一种无监督高光谱图像分类算法

1、第13卷第6期 2008年6月中国图象图形学报Journal of Image and GraphicsV01.13,No.6 June,2008一种无监督高光谱图像分类算法余红伟h2 张艳宁2 袁和金2(西北工业大学理学院,西安7100722(西北工业大学计算机学院,西安710072摘要为了实现对无任何先验知识的高光谱遥感数据的全自动分类,提出了一种关于高光谱图像的无监督分类 算法。该算法将高光谱图像的凸面几何特征与光谱特征相结合,通过自动提取端元,并利用所提取的端元进行类 别识别来实现高光谱图像的自动分类。此算法的特点是原理简单、易于实现、适应性广,而且不需要任何辅助支持 和人工干预。实验

2、结果表明,该算法能够获得较好的分类效果。关键词 高光谱图像无监督分类 端元 凸面几何原理中图法分类号:TP751文献标识码:A 文章编号:1006-8961(200806-1123.05An Unsupervised Classification Algorithm for Hyperspectral ImagerySHE Hong.wel1”,ZHANG Yahning”,YUAN He-jin2”(School ofScience,Nonhwestern Polytechnical University,。Xi'an 710072”(School ofCompeer Science

3、,Nonhwes阳m Polytechnical University,Xi'an 710072Abstract In order to classify the data of Hyperspectral remotesensing images automaticallywithout prior knowledge,an unsupervised classification algorithm is presented based On the conception of convex geometry and spectral features in this paper.T

4、he endmembers are selected step by step during processing and each endmember can be identified as one class.The advantages of this algorithm are simple in theory,easy to accomplish,widely used,and withoutanymanual assistance. The experiment shows that the classifying result of this algorithm is sati

5、sfied.Keywords hyperspectral image,unsupervised classification,endmember,conception of convex geometry1引 言高光谱图像处理是一个新兴的研究领域,也是 当前图像处理的前沿。如何面对高光谱的海量数据 以及高维特点,将高光谱图像的各种特征相结合,研 究快速、高效的目标识别与分类算法是目前和未来 一段时间内高光谱图像处理研究的一个热点。 高光谱分类算法¨一。通常可以分为有监督的分 类算法和无监督的分类算法,其中前者是指对高光 谱图像上样本区内的地物类属已有先验知识,即已 经知道所对应的地物

6、类别的情况下,可以利用这些 样本类别的特征作为依据来判断非样本数据类别的 分类算法;而后者则是在不知待分类高光谱图像中 的地物种类的情况下,纯粹依靠不同光谱数据在统 计上的差别来进行分类的算法。常用的有监督分类 算法有光谱角填图法、二进制编码法、平行六面体方 法、最小距离法、最大似然法等;无监督的分类算法 有IsoData方法、KMeans方法等。除了上述传统的 分类方法外,还有一些新的分类方法,如各种神经网 络分类法、决策树分类法、支持向量机分类法和专家 系统分类法等。对高光谱图像的目标提取与分类的研究一般从 图像空间、光谱空间和特征空间等3个方面进行。 其中图像空间反映了地物的空间分布和变

7、化以及不 同地物之间的空间关系,但受空间分辨率的限制,一基金项目:航空基金项目(20060853010;教育部“优秀人才计划”项目(NCET-050866收稿日期:200609-05;改回日期:2007-0105第一作者简介:余红伟(1970一 。男。讲师。西北工业大学理学院博士研究生。主要研究方向为图像处理、算法分析与设计。已发表相 关论文数篇。E-mail:shehw中国图象图形学报 第13卷般很难直接从图像空间进行目标识别与分类;光谱 空间由图像中的各个像元的光谱曲线组成,其反映 了地物本身的物理属性,是用来进行地物类型识别 的主要依据;另外,高光谱图像在高维特征空间中还 有其独特的性质

8、,这也是高光谱数据处理研究的一 个重要方面。本文将高光谱图像的光谱特征与凸面几何特征 相结合,给出了一种高效的全自动分类算法。2光谱相似性度量光谱相似性度量用于描述两个像元光谱的相似 程度,由于不同地物可以通过其光谱的相似性来加 以区分,因此光谱相似性度量是高光谱图像分类、目 标识别的基础。常用的光谱相似性度量方法¨川有 以下几种:最小距离(欧氏距离、曼氏距离等、光谱 角(spectral angle,SA、光谱相关系数、信息散度 (spectral information divergence,SID等。本文采用光谱相关系数进行光谱相似性度量, 设X=(茗I,石2,石和Y=(Y。,

9、Y:,Y为两个 光谱向量,为波段数,则相关系数为片:(善j一刃(,;一歹 r:!一:j二二!一 警戒再i再焉 (1 其中,虿和歹分别为向量x和y的均值,8xr为Xl,的 协方差,6艇,6盱为x,y的标准差。3高光谱图像的凸面几何特性众所周知,高光谱图像的每个像元强度值是对 应地表物质光谱信号的综合,每种地物有着不同的 光谱响应特征,而每个像元仅用一个信号记录这些 不同成分。如果一个像元仅仅包含一种地物类型, 则该像元称为纯像元(pure pixel,也称为端元 (endmember。如果一个像元包含不止一种土地覆 盖类型,则称为混合像元(mixed pixel。通常情况 下,受空间分辨率的限制

