地球信息科学学报 ›› 2020, Vol. 22 ›› Issue (8): 1642-1653.doi: 10.12082/dqxxkx.2020.190383
收稿日期:
2019-07-18
修回日期:
2019-11-27
出版日期:
2020-08-25
发布日期:
2020-10-25
通讯作者:
李奕燃
E-mail:liyu@lntu.edu.cn;939902034@qq.com
作者简介:
李 玉(1963— ),男,辽宁康平人,教授,博士生导师,主要从事遥感数据处理理论与应用基础研究,包括空间统计学、随机几何、模糊数学在遥感数据建模与分析方面的应用。E-mail:基金资助:
LI Yu1(), LI Yiran1,*(
), WANG Guanghui2, SHI Xue1
Received:
2019-07-18
Revised:
2019-11-27
Online:
2020-08-25
Published:
2020-10-25
Contact:
LI Yiran
E-mail:liyu@lntu.edu.cn;939902034@qq.com
Supported by:
摘要:
高光谱图像的众多波段为地物分类提供了充分的特征信息,同时也为如何有效利用这些特性带来难题。为了充分利用高光谱图像的光谱信息实现地物目标的精确分类,根据其像素光谱曲线所呈现出的多峰特性,提出一种基于加权指数函数模型(Weighted Exponential Function, WEF))的高光谱图像分类方法。首先,采用WEF建立像素光谱曲线的理想模型,其中WEF模型由多个具有不同权重的指数函数相加而成。由于该模型中参数较多,导致参数求解较为困难。因此,为简单起见固定所有像素WEF模型中的峰值位置,并将由所有峰值位置构建矢量集。然后,根据最小二乘原理求解WEF模型的参数,以拟合光谱曲线。利用求得的参数集代替光谱测度矢量作为像素特征。最后,采用模糊C均值(Fuzzy C-means, FCM)算法实现图像分类。为了验证提出方法的可行性和有效性,分别以提出的分类方法、基于主成分分析(Principal Component Analysis, PCA)的分类方法、基于最小噪声分离(Minimum Noise Fraction, MNF)的分类方法和以光谱测度矢量为分类特征的FCM方法对Salinas和PaviaU图像进行分类实验,并据此对实验结果进行定性和定量评价。在Salinas图像中提出的分类方法比其它方法的分类精度从51%提高到了60%,在PaviaU图像中分类精度从43%提高到了51%。此外,提出的分类方法在降低了高光谱图像数据量的同时,保留了高光谱图像丰富的光谱信息。
李玉, 李奕燃, 王光辉, 石雪. 基于加权指数函数模型的高光谱图像分类方法[J]. 地球信息科学学报, 2020, 22(8): 1642-1653.DOI:10.12082/dqxxkx.2020.190383
LI Yu, LI Yiran, WANG Guanghui, SHI Xue. A Hyperspectral Image Classification Algorithm based on the Weighted Exponential Function Model[J]. Journal of Geo-information Science, 2020, 22(8): 1642-1653.DOI:10.12082/dqxxkx.2020.190383
表2
Salinas的用户精度、产品精度、总体精度、Kappa系数和运行时间"
分类图像 | 精度/% | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | C10 | C11 | C12 | C13 | C14 | C15 | C16 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
未降维 | 用户精度 | 48.50 | 99.65 | 40.01 | 94.66 | 90.49 | 100 | 91.08 | 68.85 | 59.00 | 0 | 16.26 | 5.90 | 43.29 | 90.86 | 49.15 | 0.11 |
产品精度 | 99.75 | 38.30 | 69.03 | 99.21 | 90.96 | 94.47 | 58.20 | 43.89 | 61.45 | 0 | 4.96 | 11.00 | 99.02 | 88.22 | 38.22 | 0.39 | |
总体精度=51.91% Kappa值=0.4755 运行时间:21min | |||||||||||||||||
PCA降维 | 用户精度 | 48.50 | 99.65 | 40.01 | 94.66 | 90.46 | 100 | 91.08 | 68.87 | 58.81 | 0 | 16.26 | 5.71 | 43.29 | 90.86 | 49.14 | 0.11 |
