论文部分内容阅读
【摘要】：高光谱遥感具有高分辨率、光谱连续以及图谱合一等特点，有利于对地物进行定性、定量研究，但是高光谱影像同时也存在维数灾难、数据量大等缺点，这给高光谱遥感应用带来了不容忽视的问题。怎样高效的使用高光谱影像，更迅速地处理其数据成为了高光谱遥感应用及发展急需解决的问题。本文利用分类精度判断各种降维方法对地物分类产生的影响以及影响程度。首先验证分析了目前使用较多的几种分类方法，筛选出了适宜本类研究区的分类方法：结合地物波谱特征的支持向量机分类；然后，对高光谱影像进行降维处理并对原始影像和降维后影像进行分类；最后将经过降维处理的分类结果与原始影像的分类结果验证分析，发现基于相关系数的波段选择降维方法更有利于地物识别。
【关键词】：高光谱降维；地物波谱特征；支持向量机；精度评价
1 引 言
高光谱遥感是以高分辨率和包含光谱信息为特征的获取目标或景物的探测技术[1]。高光谱影像具有波段多，波段间具高度相关性，导致了信息冗余等特点[2]。因此，在应用其光谱数据之前对它进行信息的压缩 、选择和提取（即降维）十分有必要。
本文将地物波谱特征与支持向量机结合起来对影像进行分类（即首先利用光谱角制图法对影像进行分类，再将分类结果中较为准确地图斑作为支持向量机分类的训练区，最后得到分类结果）；其次将几种降维后的影像进行分类并与原始影像分类结果进行对比分析，进而确定影像降维之后是否有信息的损耗、损耗程度以及是否对地物分类区分有影响；最后将各个分类的精度结果比较分析，选出了利于地物识别的降维方法。
2 影像分类方法选择
2.1 研究区选择与数据预处理
本文研究区选择的是四川省绵阳市江油市马角坝镇。影像的采集仪器为HySpex VNIR-1024。并从采集到的影像中筛选出两组影像作为本次研究的实验组与验证组。并对两组影像进行平场域定标预处理，以消除大气和光照等因素对目标物体反射率的影响。
2.2 影像分类方法选择
高光谱图像分类是利用计算机通过对图像中的各类地物的光谱信息和空间信息进行分析，选择特征，将影像中的像元按照一定的规律判别成各种类别[3]。
本文对比分析了传统分类方法与结合地物波谱特征的支持向量机分类等几种方法的分类结果，发现将地物波谱特征与支持向量机结合起来对影像进行分类可以得到更为精确的分类结果。因此选择了相对来说分类结果最好的结合地物波谱特征的支持向量机分类方法进行影像的分类，进而评价各个降维方法。
3 高光谱影像降维实验
3.1 基于主成分分析的特征提取
主成分分析（Principal Component Analysis，PCA）是一种广泛使用的高光谱图像光谱特征提取降维方法[4]。
对高光谱影像进行主成分分析（PCA）降维处理，可以发现前6个主成分的累计贡献率已达到了99.52%，并且从第七个主成分开始每个主成分的特征值都不超過0.01，因此本次论文只选取前6个主成分进行分类。
3.2 基于独立主成分分析的特征提取
独立主成分分析（Independent Component Analysis，ICA）是指将多光谱或者高光谱遥感数据转换成相互独立的成分（去相关）[5，6]。
将已经获取的实验组和验证组高光谱影像进行独立主成分分析（ICA）降维处理，并选取前6个主成分进行分类。
3.3 基于最小噪声分离变换的特征提取
最小噪声分离变换（Minimum Noise Fraction ，MNF）是根据信噪比而不是相似与PCA将方差进行从大到小排列而成的分量[2]。
将实验组与验证组两组影像进行最小噪声分离变换（MNF）降维处理，可以发现前6个波段的累计贡献率已达到了60%左右，从第6个波段之后波段包含数据方差的累积百分比增长已经不明显；并且从第七个主成分开始每个波段特征值的增加都比较缓慢，因此本次论文只选取前6波段进行分类。
3.3 基于相关系数的波段选择方法
相关系数（Correlation Coefficient）是用来反映两个变量之间的相关程度的统计指标[2]。
