基于加窗光譜積分的高光譜遙感圖像特征提取

1、    基于加窗光譜積分的高光譜遙感圖像特征提取        鄒 強1，馮 靜2，王 宇 時間:2009年08月21日     字 體: 大 中 小        關鍵詞:        摘 要：? 關鍵詞： 高光譜遙感；光譜積分；特征提取?1 光譜曲線及其參量化? 圖1給出了

2、某一地物類型128個波段的光譜曲線，地物類型不同，各波段反射率也不同，因此，光譜曲線代表了高光譜遙感圖像最本質的特征。? 光譜曲線的特征提取是一個降維過程，它建立在各個光譜波段間的重新組合和優(yōu)化的基礎上。在經過特征提取后的光譜特征空間中，新的光譜特征矢量應該能夠反映特定地物類型的光譜參量。本文采用光譜曲線的參量化技術對光譜曲線進行特征提取。常用的光譜曲線參量化技術有：光譜斜率和坡向指數、光譜吸收指數、光譜二值編碼、光譜微分以及光譜積分等4。? 光譜積分就是求光譜曲線在某一波長范圍內的下覆面積，計算公式如下：式中，p(f)為光譜曲線，fi1，fi2為第i個特征分量積分范圍。因此，利用光譜積分進行

3、特征提取首先要解決的問題是光譜的波段分割，即確定n個特征分量的積分范圍fi1，fi2。波段分割方式直接影響到特征矢量的可分性。實踐中，一種想當然的做法是均勻地、首尾相接地分割整個波段范圍，然而這樣做并不能得到最佳特征矢量。本文在光譜積分的基礎上，提出了一種加窗光譜積分的高光譜遙感圖像特征提取算法。它對光譜曲線p(f)乘以1個窗函數wi(f)，然后再做積分處理，得到第i個特征分量：因此，這里將積分范圍fi1，fi2選擇轉化為窗函數wi(f)的選擇。2 加窗光譜積分特征提取2.1 波段選擇? 由于高光譜圖像的每個波段圖像的像素值是相同區(qū)域地物對各個波段光的反射強度值，相鄰波段地物反射率是相近的，由

4、此產生了一定的相關性。設gk(x，y)代表第k個波段空間坐標為(x，y)的像素灰度值，定義第k波段與第k+1個波段的相關系數為k，則：? 由于天氣的原因以及測量過程中會在一些波段引入噪聲，噪聲可以在一定程度上破壞相鄰波段的相關性。由此，本文定義第k波段與前后相鄰波段相關系數的均值rk作為指標進行波段選擇，以去除噪聲波段：? 如圖2所示，圖中橫線為rk的均值，曲線krk在k等于65、73、96時得到局部極小點，說明這3個波段是受噪聲影響最嚴重的3個波段。圖3是第65波段的圖像，可以看出，該波段圖像基本上是由噪聲組成，第73和第96波段也是如此，（為節(jié)省篇幅這里不予顯示）。本文以rk的均值為門限，

5、保留rk大于其均值(圖2中位于橫線上部)的那些波段，一共96個波段，用于特征提取。2.2 窗函數設計? 如圖1所示的二維光譜曲線，本質上是能量對頻率的函數。不同波段對應了地物對不同發(fā)射頻率電磁波的響應。借用子波變換多分辨率分析的思想，本文設計1組波段相互重疊的窗函數來提取光譜曲線特征。? 設中心頻率在0的窗函數為：以能量的3 dB衰減來定義w(f)的寬度b，當能量衰減到窗函數在3 dB衰減處首尾相接，且能夠實現(xiàn)動態(tài)地、非均勻連續(xù)地劃分頻域，其中q為第i+1個窗函數與第i個窗函數寬度之比。圖4(a)、(b)、(c)是n=5、帶寬比q依次等于1、1.5、2時的窗函數曲線，圖中已經將窗函數的橫坐標f

6、轉換成波段序號，序號范圍為196。? 由圖4可以看出，隨著n和q的變化，實現(xiàn)了分析波段的非線性劃分。在實際特征提取過程中，總存在1個n與q的最佳組合，使得特征矢量具有比較好的類別可分性。3 分類實驗? 實驗數據來源于中科院上海技術物理研究所研制的OMIS成像光譜儀獲取的江蘇太湖沿岸的高光譜圖像。光譜覆蓋范圍為0.4612.85 m，共128個波段，圖像大小為512×512，選取三類地物類型：水體、道路或建筑物、植被。? 為做定量分析，對三類地物類型每一類取500個樣本點，共計1 500個樣本。在所有樣本中，等間隔地抽取的樣本作為訓練樣本，其余作為測試樣本，然后用RBF神經網絡進行有監(jiān)

7、督分類實驗。表1是參數n=5、q=1、1.5、2時的三類地物類型的正確識別率；表2是參數q=1.5，n=5、10、15時的地物類型的正確識別率。從表1、表2的結果可以看出，水體的識別率最高，植被的識別率最低。這是因為，水體的光譜曲線相對比較穩(wěn)定，而植被樣本的類間距離相對較大。表1中，當固定參數n=5，q取1.5時，3種地物類型的識別率均高于q等于1、2的情況，說明q的最優(yōu)取值介于12之間。表2中，當固定參數q=1.5，增大n值，3種地物類型的識別率略有提高，但n值增大，增加了分類器的復雜度，因此從實踐的角度考慮，n的合適取值應該在510之間。? 本文提出了一種基于加窗光譜積分的高光譜遙感圖像特

8、征提取算法。該算法借用子波變換多分辨率分析的思想，設計了一組波段相互重疊的窗函數來提取光譜曲線特征；然后進行有監(jiān)督RBF神經網絡分類實驗，在實驗過程中確定了相關參數的取值范圍。實驗結果表明，本文提出的加窗光譜積分特征可以有效地描述光譜曲線，獲得了比較好的正確分類率。參考文獻1 WANG Cheng， MENENTI M， LI Zhao Liang. Modified principal component analysis for feature selection of hyperspectral imageryJ. IEEE International， 2003(6)：3781-3783.2 BENEDIKTSSON J A， SVEINSSON J R， KOLBEINN A. Classification and feature extraction of AVIRIS dataJ. IEEE Transaction on Geoscience and Remote Sensing，1995，33(5)：1194-1205.3 LI Jiang. Liner unmixing of hyperspectral signals via wavelet f