产品精度 | 99.75 | 38.30 | 69.18 | 99.21 | 91.00 | 94.47 | 58.20 | 43.88 | 60.84 | 0 | 4.96 | 10.74 | 99.02 | 88.22 | 38.19 | 0.39 | |
总体精度=51.83% Kappa值=0.4747 运行时间:17min | |||||||||||||||||
MNF降维 | 用户精度 | 58.73 | 99.28 | 0 | 93.39 | 87.27 | 100 | 89.89 | 61.85 | 67.33 | 2.38 | 17.07 | 47.39 | 40.25 | 68.75 | 61.91 | 18.54 |
产品精度 | 99.65 | 59.37 | 0 | 99.35 | 84.47 | 92.12 | 98.10 | 30.85 | 51.10 | 3.69 | 83.90 | 95.23 | 98.47 | 86.36 | 37.52 | 41.06 | |
总体精度=55.08% Kappa值=0.5146 运行时间:18min | |||||||||||||||||
本文算法 | 用户精度 | 59.88 | 98.98 | 41.58 | 94.46 | 94.06 | 100 | 90.41 | 69.05 | 77.74 | 11.56 | 37.71 | 39.61 | 43.25 | 62.49 | 49.22 | 0.13 |
产品精度 | 99.40 | 60.06 | 60.88 | 99.07 | 83.35 | 94.14 | 97.15 | 40.11 | 88.59 | 0.70 | 74.25 | 38.76 | 99.02 | 86.26 | 41.48 | 0.50 | |
总体精度=60.39% Kappa值=0.5682 运行时间:15min |
表3
PaviaU的用户精度、产品精度、总体精度、Kappa系数和运行时间"
分类图像 | 精度/% | B1 | B2 | B3 | B4 | B5 | B6 | B7 | B8 | B9 |
---|---|---|---|---|---|---|---|---|---|---|
未降维 | 用户精度 | 79.73 | 87.26 | 0.07 | 44.94 | 25.15 | 20.70 | 0 | 34.62 | 29.97 |
产品精度 | 83.26 | 28.75 | 0.04 | 90.70 | 99.48 | 24.70 | 0 | 42.02 | 99.05 | |
总体精度=43.78% Kappa值=0.3515 运行时间:23 min | ||||||||||
PCA降维 | 用户精度 | 79.65 | 87.81 | 0.06 | 45.06 | 25.36 | 21.95 | 0 | 35.45 | 29.88 |
产品精度 | 83.40 | 28.62 | 0.04 | 90.73 | 99.48 | 26.23 | 0 | 42.53 | 99.05 | |
总体精度=43.97% Kappa值=0.3542 运行时间:19 min | ||||||||||
MNF降维 | 用户精度 | 84.23 | 76.79 | 21.29 | 41.42 | 6.45 | 28.00 | 0 | 44.69 | 99.27 |
产品精度 | 73.52 | 40.93 | 41.07 | 38.35 | 16.88 | 37.28 | 0 | 81.88 | 100 | |
总体精度=48.18% Kappa值=0.3769 运行时间:19 min | ||||||||||
本文算法 | 用户精度 | 79.12 | 78.50 | 9.60 | 48.14 | 89.69 | 29.48 | 0 | 47.73 | 98.64 |
产品精度 | 84.42 | 38.52 | 7.96 | 70.82 | 75.02 | 37.78 | 0 | 86.39 | 99.89 | |
总体精度=51.79% Kappa值=0.4229 运行时间:16 min |
[1] | 张号逵, 李映, 姜晔楠. 深度学习在高光谱图像分类领域的研究现状与展望[J]. 自动化学报, 2018,44(6):961-977. |
[ Zhang H K, Li Y, Jiang Y A. Deep learning for hyperspectral imagery classification: The state of the art and prospects[J]. Acta Automatica Sinica, 2018,44(6):961-977. ] | |
[2] |
程希萌, 沈占锋, 邢廷炎, 等. 基mRMR特征优选算法的多光谱遥感影像分类效率精度分析[J]. 地球信息科学学报, 2016,18(6):815-823.