本文统计分析分别计算两组影像中的108个波段间的相关系数，发现实验组中波段1—55具有高度相关性，选择出波段1作为分类的其中一个波段；波段58—108也具有高度相关性，则选择波段58；波段56、57则与波段间相关性有的高有的低，因此将两个波段都作为分类波段之一。验证组亦采取同样的处理方法及分析方法，选择出符合条件的波段。将选择出的波段进行基于支持向量机的监督分类。
3.4 结果评价
混淆矩阵是一种评估监督学习分类算法的准确性的工具。本文亦采用混淆矩阵的分类总精度、Kappa系数来进行验证分析，精度结果如表3。
根据以上精度评价结果，可以得出：影像经过四种降维方法处理，SVM分类得出的分类结果中基于相关系数的波段选择方法得出的分类精度最高，ICA分类精度次之，MNF再次，PCA最差。
为了验证对于此类高光谱影像来说基于相关系数的波段选择方法更有利于地物分类，本文又选择了验证组影像进行验证分析，见表4。
由上表可知，实验组与验证组影像得出的精度评价结论一致，证明此类影像采用基于相关系数的波段选择降维方法对于地物识别更为准确。
4 结 论
本文在基于高光谱数据含有地物波谱信息的优势下，比较分析了四种降维方法对地物识别的影响。发现了结合地物波谱信息的支持向量机分类是最适宜本研究区的分类方法；并且将进行过PCA、ICA、MNF和基于相关系数的波段选择降维处理的高光谱影像监督分类结果与原始影像的监督分类结果验证，可以发现四种降维方法的分类精度从大到小排序为：基于相关系数的波段选择>ICA>MNF>PCA。
参考文献：
[1]冯登超， 陈刚， 肖楷乐，等. 基于最小距离法的遥感图像分类[J]. 北华航天工业学院学报， 2012， 22（3）：1-2.
[2]李静. 高光谱遥感影像降维及分类方法研究[D]. 中南大学， 2012.
[3] 杨伟， 陈晋， 松下文经，等. 基于相关系数匹配的混合像元分解算法[J]. 遥感学报， 2008， 12（3）：454-461.
[4] 张燚. 基于相关向量机的高光谱图像分类算法研究[D]. 哈尔滨工程大学， 2012
[5]田野， 赵春晖， 季亚新. 主成分分析在高光谱遥感图像降维中的应用[J]. 哈尔滨师范大学自然科学学报， 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.
【关键词】：高光谱降维；地物波谱特征；支持向量机；精度评价
1 引 言
高光谱遥感是以高分辨率和包含光谱信息为特征的获取目标或景物的探测技术[1]。高光谱影像具有波段多，波段间具高度相关性，导致了信息冗余等特点[2]。因此，在应用其光谱数据之前对它进行信息的压缩 、选择和提取（即降维）十分有必要。
本文将地物波谱特征与支持向量机结合起来对影像进行分类（即首先利用光谱角制图法对影像进行分类，再将分类结果中较为准确地图斑作为支持向量机分类的训练区，最后得到分类结果）；其次将几种降维后的影像进行分类并与原始影像分类结果进行对比分析，进而确定影像降维之后是否有信息的损耗、损耗程度以及是否对地物分类区分有影响；最后将各个分类的精度结果比较分析，选出了利于地物识别的降维方法。
2 影像分类方法选择
2.1 研究区选择与数据预处理
本文研究区选择的是四川省绵阳市江油市马角坝镇。影像的采集仪器为HySpex VNIR-1024。并从采集到的影像中筛选出两组影像作为本次研究的实验组与验证组。并对两组影像进行平场域定标预处理，以消除大气和光照等因素对目标物体反射率的影响。
2.2 影像分类方法选择
高光谱图像分类是利用计算机通过对图像中的各类地物的光谱信息和空间信息进行分析，选择特征，将影像中的像元按照一定的规律判别成各种类别[3]。
本文对比分析了传统分类方法与结合地物波谱特征的支持向量机分类等几种方法的分类结果，发现将地物波谱特征与支持向量机结合起来对影像进行分类可以得到更为精确的分类结果。因此选择了相对来说分类结果最好的结合地物波谱特征的支持向量机分类方法进行影像的分类，进而评价各个降维方法。