10、,混合像元普遍存在于遥感 高光谱图像中¨。对混合像元进行解混的方法很多,例如:最tb-乘法、滤波向量法、独立成分分析法等。一般的解混 方法总是假设端元与混合像元之间满足线性模型 (式(2、式(3,即所有端元足i构成了高光谱图像 的一组线性无关的基向量詹。,R:,足n,图像中 的任意一个像元P均可以由这些端元线性组合 而成。P=aiR;+8(2 i=1口i=1,0口;1(3 i=l其中,口=(口,a:,口。是对应于像元P的比例系 数,也称为丰度。8为误差项。Boardman于1993年首先揭示了高光谱数据在 其特征空间呈现单形体的结构"1,进而引入了凸面 几何学的分析方法,其

11、基本思想是:高光谱图像中的 每个像元都是维光谱空间中的一个点(为高光 谱图像的波段数,在误差项占很小的情况下,满足 上述式(2、式(3的所有点的集合正好构成一个 nl维空间的凸集,而端元点则正好落在这个凸面 单形体的顶点上。图l给出了两个波段3个端元的几何关系,三 角形的顶点A、曰、C代表3个端元,除此之外,三角 形边上的点和内部点为混合像元。在高维情况下, 所有像元构成了一个凸面单形体,这样提取高光谱 图像的端元问题就可以转化为求单形体的顶点 问题。N岛鲻波段l图l 两个波段3个端元的几何关系图Fig.1The geometry relationship of threeend.memher

12、￥with two bands4端元提取技术及自动分类算法 4.1端元提取技术目前已经有很多自动提取端元的方法¨”121,但 是它们无法保证对各种数据源都具有有效性以及普 遍适用性,因此很难对上述方法进行优劣评价¨“, 另外,这些方法在提取端元的过程中都要进行复杂 的运算,从而使得算法的效率不高。第6期 佘红伟等:一种无监督高光谱图像分类算法因受地理环境、空间分辨率、大气条件等因素的 影响,有时很难保证高光谱数据中绝对纯像元的存 在,其往往找到的只是近似的端元,但是这对一般的 分类精度的要求来说,是完全可以满足的。利用高 光谱图像的凸面几何原理,本文给出了一种提取近 似端元

13、的算法,该算法的基本思想如下:如图1所示,对于式(2在无误差项占的理想 情况下有P=口lA+a2曰+口3C (4 口i<1,i=1,2,3口l+n2+口3=1由式(4可知,混合像元必落于端元所组成的 三角形内部,同理,所有像元的平均光谱向量也必 定位于三角形内部。另外,从图1可以看出,假定 P为平均光谱向量,则距离点P最远的一个像元 点必定是端元点,该理论还可以推广到高维空间 中。这样就可以采用高光谱图像的这种特性来提 取端元,其具体方法是先求出所有像元的平均光 谱向量,然后比较每个像元的光谱向量与平均光 谱向量的相似度,其中相似度最小的一个像元即 为找到的第1个端元,利用该端元就可进行

14、该类 别的识别,最后从图像中去掉已归类的像元,剩余 像元重复上述操作,直到最终剩余的像元可以近 似归为一类为止。4.2自动分类算法完整的高光谱图像自动分类算法步骤如下: (1计算所有未分类像元的平均光谱向量P¨ (i=1,2,分别表示第1,2,次计算;(2求各像元的光谱向量与平均光谱向量P“ 的相关系数r。,其中具有最小相关系数r曲的像元 Q¨即为得到的第i个端元;(3对每一个未分类像元,计算其与端元Q“ 的相关系数,并将所有满足rI>A。的像元与Q“ 一起归为新的一类;(4标记新识别出的像元类别,并将其从未分 类的像元中去除;(5重复步骤(1一(4,直到所求的最小相

15、关 系数大于阈值A:时,就可以认为所剩的所有像元近 似归为一类,算法结束。由于算法中两个阈值A,和A:的选择会影响分 类效果,因此这两个阈值要结合数据源的特点和采 用的相似性度量标准根据经验选择。一般情况下, 选择A。>A:,当A。选择较大值时,由于所分类别较 多,因此可能会出现将同一类地物分成不同种类;反 之,当A。选择较小值时,则可能会出现将不同地物 误分为同一类的情况;A:选择较小值时,分类可能 不彻底,A:选择较大值时,分类虽较细,但也可能会 出现将同一地物分成不同种类的情况。另外,对于 地物特征明显、容易区分的数据源,A.和A:可选择 较小值,以提高分类速度;而对于相似的地物类

16、型 (如植被的精细分类,A。和A:就应该选择较大值, 以便区分相近的类别。5实验结果及结论为验证本文算法的分类效果,选取了来自美国 加利福尼亚州莫菲特场(Moffett field的一幅 AVIRIS的224个波段(波长为4002500nm,像元 个数为512×614的高光谱图像进行了分类实验, 相关实验结果如下。图2是利用本算法提取出来的实验区的植被和 建筑物两个端元的光谱曲线。波长(am(a植被光谱曲线波长(衄(b建筑物光谱曲线图2植被和建筑物的光谱曲线Fig.2Spectral profile of vegetation and building中国图象图形学报 第13卷本文选

