Space Spec-trum Feature Extraction in Hyperspectral Images[J].Journal of Image and Graphics,2019,26(8):1737.[12]李秉璇,周冰,贺宣,等.针对高光谱图像的目标分类方法现状与展望[J].激光与红外,2020,50(3):259.LI Bingxuan,ZHOU Bing,HE Xuan,et al.Current Sit-uation and Prospect of Target Classification Methods forHyperspectral Images[J].Laser&Infrared,2020,50(3):259.[13]㊀ZHONG Z.,LI J.,LUO Z.,et al.Spectral-SpatialResidual Network for Hyperspectral Image Classifica-tion:A3-D Deep Learning Framework[J].IEEETransactions on Geoscience and Remote Sensing,2018,56(2):847.[14]㊀ROY S.K.,KRISHNA G.,DUBEY S.R.,et al.HybridSN:Exploring3-D-2-D CNN Feature Hierarchyfor Hyper-spectral Image Classification[J].IEEE Geo-science and Remote Sensing Letters,2020,17(2):277.[15]万亚玲,钟锡武,刘慧,等.卷积神经网络在高光谱图像分类中的应用综述[J].计算机工程与应用,2021,57(4):1.WAN Yaling,ZHONG Xiwu,LIU Hui,et al.Applica-tion of Convolutional Neural Networks in HyperspectralImage Classification[J].Computer Engineering and Ap-plications,2021,57(4):1.[16]㊀GAO H.,YANG Y.,LI C.,et al.Multiscale ResidualNetworkWith Mixed Depth wise Convolution for Hyper-spectral Image Classification[J].IEEE Transactions onGeoscience and Remote Sensing,2021,1(13):3396.[17]PAOLETTI M.,HAUT J.M.,PLAZA J.,et al.A NewDeep Convolutional Neural Network for Fast HyperspectralImage Classification[J].ISPRS Journal of Photogramme-try and Remote Sensing,2018,145:120. [18]叶珍,何明一.PCA与移动窗小波变换的高光谱决策融合分类[J].中国图象图形学报,2015,20(1):132.YE Zhen,HE Mingyi.Hyperspectral Decision FusionClassification by PCA and Moving Window WaveletTransform[J].Journal of Image and Graphics,2015,20(1):132.[19]崔颖,徐凯,陆忠军,等.主动学习策略融合算法在高光谱图像分类中的应用[J].通信学报,2018,39(4):91.CUI Ying,XU Kai,LU Zhongjun,et al.Application ofActive Learning Strategy Fusion Algorithm in Hyperspec-tral Image Classification[J].Journal of Communications,2018,39(4):91.[20]谭术魁,邹尚君,曾忠平,等.基于RF-MLP集成模型的耕地生态安全预警系统设计与应用[J].长江流域资源与环境,2022,31(2):436.TAN Shukui,ZOU Shangjun,ZENG Zhongping,et al.Design and Application of Cultivated Land Ecological Se-curity Early Warning System Based on RF-MLP Inte-grated Model[J].Resources and Environment in theYangtze Basin,2002,31(2):436.(编辑:温泽宇)14第4期李㊀昊等:基于DS证据理论的高光谱图像融合分类。