doi: 10.3724/SP.J.1047.2016.00815 |
[ Cheng X M, Shen Z F, Xing T Y, et al. Efficiency and accuracy analysis of multispectral image classification based on mRMR feature selection method[J]. Journal of Geo-information Science, 2016,18(6):815-823. ] | |
[3] | 童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016,20(5):689-707. |
[ Tong Q X, Zhang B, Zhang L F. Current progress of hyperspectral remote sensing in China[J]. Journal of Remote Sensing, 2016,20(5):689-707. ] | |
[4] |
蔡悦, 苏红军, 李茜楠. 萤火虫算法优化的高光谱遥感影像极限学习机分类方法[J]. 地球信息科学学报, 2015,17(8):986-994.
doi: 10.3724/SP.J.1047.2015.00986 |
[ Cai Y, Su H J, Li Q N. An extreme learning machine optimized by firefly algorithm for hyperspectral image classification[J]. Journal of Geo-information Science, 2015,17(8):986-994. ] | |
[5] |
陈宏达, 普晗晔, 王斌, 等. 基于图像欧氏距离的高光谱图像流形降维算法[J]. 红外与毫米波学报, 2013,32(5):450-455.
doi: 10.3724/SP.J.1010.2013.00450 |
[ Chen H D, Pu H Y, Wang B, et al. Image euclidean distance-based manifold dimensionality reduction algorithm for hyperspectral imagery[J]. Journal of Infrared and Millimeter Waves, 2013,32(5):450-455. ] | |
[6] | 郭新蕾, 张立福, 吴太夏, 等. 成像光谱技术的古画隐藏信息提取[J]. 中国图象图形学报, 2017,22(10):1428-1435. |
[ Guo X L, Zhang L F, Wu T X, et al. Hidden information extraction from the ancient painting using hyperspectral imaging technology[J]. Journal of Image and Graphics, 2017,22(10):1428-1435. ] | |
[7] | 赵少华, 张峰, 王桥, 等. 高光谱遥感技术在国家环保领域中的应用[J]. 光谱学与光谱分析, 2013,33(12):3343-3348. |
[ Zhao S H, Zhang F, Wang Q, et al. Application of hyperspectral remote sensing technology in environmental protection[J]. Spectroscopy and Spectral Analysis, 2013,33(12):3343-3348. ] | |
[8] |
王晋年, 李志忠, 张立福, 等. “光谱地壳”计划——探索新一代矿产勘查技术[J]. 地球信息科学学报, 2012,14(3):344-351.
doi: 10.3724/SP.J.1047.2012.00344 |
[ Wang J N, Li Z Z, Zhang L F, et al. "Spectral crust" project: Research on new mineral exploration technology[J]. Journal of Geo-information Science, 2012,14(3):344-351. ] | |
[9] | 虞佳维, 程志庆, 张劲松, 等. 高光谱信息的农林植被种类区分[J]. 光谱学与光谱分析, 2018,38(12):3890-3896. |
[ Yu J W, Cheng Z Q, Zhang J S, et al. An approach to distinguishing between species of trees and crops based on hyperspectral information[J]. Spectroscopy and Spectral Analysis, 2018,38(12):3890-3896. ] | |
[10] | 汪大明, 肖晨超, 李志忠, 等. 高光谱遥感油气探测技术[J]. 地球科学(中国地质大学学报), 2015,40(8):1301-1309. |
[ Wang D M, Xiao C C, Li Z Z, et al. Hyperspectral remote sensing technology in oil and gas exploration[J]. Earth Science (Journal of China University of Geosciences), 2015,40(8):1301-1309. ] | |
[11] | 任广波, 过杰, 马毅, 等. 海面溢油无人机高光谱遥感检测与厚度估算方法[J]. 海洋学报, 2019,41(5):146-158. |
[ Ren G B, Guo J, Ma Y, et al. Oil spill detection and slick thickness measurement via UAV hyperspectral imaging[J]. Acta Oceanologica Sinica, 2019,41(5):146-158. ] | |
[12] | 罗素群, 郭宝峰, 沈宏海, 等. 一种定标缺失情况下的高光谱目标识别方法[J]. 火力与指挥控制, 2017,42(6):22-27. |
[ Luo S Q, Guo B F, Shen H H, et al. A hyperspectral target recognition method without calibration information[J]. Fire Control and Command Control, 2017,42(6):22-27. ] | |
[13] | 李竺强, 朱瑞飞, 高放, 等. 三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类[J]. 光学学报, 2018,38(8):404-413. |
[ Li Z Q, Zhu R F, Gao F, et al. Hyperspectral remote sensing image classification based on three dimensional convolution neural network combined with conditional random field optimization[J]. Acta Optica Sinica, 2018,38(8):404-413. ] | |
[14] |
李雪轲, 王晋年, 张立福, 等. 面向对象的航空高光谱图像混合分类方法[J]. 地球信息科学学报, 2014,16(6):941-948.