3 高光谱影像降维实验
3.1 基于主成分分析的特征提取
主成分分析（Principal Component Analysis，PCA）是一种广泛使用的高光谱图像光谱特征提取降维方法[4]。
对高光谱影像进行主成分分析（PCA）降维处理，可以发现前6个主成分的累计贡献率已达到了99.52%，并且从第七个主成分开始每个主成分的特征值都不超過0.01，因此本次论文只选取前6个主成分进行分类。
3.2 基于独立主成分分析的特征提取
独立主成分分析（Independent Component Analysis，ICA）是指将多光谱或者高光谱遥感数据转换成相互独立的成分（去相关）[5，6]。
将已经获取的实验组和验证组高光谱影像进行独立主成分分析（ICA）降维处理，并选取前6个主成分进行分类。
3.3 基于最小噪声分离变换的特征提取
最小噪声分离变换（Minimum Noise Fraction ，MNF）是根据信噪比而不是相似与PCA将方差进行从大到小排列而成的分量[2]。
将实验组与验证组两组影像进行最小噪声分离变换（MNF）降维处理，可以发现前6个波段的累计贡献率已达到了60%左右，从第6个波段之后波段包含数据方差的累积百分比增长已经不明显；并且从第七个主成分开始每个波段特征值的增加都比较缓慢，因此本次论文只选取前6波段进行分类。
3.3 基于相关系数的波段选择方法
相关系数（Correlation Coefficient）是用来反映两个变量之间的相关程度的统计指标[2]。
本文统计分析分别计算两组影像中的108个波段间的相关系数，发现实验组中波段1—55具有高度相关性，选择出波段1作为分类的其中一个波段；波段58—108也具有高度相关性，则选择波段58；波段56、57则与波段间相关性有的高有的低，因此将两个波段都作为分类波段之一。验证组亦采取同样的处理方法及分析方法，选择出符合条件的波段。将选择出的波段进行基于支持向量机的监督分类。
3.4 结果评价
混淆矩阵是一种评估监督学习分类算法的准确性的工具。本文亦采用混淆矩阵的分类总精度、Kappa系数来进行验证分析，精度结果如表3。
根据以上精度评价结果，可以得出：影像经过四种降维方法处理，SVM分类得出的分类结果中基于相关系数的波段选择方法得出的分类精度最高，ICA分类精度次之，MNF再次，PCA最差。
为了验证对于此类高光谱影像来说基于相关系数的波段选择方法更有利于地物分类，本文又选择了验证组影像进行验证分析，见表4。
由上表可知，实验组与验证组影像得出的精度评价结论一致，证明此类影像采用基于相关系数的波段选择降维方法对于地物识别更为准确。
4 结 论
本文在基于高光谱数据含有地物波谱信息的优势下，比较分析了四种降维方法对地物识别的影响。发现了结合地物波谱信息的支持向量机分类是最适宜本研究区的分类方法；并且将进行过PCA、ICA、MNF和基于相关系数的波段选择降维处理的高光谱影像监督分类结果与原始影像的监督分类结果验证，可以发现四种降维方法的分类精度从大到小排序为：基于相关系数的波段选择>ICA>MNF>PCA。
参考文献：
[1]冯登超， 陈刚， 肖楷乐，等. 基于最小距离法的遥感图像分类[J]. 北华航天工业学院学报， 2012， 22（3）：1-2.
[2]李静. 高光谱遥感影像降维及分类方法研究[D]. 中南大学， 2012.
[3] 杨伟， 陈晋， 松下文经，等. 基于相关系数匹配的混合像元分解算法[J]. 遥感学报， 2008， 12（3）：454-461.
[4] 张燚. 基于相关向量机的高光谱图像分类算法研究[D]. 哈尔滨工程大学， 2012
[5]田野， 赵春晖， 季亚新. 主成分分析在高光谱遥感图像降维中的应用[J]. 哈尔滨师范大学自然科学学报， 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.