基于空间信息增强和深度信念网络的高光谱图像分类方法[发明专利]
![基于空间信息增强和深度信念网络的高光谱图像分类方法[发明专利]](https://img.taocdn.com/s3/m/5878fcda31126edb6e1a105d.png)
专利名称：基于空间信息增强和深度信念网络的高光谱图像分类方法
专利类型：发明专利
发明人：李娇娇,孙利平,李云松
申请号：CN201710227022.5
申请日：20170407
公开号：CN107145830A
公开日：
20170908
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于空间信息增强和深度信念网络的高光谱图像分类方法，主要解决现有技术对高光谱图像分类存在的精度提高不明显的问题，其技术方案为：1)对原始高光谱图像进行归一化和波段选择，得到反射率值在0到1之间的高光谱图像；2)通过波段分组和分组引导滤波对高光谱图像进行空间信息增强；3)针对空间信息增强后的高光谱图像特点构建深度信念网络模型；4)用空间信息增强后的高光谱图像进行模型的训练；用得到的模型对高光谱图像进行类别预测，得到分类结果。
本发明在不损失原始光谱信息的情况下有效增强了高光谱图像空间信息，明显提高了分类精度，可用于环境、气候、农业以及矿物探测。
申请人：西安电子科技大学
地址：710071 陕西省西安市雁塔区太白南路2号
国籍：CN
代理机构：陕西电子工业专利中心
更多信息请下载全文后查看。
基于归纳表示学习网络的光谱和空间图高光谱图像分类方法[发明专利]
![基于归纳表示学习网络的光谱和空间图高光谱图像分类方法[发明专利]](https://img.taocdn.com/s3/m/9d88b1a4f7ec4afe05a1df31.png)
专利名称：基于归纳表示学习网络的光谱和空间图高光谱图像分类方法
专利类型：发明专利
发明人：杨攀,同磊,禹晶,肖创柏
申请号：CN202110182141.X
申请日：20210209
公开号：CN112801028A
公开日：
20210514
专利内容由知识产权出版社提供
摘要：本发明公开了基于归纳表示学习网络的光谱和空间图高光谱图像分类方法，属于高光谱图像分类领域。
首先，根据高光谱图像的光谱‑空间信息，得到节点之间的距离，根据最近邻算法，进而得到节点的邻接关系。
之后将处理好的数据输入到设计好的GraphSAGE网络当中，进行训练，测试。
本发明主要是利用高光谱图像的光谱‑空间信息以及归纳式的学习方法GraphSAGE来进行高光谱图像分类。
从而解决GCN进行高光谱图像分类时面临的计算开销问题，并且分类结果有了极大的提升。
申请人：北京工业大学
地址：100124 北京市朝阳区平乐园100号
国籍：CN
代理机构：北京思海天达知识产权代理有限公司
代理人：沈波
更多信息请下载全文后查看。
高光谱图像分类算法的研究与实现
高光谱图像分类算法的研究与实现随着高光谱遥感技术的快速发展，获取高光谱数据集的难度越来越小，但如何从大量的光谱数据中提取有用的信息，成为研究者们所关注的重要问题。
分类作为高光谱图像应用的核心问题之一，属于监督学习的范畴，具有广泛的应用前景。
本文将介绍高光谱图像分类算法的研究现状和实现方法。
一、高光谱图像分类算法研究现状高光谱图像分类算法是从多光谱图像或全色图像中提取光谱信息以分类物体的遥感应用算法。
目前，高光谱图像分类算法主要有以下几种：1. 基于统计学习的分类算法统计学习是通过对大量实例进行学习和推断来构造模型，对观测数据进行分类或回归预测的方法。
在高光谱图像分类中，常用的统计学习算法包括KNN、SVM、决策树等。
这些算法快速高效，特别是在小样本分类中表现优秀，但是在对特征提取方法不足和噪声较多的情况下，分类精度有待提高。
2. 基于神经网络的分类算法神经网络是一种模拟人脑神经系统的学习算法，具有一定的自适应性，可增加模型的分析能力。
在高光谱图像分类中，常用的神经网络算法包括BP神经网络、SOM神经网络、CNN神经网络等。
这些算法具有极强的图像处理和模式匹配能力，但是需要大量样本，且模型复杂，训练速度较慢。
3. 基于深度学习的分类算法深度学习是近年兴起的一种基于神经网络的学习算法，包括卷积神经网络（CNN）、循环神经网络（RNN）等，具有很强的自适应性和泛化能力。
在高光谱图像分类中，深度学习算法具有很大的优势，目前在高光谱遥感分类领域有很多应用。
二、高光谱图像分类算法实现方法1. 特征提取特征提取是高光谱图像分类算法的重要环节。
目前，特征提取方法主要包括基础特征提取、频域特征提取、小波变换特征提取和稀疏表示特征提取等。
基础特征提取是最常用的方法之一，包括光谱信息和空间信息。
以光谱信息为例，可以采用平均值、标准差或者主成分分析等方法来提取基础特征。
