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(qiáng)1，馮 靜2，王 宇 時(shí)間:2009年08月21日     字 體: 大 中 小        關(guān)鍵詞:        摘 要：? 關(guān)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(gè)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(zhì)的特征。? 光譜曲線的特征提取是一個(gè)降維過(guò)程，它建立在各個(gè)光譜波段間的重新組合和優(yōu)化的基礎(chǔ)上。在經(jīng)過(guò)特征提取后的光譜特征空間中，新的光譜特征矢量應(yīng)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(shù)對(duì)光譜曲線進(jìn)行特征提取。常用的光譜曲線參量化技術(shù)有：光譜斜率和坡向指數(shù)、光譜吸收指數(shù)、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(zhǎng)范圍內(nèi)的下覆面積，計(jì)算公式如下：式中，p(f)為光譜曲線，fi1，fi2為第i個(gè)特征分量積分范圍。因此，利用光譜積分進(jìn)行

3、特征提取首先要解決的問(wèn)題是光譜的波段分割，即確定n個(gè)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(shí)踐中，一種想當(dāng)然的做法是均勻地、首尾相接地分割整個(gè)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(chǔ)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(duì)光譜曲線p(f)乘以1個(gè)窗函數(shù)wi(f)，然后再做積分處理，得到第i個(gè)特征分量：因此，這里將積分范圍fi1，fi2選擇轉(zhuǎn)化為窗函數(shù)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(gè)波段圖像的像素值是相同區(qū)域地物對(duì)各個(gè)波段光的反射強(qiáng)度值，相鄰波段地物反射率是相近的，由

4、此產(chǎn)生了一定的相關(guān)性。設(shè)gk(x，y)代表第k個(gè)波段空間坐標(biāo)為(x，y)的像素灰度值，定義第k波段與第k+1個(gè)波段的相關(guān)系數(shù)為k，則：? 由于天氣的原因以及測(cè)量過(guò)程中會(huì)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(guān)性。由此，本文定義第k波段與前后相鄰波段相關(guān)系數(shù)的均值rk作為指標(biāo)進(jìn)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(shí)得到局部極小點(diǎn)，說(shuō)明這3個(gè)波段是受噪聲影響最嚴(yán)重的3個(gè)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(gè)波段，用于特征提取。2.2 窗函數(shù)設(shè)計(jì)? 如圖1所示的二維光譜曲線，本質(zhì)上是能量對(duì)頻率的函數(shù)。不同波段對(duì)應(yīng)了地物對(duì)不同發(fā)射頻率電磁波的響應(yīng)。借用子波變換多分辨率分析的思想，本文設(shè)計(jì)1組波段相互重疊的窗函數(shù)來(lái)提取光譜曲線特征。? 設(shè)中心頻率在0的窗函數(shù)為：以能量的3 dB衰減來(lái)定義w(f)的寬度b，當(dāng)能量衰減到窗函數(shù)在3 dB衰減處首尾相接，且能夠?qū)崿F(xiàn)動(dòng)態(tài)地、非均勻連續(xù)地劃分頻域，其中q為第i+1個(gè)窗函數(shù)與第i個(gè)窗函數(shù)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(shí)的窗函數(shù)曲線，圖中已經(jīng)將窗函數(shù)的橫坐標(biāo)f

6、轉(zhuǎn)換成波段序號(hào)，序號(hào)范圍為196。? 由圖4可以看出，隨著n和q的變化，實(shí)現(xiàn)了分析波段的非線性劃分。在實(shí)際特征提取過(guò)程中，總存在1個(gè)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(shí)驗(yàn)? 實(shí)驗(yàn)數(shù)據(jù)來(lái)源于中科院上海技術(shù)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(gè)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(duì)三類地物類型每一類取500個(gè)樣本點(diǎn)，共計(jì)1 500個(gè)樣本。在所有樣本中，等間隔地抽取的樣本作為訓(xùn)練樣本，其余作為測(cè)試樣本，然后用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行有監(jiān)

7、督分類實(shí)驗(yàn)。表1是參數(shù)n=5、q=1、1.5、2時(shí)的三類地物類型的正確識(shí)別率；表2是參數(shù)q=1.5，n=5、10、15時(shí)的地物類型的正確識(shí)別率。從表1、表2的結(jié)果可以看出，水體的識(shí)別率最高，植被的識(shí)別率最低。這是因?yàn)?，水體的光譜曲線相對(duì)比較穩(wěn)定，而植被樣本的類間距離相對(duì)較大。表1中，當(dāng)固定參數(shù)n=5，q取1.5時(shí)，3種地物類型的識(shí)別率均高于q等于1、2的情況，說(shuō)明q的最優(yōu)取值介于12之間。表2中，當(dāng)固定參數(shù)q=1.5，增大n值，3種地物類型的識(shí)別率略有提高，但n值增大，增加了分類器的復(fù)雜度，因此從實(shí)踐的角度考慮，n的合適取值應(yīng)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(shè)計(jì)了一組波段相互重疊的窗函數(shù)來(lái)提取光譜曲線特征；然后進(jìn)行有監(jiān)督RBF神經(jīng)網(wǎng)絡(luò)分類實(shí)驗(yàn)，在實(shí)驗(yàn)過(guò)程中確定了相關(guān)參數(shù)的取值范圍。實(shí)驗(yàn)結(jié)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(xiàn)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