高光谱分辨率

高光谱分辨率（精选2篇）

高光谱分辨率 篇1

0 引言

从20世纪90年代开始, 高光谱遥感已经成为国际遥感技术研究的热点问题[1,2,3]。它是在电磁波的红外、可见光、紫外区域 (波长通常在0.4~2.5m之间) , 利用光谱仪获取的连续光谱图像数据。高光谱遥感是遥感界的一场革命, 它使得本来在多光谱遥感中不可探测的物质, 在高光谱遥感中能够被探测。高光谱图像的连续波段宽度在10 nm之内, 因此具有足够的光谱分辨率, 这也是高光谱技术用于地物识别的基础。然而, 一方面, 由于高光谱图像具有精细的光谱分辨率, 其数据量巨大, 在地物识别等计算中耗时巨大。另一方面, 由于高光谱不同波段数据之间的高相关性, 去除冗余波段能够大大降低计算复杂度。因此, 选择不相关波段, 同时保持其判别能力, 成为重要的高光谱数据预处理步骤。

波段选择技术实际上就是在光谱维上做维度归约, 当前维度归约主要有两大类方法:特征抽取和特征选择。特征抽取通过线性变换将初始特征转换成少量变换特征。特征选择技术是从原始特征集合中选择合适的特征子集。特征抽取技术尽管能够取得更好的分类识别效果, 但会丢失数据点本身的一些内在信息, 因而不适合于高光谱数据处理。在高光谱数据处理领域, 已经应用了大量特征选择技术:Martínez[4]提出用互信息来描述波段图像之间的相似度并用层次聚类方法进行波段聚类。Chang[5]提出基于最大方差主成分分析 (Maximum-variance PCA) 的波段选择方法。Qian[6]提出基于AP (Affinity Propagation) 聚类技术的波段选择方法。Cheng[7]提出基于逻辑回归的波段选择方法。Li[8]提出基于稀疏非负矩阵分解的波段选择方法。He[9]提出基于最大筛选法的波段选择方法。

当前的波段选择技术没有考虑波段之间的非线性关系, 单纯把波段数据看成线性数据进行处理, 因而其性能仍有较大上升空间。本文提出引入谱聚类方法对波段数据进行聚类, 能够对任意形状的数据进行有效聚类, 在此基础上进行波段选择和地物分类识别。实验数据表明, 新方法减小了计算复杂度, 提高了地物分类识别的精度。

1 谱聚类波段选择

1.1 谱聚类

谱聚类是一种点对聚类方法, 能够对任意形状的数据进行最优划分[10,11]。近年来, 谱聚类在图像分割、网页检索以及生物信息学等领域得到广泛的应用。谱聚类算法以谱图理论为基础, 将数据看成一个无向带权图G= (V, E) , 其中V={v1, v2, …, vn}是顶点集合, E是边的集合。每条边E上都有一个权值wij, 代表顶点vi和vj的相似度。所有的相似度构成相似度矩阵 (或称为近邻矩阵) W={wij}1<=i, j<=n。在带权图和相似度矩阵的基础上, 为了实现聚类, 可以基于图论的最优划分理论将顶点集划分为互不相交的子集:A1, A2, …, Ak, 使得集合内部节点的相似度较高, 而集合之间节点的相似度较低。根据组合优化理论, 计算图划分准则的最优解是一个NP-hard问题, 因此通常采用连续松弛方法, 将该问题转化成求解相似度矩阵或者拉普拉斯矩阵的谱分解, 因而这种聚类方法称为谱聚类。谱聚类算法的计算过程如下所示:

1) 根据数据构造无向带权图G= (V, E) , 图中每个节点对应一个数据点, 将相似的点连接起来, 边上的权重代表数据点之间的相似度。所有相似度构成相似度矩阵W。

2) 将相似度矩阵W的每一列元素累加起来得到n个数{di}1in, 以这n个数为对角元素, 构成一个nn的矩阵D, 进而生成拉普拉斯矩阵L=D-W。

3) 求L的前k个特征值 (特征值从小到大排好序) 及其对应的特征向量。

4) 将k个特征向量排列在一起构成nk的矩阵, 每一行看成一个k维向量, 代表一个数据点, 得到n个数据点, 用K-means方法对这n个数据点进行聚类。聚类结果中每个数据点所属类别就是该数据点所对应原始数据点的类别。

谱聚类算法的伪代码如下[10]:

相对于其他聚类算法, 谱聚类算法的优势在于:

1) 谱聚类计算过程只需要数据的相似度矩阵。

2) 谱聚类用特征向量的元素来表示原来的数据, 抓住了主要矛盾, 忽略了次要的东西, 因此其性能比传统的K-means要好。

3) 谱聚类计算复杂度比K-means小, 尤其在高维数据上表现明显。

1.2 基于谱聚类的波段选择

如图1所示, 高光谱数据H是一个图像立方体, 有I, J, L三个维度, 其中I, J维分别对应二维空间的长和宽, L维对应光谱维, 代表高光谱图像的波段个数。某一波段的数据HlRIJ表示为一个图像的像素矩阵。某一点的观测向量Hi, jRL为该像素点的光谱曲线。在基于聚类的波段选择中, 把每个波段看成一个IJ维的数据点, 聚类算法将所有波段分成若干个子集, 子集中各个波段相似度高 (具有较强的相关性) , 从每个子集中挑选出一个波段代表该子集, 所有代表波段替代全波段参与高光谱应用, 如地物识别等。