doi: 10.3724/SP.J.1047.2014.00941 |
[ Li X K, Wang J N, Zhang L F, et al. A hybrid of object-based and pixel-based classification method with airborne hyperspectral Imagery[J]. Journal of Geo-information Science, 2014,16(6):941-948. ] | |
[15] | 黄鸿, 郑新磊. 高光谱影像空-谱协同嵌入的地物分类算法[J]. 测绘学报, 2016,45(8):964-972. |
[ Huang H, Zheng X L. Hyperspectral image land cover classification algorithm based on spatial-spectral coordination embedding[J]. Acta Geodaetica et Cartographica Sinica, 2016,45(8):964-972. ] | |
[16] | 杜培军, 夏俊士, 薛朝辉, 等. 高光谱遥感影像分类研究进展[J]. 遥感学报, 2016,20(2):236-256. |
[ Du P J, Xia J S, Xue Z H, et al. Review of hyperspectral remote sensing image classification[J]. Journal of Remote Sensing, 2016,20(2):236-256. ] | |
[17] | 余铭, 魏立飞, 尹峰, 等. 基于条件随机场的高光谱遥感影像农作物精细分类[J]. 中国农业信息, 2018,30(3):1-9. |
[ Yu M, Wei L F, Yin F, et al. Hyperspectral remote sensing image crop fine classification based on conditional random field[J]. China Agriculture Information, 2018,30(3):1-9. ] | |
[18] | 王秀和. 利用K均值算法改进后的蚁群优化算法对高光谱图像聚类研究[J]. 科技通报, 2015,31(3):202-206. |
[ Wang X H. Ant colony optimization algorithm for hyperspectral image clustering based on k-means algorithm improved[J]. Bulletin of Science and Technology, 2015,31(3):202-206. ] | |
[19] | 纪磊, 张欣, 张丽梅. 基于空谱加权近邻的高光谱图像分类方法[J]. 激光与光电子学进展, 2020,57(6):061013. |
[ Ji L, Zhang X, Zhang L M. Hyperspectral image classification method based on space spectral weighted nearest neighbor[J]. Laser & Optoelectronics Progress, 2020,57(6):061013. ] | |
[20] | 臧卓, 林辉, 杨敏华. 利用PCA算法进行乔木树种高光谱数据降维与分类[J]. 测绘科学, 2014,39(2):146-149. |
[ Zang Z, Lin H, Yang M H. Dimensional reduction and classification of hyperspectral data for tree species using PCA algorithm[J]. Science of Surveying and Mapping, 2014,39(2):146-149. ] | |
[21] | 张磊, 邵振峰. 改进的OIF和SVM结合的高光谱遥感影像分类[J]. 测绘科学, 2014,39(11):114-117,66. |
[ Zhang L, Shao Z F. Hyperspectral remote sensing image classification based on improved OIF and SVM algorithm[J]. Science of Surveying and Mapping, 2014,39(11):114-117,66. ] | |
