一种优化的高光谱图像特征提取方法

马秀丹　吴子宾

（山东科技大学信息科学与工程学院，山东　青岛　266590）

一种优化的高光谱图像特征提取方法

马秀丹吴子宾

（山东科技大学信息科学与工程学院，山东青岛266590）

众所周知，特征提取方法在降低计算复杂度和增加高光谱图像分类精确度方面十分有效，针对此，提出了一种优化的图像融合和迭代率波的特征提取方法。首先，将高光谱图像分割成多个相邻波段的子集；然后，通过均值法把每个子集中的各个波段融合在一起；最后，对融合后的波段进行递归滤波处理，获得分类的特征信息。结果表明，该方法展示出较高的分类精确度。

高光谱图像；特征提取；图像融合；递归滤波

高光谱图像提供地物的大量光谱信息，基于此可以分辨出各种不同的风景。然而，如何高效地处理超过100个光谱维的高光谱图像一直是一个相当困难的课题。而且在上下文的监督分类方法中，高光谱图像的高维度会产生影响分类性能的“休斯现象”［1］。为了解决这一问题，特征提取技术被应用到高光谱图像分类领域。

特征提取作为一种有效的降低数据维数的方法。首先，通过一个线性变换将高光谱图像投射到另一个特征空间。然后，只保留重要的几个特征进行分类。不同类型的降维技术被提出，如主成分分析（PCA）和独立成分分析（ICA）。PCA方法能够保证在一些很少的主要特征中能够保留高光谱图像的大部分信息。但是，图像的光谱信息却没有得到充分利用。ICA方法能够保证转换的成分的独立性，但计算复杂度的爆炸增长问题一直没有得到较好的解决［2］。本文提出的特征提取方法的另一个优势是只是处理每个独立的像素，而不用考虑其空间上下文信息。

1　图像融合和域转换迭代滤波

1.1图像融合

图像融合可以对高光谱图像相邻的波段进行融合，达到图像降维的目的，由于图像相邻波段之间具有较强的相似性，通过图像融合也可以对图像进行去噪，提高图像的信噪比，充分利用图像的光谱信息增强图像的特征。

1.2域转换递归滤波

域转换就是把输入信号I转换到转换域Ωw中，计算每个像素的转换坐标ct（xm）。例如，在强边缘同侧的两个像素，有相近的坐标，而在不同侧的像素坐标相差较大。

用来计算信号I（x）域转换的函数ct（u）如下：

对域转换后的信号进行递归滤波处理如下：

递归滤波通过对强边缘不同侧的像素的坐标转换，高效利用图形的空间上下文信息。

2　算法流程

提出的特征提取方法包括以下4个步骤。

2.1波段分割（Band Partitioning）

将高光谱图像分割成高光谱波段的K个子集。第k个子集可以表示如下：

其中，x=（x1，x2，…，xD）∈RD×J代表原始高光谱图像是D维的特征向量和J个像素。

2.2图像融合（IF）

用均值法对第k个子集中相邻的波段进行融合，第k个融合的特征图像如下：

2.3递归滤波（RF）

对融合后的每个子集进行域转换递归滤波操作获得相应第k个特征如下：

其中，RF表示域转换递归滤波操作，δs和δr分别表示滤波器空间域和光谱域的标准差，O=（）O1，O2，…Ok∈RK×J是经过图像融合和递归滤波操作的特征。

2.4分类

用SVM分类器利用最终获得的特征对图像进行分类。

3　实验

本文所用的实验数据是通过机载可见/红外成像光谱仪传感器（AVIRIS）于1992年在美国印第安纳西北部的Indian Pines地区取得。高光谱图像由220个光谱波段145×145个像素组成，由16个地物类型组成，考虑到噪声及吸水率的影响，删除低信噪比、水汽吸收及传感器故障波段的20个波段。3个波段的合成图像和地物模型数据如图1所示。

图1　Indian Pines地区的AVIRIS数据（a）第17，27，50波段的合成图像（b）地物模型参考

实验中，本文提出的方法与两种比较流行的图像分类方法Support Vector Machine（SVM）与Edge-Preserving Filtering（EPF）作对比。

各种分类方法对图像的分类总体精度（OA）进行比较，m表示每个类的样本数量。每个实验做20次，结果取均值，见表1。

An Optimization Feature Extraction Method of Hyperspectral Images

Ma XiudanWu Zibin
（College of Information Science and Engineering，Shandong University of Science and Technology，Qingdao Shandong 266590）

As is well known，feature extraction methods to reduce the computational complexity and increase the hyperspectral image classification accuracy is very effective，based on this，this paper put forward a kind of image fusion and iterative optimization rate wave feature extraction method.First，hyperspectral image was divided into a plurality of adjacent band subset.Then，each sub band was fused together by means of the mean method；finally，after the fusion of the band for recursive filtering processing，the characteristics of the classification of information was obtained.The results showed that the proposed method showed higher classification accuracy.

hyperspectral image；feature extraction；image fusion；recursive filtering

表1　3种图像分类方法对Indian Pines数据集的分类精度（OA）比较

TP751

A

1003-5168（2016）05-0029-02

2016-04-24

马秀丹（1993-），女，硕士，研究方向：智能信息处理。

［1］Hughest，Gordon P.On the mean accuracy of statistical pattern recognizers［J］.IEEE Transactions on Information Theory-TIT，1968（1）：55-63.

［2］Kang Xudong，Li Shutao，Atli J.Spectral-Spatial Hyperspectral Image Classification With Edge-Preserving Filtering ［J］.IEEE Transactions on Geoscience and Remote Sensing，2014（5）：2666-2677.