为了应用谱聚类算法进行高光谱波段的聚类, 首先需要构建带权图G和相似度矩阵W={wij}。在此, wij用于描述波段i和波段j之间的相似度。现有的波段相似度测量方法有欧式距离测度、光谱角度测度、乘性相似度测度和加性相似度测度等。由于波段向量维度较高, 上述相似度测度方法不适合直接用于谱聚类算法。因此, 本文提出用KL散度来描述光谱向量之间的相似度。用qi (c) 代表光谱波段图像i的灰度值的直方图, c代表灰度。qi (c和qj (c) 分别代表光谱波段i和j的灰度直方图。则qi (c) 和qj (c) 的KL散度定义为

由于散度公式不对称, 而相似度矩阵为对称阵, 另外散度描述的是两者之间差异性, 因此把qi (c) 和qj (c) 之间的相似度定义为

显然, 如果i=j, 则wij (28) 1, 此时相似度最高。

基于以上定义, 基于谱聚类的波段选择方法如下:

1) 用KL散度公式计算波段之间的相似度, 得出相似度矩阵W;

2) 用谱聚类算法对波段进行聚类, 得出k个聚类;

3) 从每个聚类中随机抽取一个波段代表该类, 从而选择出k个波段。

1.3 时间复杂度分析

新方法的计算时间分为两大部分:预处理时间和地物分类识别时间。预处理时间又分为三部分:第一部分是计算各个波段直方图的时间, 复杂度为O (IJL) ;第二部分是计算相似度矩阵W的时间, 复杂度为O (L2C) , 其中C是灰度级;第三部分是谱聚类算法所花费的时间, 复杂度为O (Lkt) , 其中L是总波段数, t是迭代的次数, k是所选出的波段个数。一般来说, k<

2 实验

为了验证本文提出的基于谱聚类波段选择方法的效果, 以一个实际高光谱数据集为训练样本和测试样本。实验采用AVIRIS成像光谱仪与1992年8月20日获取的美国加利福尼亚州旧金山海湾南端的高光谱影像资料, 如图2所示。主要包括水体, 城市和植被等地物, 原始数据共有224个波段, 光谱分辨力约为10 nm, 本文采用的数据经过ATREM大气校正算法得到反射率数据, 图像大小为1 924pixels753 pixels。本实验选择4 368个训练样本和4 578个测试样本, 如表1所示。

为了验证谱聚类方法在高光谱图像地物识别中的性能, 与已有的三种波段选择算法进行比较:MVPCA[5], K-means和AP[6]。另外, 本文采用KNN和SVM两种分类器分别进行实验, 实验结果重复100次取平均值。其中K-means方法用K-means对波段数据进行聚类, 然后每个类中选择一个代表波段。新方法简称SC。实验结果如图3、图4所示。

图3、图4显示了KNN和SVM分类器的执行结果。为了显示所选波段数对分类正确率的影响, 实验中所选波段的范围为1~50。从图中可以看出, 基于SC的波段选择方法优于其他方法。图3、图4中all代表不使用波段选择技术, 所有的波段都参与进来进行分类识别, 此时, 分类正确率的取值与横坐标 (波段数) 无关, 画出该线是为了与其他几种算法的结果相比较。随着波段数的增加, 所选出的波段之间的相关性开始增加, 冗余波段 (相关度高于一定阈值的波段) 开始产生, 冗余波段往往会干扰其他波段的判别能力, 从而降低分类器的性能, 减少分类正确率, 随着波段数量持续增加, 冗余波段产生的效果将互相抵消, 所以用全波段数据进行分类识别, 仍然能够达到较高的正确率。从图中可以看出, 对于谱聚类波段选择算法而言, 9~20个波段的信息量最大, 判别能力最强, 取得了最好的分类正确率。

虚警率反映被判为正例的样本中, 有多少个是负例。漏警率反映有多少个正例被漏判了。本文地物识别是多类识别问题, 在总体上虚警率取值等于漏警率, 如一个水体样本点被判为植被, 则对于水体算漏警, 对于植被则算虚警。虚警率和漏警率如表2、表3所示。

从表2, 表3中可以看出, 新方法 (SC) 的虚警率和漏警率都相对较低, 说明新方法提高了地物识别的精度。

3 结论

基于高光谱图像波段数据非线性的性质, 引入谱聚类方法, 对波段数据进行聚类, 从每类中抽取一个代表波段, 实现了光谱维的维度归约。新方法克服了全波段数据计算量大的缺点, 相对于同类波段选择方法, 提高了地物识别的精度。

参考文献

[1]贾森.非监督的高光谱图像解混技术研究[D].杭州:浙江大学, 2007.JIA Sen.Unsupervised Hyperspectral Unmixing Theory and Techniques[D].Hangzhou:Zhejiang University, 2007.