[22] | 张悦, 官云兰. 聚类与自适应波段选择结合的高光谱图像降维[J]. 遥感信息, 2018,33(2):66-70. |
[ Zhang Y, Guan Y L. Hyperspectral band reduction by combining clustering with adaptive band selection[J]. Remote Sensing Information, 2018,33(2):66-70. ] | |
[23] | Bezdek J C, Robert E, William F. FCM: The Fuzzy C-Means Clustering Algorithm[J]. Computers & Geosciences, 1984,10(2-3):191-203. |
[24] | 张莹彤, 肖青, 闻建光, 等. 地物波谱数据库建设进展及应用现状[J]. 遥感学报, 2017,21(1):12-26. |
[ Zhang Y T, Xiao Q, Wen J G, et al. Review on spectral libraries: Progress and application[J]. Journal of Remote Sensing, 2017,21(1):12-26. ] |
[1] | 蒲东川, 王桂周, 张兆明, 牛雪峰, 何国金, 龙腾飞, 尹然宇, 江威, 孙嘉悦. 基于独立成分分析和随机森林算法的城镇用地提取研究[J]. 地球信息科学学报, 2020, 22(8): 1597-1606. |
[2] | 罗耀文, 任周鹏, 葛咏, 韩李涛, 刘梦晓, 何亚文. 基于PCA-GWR方法的村级贫困时空格局及致贫因素分析[J]. 地球信息科学学报, 2020, 22(2): 231-245. |
[3] | 吴瑞娟, 何秀凤, 王静. 结合像元级与对象级的滨海湿地变化检测方法[J]. 地球信息科学学报, 2020, 22(10): 2078-2087. |
[4] | 陈炜, 黄慧萍, 田亦陈, 杜云艳. 基于Google Earth Engine平台的三江源地区生态 环境质量动态监测与分析[J]. 地球信息科学学报, 2019, 21(9): 1382-1391. |
[5] | 王法溧,何晓宇,方泽兴,魏显虎,叶虎平,施令飞. 基于长时间序列遥感数据的阿伯德尔国家公园 生态环境质量评价[J]. 地球信息科学学报, 2019, 21(9): 1479-1479. |
[6] | 吴志春, 叶发旺, 郭福生, 刘文恒, 李华亮, 杨羿. 主成分分析技术在遥感蚀变信息提取中的应用研究综述[J]. 地球信息科学学报, 2018, 20(11): 1644-1656. |
[7] | 林晓娟, 房世峰, 杜加强, 吴骅, 窦馨逸, 岳杙筱. 基于综合承载力的北京市适度人口研究[J]. 地球信息科学学报, 2017, 19(11): 1495-1503. |
[8] | 袁典, 陈军, 卿清涛, 邓国卫, 李玉婷. 最小二乘法估算Pearson-Ⅲ型分布参数的改进[J]. 地球信息科学学报, 2016, 18(9): 1167-1173. |
[9] | 乔星星, 冯美臣, 杨武德, 孙慧, 郭小丽, 史超超. 变换光谱数据对土壤氮素PLSR模型的影响研究[J]. 地球信息科学学报, 2016, 18(8): 1123-1132. |
[10] | 田斯妤, 黄晓霞, 李红旮, 汪昊, 李霞, 程鹏. 基于高斯曲线拟合-FFT方法的南海风场反演[J]. 地球信息科学学报, 2016, 18(11): 1544-1550. |
[11] | 王乾坤, 于信芳, 舒清态, 尚珂, 文可戈. MODIS EVI时序数据重建方法及拟合分析[J]. 地球信息科学学报, 2015, 17(6): 732-741. |
[12] | 孟樊, 杨晓梅, 周成虎. 一种以低秩矩阵重建的图像混合噪声去除算法[J]. 地球信息科学学报, 2015, 17(3): 344-352. |
[13] | 吴一全, 沈毅, 陶飞翔. 基于局部空间信息KFCM的遥感图像聚类算法[J]. 地球信息科学学报, 2014, 16(5): 769-775. |
[14] | 张璐, 施润和, 徐永明, 李龙, 高炜. 国产遥感传感器大气层外波段平均太阳光谱辐照度计算[J]. 地球信息科学学报, 2014, 16(4): 621-627. |
[15] | 王丽云, 李艳, 汪禹芹. 基于对象变化矢量分析的土地利用变化检测方法研究[J]. 地球信息科学学报, 2014, 16(2): 307-313. |
|