空间信息可以通过纹理信息、梯度等方式来提供基础特征。
高光谱图像分类
《机器学习》课程项目报告高光谱图像分类——基于CNN和ELM学院信息工程学院专业电子与通信工程学号 2111603035学生姓名曹发贤同组学生陈惠明、陈涛硕士导师杨志景2016 年11 月一、项目意义与价值高光谱遥感技术起源于20 世纪80年代初，是在多光谱遥感技术基础之上发展起来的[1]。
高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。
随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21 世纪遥感技术领域重要的研究方向之一。
在将高光谱数据应用于各领域之前，必须进行必要的数据处理。
常用的数据处理技术方法包括：数据降维、目标检测、变化检测等。
其中，分类是遥感数据处理中比较重要的环节，分类结果不但直接提取了影像数据有效信息，可以直接运用于实际需求中，同时也是实现各种应用的前提，为后续应用提供有用的数据信息和技术支持，如为目标检测提供先验信息、为解混合提供端元信息等。
相对于多光谱遥感而言，由于高光谱遥感的波谱覆盖范围较宽，因此我们可以根据需要选择特定的波段来突显地物特征，从而能够精确地处理地物的光谱信[2]。
目前，许多国家开展大量的科研项目对高光谱遥感进行研究，研制出许多不同类型的成像光谱仪。
高光谱遥感正逐步从地面遥感发展到航空遥感和航天遥感，并在地图绘制、资源勘探、农作物监测、精细农业、海洋环境监测等领域发挥重要的作用。
高光谱遥感技术虽然是遥感领域的新技术，但是高光谱图像的分类一直制约着高光谱遥感的应用[3,4]，因此对其进行研究显得尤为重要。
高光谱遥感图像较高的光谱分辨率给传统的图像分类识别算法提出严峻的挑战。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于光谱-空间信息的高光谱图像分类
基于光谱-空间信息的高光谱图像分类
摘要：高光谱图像分类是一项重要的研究领域，其在农业、环境监测、遥感等领域都有着广泛的应用。
针对传统高光谱图像分类方法存在的问题，本文提出了一种基于光谱-空间信息
的高光谱图像分类方法。
该方法结合了光谱特征和空间特征，更准确地提取和表示图像中的信息，从而获得更好的分类结果。
通过实验证明，本文方法在高光谱图像分类任务上表现出了明显的优势。
一、引言
高光谱图像是在数个连续而狭窄的波段范围内获取的图像，相比于传统的RGB图像，高光谱图像包含了更加丰富的光谱信息。
因此，高光谱图像分类可以更准确地识别和分类不同对象。
然而，高光谱图像分类面临着很多挑战，如光谱纬度高维度、噪声干扰、数据不平衡等问题。
为了解决这些问题，我们提出了一种基于光谱-空间信息的高光谱图像分类方法。
二、方法
我们的方法主要包含以下几个步骤：特征提取、特征选择和分类器训练。
1. 特征提取
首先，我们对高光谱图像进行预处理，包括噪声去除、波段选择等。
然后，我们利用主成分分析（PCA）方法降低数据
的维度，从而减少光谱纬度的影响。
接着，我们提取图像的空间信息，使用纹理特征和结构特征来描述图像的空间布局。
最后，我们将光谱特征和空间特征进行融合，得到最终的特征表示。
2. 特征选择
由于高光谱图像的维度较高，特征选择是非常重要的。
我们采用相关系数法来评估特征的重要程度，并选择出对分类任务最相关的特征。
通过特征选择，可以减少特征冗余，提高分类器的性能。
3. 分类器训练
在分类器的选择上，我们采用支持向量机（SVM）作为分类器。
SVM具有在高维空间下进行分类的能力，并且可以有效处理数据不平衡问题。
我们使用已标记的训练样本来训练SVM 分类器，并利用交叉验证来评估分类器的性能。
三、实验与评估
我们在公开数据集上进行了实验，包括XXXXX等。
实验结果表明，与传统的高光谱图像分类方法相比，我们的方法在分类准确率、召回率和F1值等指标上都取得了显著的提高。
特别是在处理数据不平衡问题上，我们的方法表现出了较好的鲁棒性。
四、结论
本文提出了一种基于光谱-空间信息的高光谱图像分类方法。
该方法通过融合光谱特征和空间特征，更准确地提取和表示图像中的信息，进而提高了分类的准确性和鲁棒性。
实验证明，我们的方法在高光谱图像分类任务上具有很好的性能和应用前景。
未来，我们将进一步改进该方法，以适应更复杂的高光谱图像分类任务
综上所述，本文提出了一种基于光谱-空间信息的高光谱图像分类方法。
通过特征选择和支持向量机分类器的训练，我们有效地提高了分类任务的准确性和鲁棒性。
实验结果表明，
在公开数据集上，我们的方法在分类准确率、召回率和F1值等指标上均取得了显著的提高。
特别是在处理数据不平衡问题上，我们的方法表现出了较好的性能。
未来，我们将进一步改进该方法，以适应更复杂的高光谱图像分类任务。
综合而言，该方法具有很好的应用前景，可以在高光谱图像分类领域发挥重要作用。