[2]MELGANI F, BRUZZONE L.Classification of hyperspectral remote sensing images with support vector machines[J].IEEE Transactions on Geoscience and Remote Sensing (S0196-2892) , 2004, 42 (8) :1778-1790.

[3]薛庆生.星载高分辨力、大视场高光谱成像仪光学设计[J].光电工程, 2011, 38 (5) :16-29.XUE Qing-sheng.Optical Design of Spaceborne High Resolution Hyperspectral Images with Wide Field of View[J].Opto-Electronic Engineering, 2011, 38 (5) :16-29.

[4]MARTíNEZ-USóA, PLA F, SOTOCA J M, et al.Clustering-based hyperspectral band selection using information measures[J].IEEE Transactions on Geoscience and Remote Sensing (S0196-2892) , 2007, 45 (12) :4158-4171.

[5]CHEIN-I CHANG, QIAN DU, TZU-LUNG SUN, et al.A joint band prioritization and band-decorrelation approach to band selection for hyperspectral image classification[J].IEEE Transactions on Geoscience and Remote Sensing (S0196-2892) , 1999, 37 (6) :2631-2641.

[6]QIAN Y, YAO F, JIA S.Band selection for hyperspectral imagery using affinity propagation[J].IET Computer Vision (S1751-9632) , 2009, 3 (4) :213-222.

[7]CHENG Q, VARSHNEY P K, ARORA M K.Logistic regression for feature selection and soft classification of remote sensing data[J].IEEE Geoscience and Remote Sensing Letters (S1545-598X) , 2006, 3 (4) :491-494.

[8]LI Ji-ming, QIAN Yun-tao.Clustering-based hyperspectral band selection using sparse nonnegative matrix factorization[J].Journal of Zhejiang University-Science C (S1869-196X) , 2011, 12 (7) :542-549.

[9]何元磊, 刘代志, 易世华.一种新的高光谱图像波段选择方法[J].光电工程, 2010, 37 (9) :122-126.HE Yuan-lei, LIU Dai-zhi, YI Shi-hua.A New Band Selection Method for Hyperspectral Images[J].Opto-Electronic Engineering, 2010, 37 (9) :122-126.

[10]VON LUXBURG U.A tutorial on spectral clustering[J].Statistics and Computing (S0960-3174) , 2007, 17 (4) :395-416.

[11]吴锐, 尹芳, 唐降龙, 等.模糊逻辑和谱聚类的字符图像分割[J].哈尔滨工业大学学报, 2010, 42 (3) :268-276.WU Rui, YIN Fang, TANG Xiang-long, et al.Spectral clustering based text image segmentation using fuzzy logic[J].Journal of harbin institute of technology, 2010, 42 (3) :268-276.

高光谱分辨率 篇2

海冰高光谱辐射测量系统的设计及应用

摘要：海冰是地球气候系统中的关键要素之一,为此设计了用于测量海冰光学特性的海冰高光谱辐射测量系统,可实现3个通道的同时测量,设计了2种类型的光学探头,解决了探头水密性的问题,搭配L型支架实现冰下辐射的.现场测量.设计了双向反射率支架,搭配角度传感器可实现探头于任一角度位置对海冰双向反射率的测量.系统积分时间智能设定,实现了积分时间设定的最优化和自动化.解决了低温工作的难题.另外系统还集成了4个温度探头和1个全球定位系统GPS.通过在辽东湾附近海域对海冰的现场实验,验证了系统的可靠性及准确性. 作者： 杨跃忠[1]  许占堂[2]  孙兆华[2]  曹文熙[1]  卢桂新[1] Author： YANG Yue-zhong[1]  XU Zhan-tang[2]  SUN Zhao-hua[2]  CAO Wen-xi[1]  LU Gui-xin[1] 作者单位： 中国科学院南海海洋研究所热带海洋环境动力学重点实验室,广东,广州,510301中国科学院南海海洋研究所热带海洋环境动力学重点实验室,广东,广州,510301;中国科学院研究生院,北京,100049 期 刊： 光谱学与光谱分析   ISTICEISCIPKU Journal： SPECTROSCOPY AND SPECTRAL ANALYSIS 年，卷(期)： , 30(6) 分类号： P733 关键词： 光谱仪    光学探头    积分时间    透过率    机标分类号： TN9 TN2 机标关键词： 海冰    高光谱    辐射测量系统    设计及应用    Sea Ice    Application    双向反射率    温度探头    积分时间    全球定位系统    地球气候系统    角度传感器    智能设定    支架    现场实验    现场测量    同时测量    时间设定    角度位置    光学特性 基金项目： 国家自然科学基金，国家(863计划)探索性项目 海冰高光谱辐射测量系统的设计及应用[期刊论文]  光谱学与光谱分析 --2010, 30(6)杨跃忠  许占堂  孙兆华  曹文熙  卢桂新海冰是地球气候系统中的关键要素之一,为此设计了用于测量海冰光学特性的海冰高光谱辐射测量系统,可实现3个通道的同时测量,设计了2种类型的光学探头,解决了探头水密性的问题,搭配L型支架实现冰下辐射的现场测量.设计...