17、取的实验图像是一幅具有224个波段的 高光谱图像(图3(a,其不仅波段较多,同时地物 类型复杂,主要有植被、田地、建筑物、道路、水域、沼 泽地、裸土等地物类别。由图3实验结果可以看出, 在由ENVI软件提供的无监督聚类算法 KMeans的分类结果中有明显的误分现象;SAM方 法是一种经典的分类方法,但是该方法的缺点是需 要事先建立光谱数据库,本实验中的代表光谱是直 接用手工取自待分类的数据源,由于只选择了7种(a美幽加利倡尼哑州典菲特场(Moflettfield的幅 AVIRIS高匕谱数槲的50.37,17波段伪彩合成图 不同地物,所以只分了7类(图3(C。由于将所有 像元按最相似的方式归到所

18、指定的7类中,所以分 类结果和实际地物有一定的差别,但是总体分类效 果尚可;从图3(d可以看出,本文所给的无监督分 类算法可获得较好的分类效果。另外,本实验选取 的高光谱图像地物种类本身已经比较复杂,对于地 物分布规则,种类较少的高光谱数据,本算法能得到 更好的分类结果,限于篇幅,这里没有再给出其他的 实验结果图。(b基于ENVI软件的K.Means算法的分类结果(迭代次数为20次.分为25类(cSAM方法的分类±粜(,为7类,所采川的代表光 (d本算法的j,类结果(分23类 谱由源高光谱数据中手工提取图3高光谱数据的伪彩合成图及不同分类方法的分类结果Fig.3Artificial

19、color image of the original hyperspectraldata and the results of difierent methods本实验在CPU为P4-2.59,512M内存的计算机 上得到的3种方法的运行时间如表l所示。需要说 明的是,算法的运行时间不仅取决于算法和计算机 配置,而且还和待分类的数据源、选择的波段数有 关。由于本实验中选取了全部224个波段的数据, 而且地物类型复杂,所以算法耗时较多,在实际应用 中可以采取降维的方式来选取部分波段数据,以便 减少运行时间。表1不同方法运行时间(STab.1Running time(s高光谱图像的分类精度,主要

20、由以下3个因素 决定:(1源数据的质量;(2所采取的分类算法; (3用于地物识别的特征光谱或样本光谱。对于 第6期 余红伟等:一种无监督高光谱图像分类算法 1127有监督的分类算法,如经典的光谱角制图法,一般 是采用已有的光谱数据库中的典型地物光谱来进 行识别匹配,但是受不同数据源、大气条件等的影 响,即使对光谱数据库中的光谱进行了非常好的 归一化重建,仍然很难保证得到好的识别与分类 效果。对于无监督的分类算法,分类效果仅取决 于前两个因素,不需要辅助知识支持,但是,在事 先不知道数据源中有多少地物种类的情况下,无 监督分类往往会出现误分、错分现象。对于目前 逐渐应用于高光谱图像分类中的各种神

21、经网络分 类法、支持向量机分类法、基于专家系统的分类法 等方法存在的关键是样本的学习效率,而对于高 光谱图像的海量数据而言,如何更好地选择样本 和如何对高光谱数据进行降维,以便提高学习效 率是这些算法的关键。由此可见,快速、高效的无 监督分类算法仍然是今后一段时间内,高光谱图 像处理研究的一个重要课题。参考文献(References1Jia Xiuping,Richacds John A.Clusterspace representation for hypempeetraldata classificationJ. IEEE Transactions on Geoscience and Re

22、mote Sensing,2002。40(3:593598.2Melgani Farid,Bruzzone Lorenzo.Classification of hyperspectral remote sensing images with support vector machinesJ.IEEE Transactions on Geoseience and Remote Sensing.2004,42(8: 17781790.3Chang CheinI.Target signatureconstrainedmixed pixel classification for hyperspectr

23、al imageryJ.IEEE Transactions on Geoscience and Remote Sensing。2002,40(5:10651081.4GengXiurui,Zhang Xia,Chen Zhengchao,eta1.Classification algorithm based on spatiM continuity for Hyperspectral imageJ. Journal of Infrared and MiLlimeter Waves,2004。23(4:299302.耿修瑞,张霞.陈正超等.一种基于空间连续性的高光谱图象分 类方法J.红外与毫米波

24、学报,2004.23(4:299302.5Xiong Zhen.Tong Qing-xi.Zheng Lanfeng.High-rank artificial neural network algorithm for classification of hyperspectraimage data J.Journal of Image and Graphics,2000,5(3:196201.熊 祯.童庆禧,郑兰芬.用于高光谱遥感图像分类的一种高阶神经 网络算法J.中国图象图形学报,2000,5(3:196201. 6Xu Wei-dang.Classification and feature

25、 extraction for hypempectral ImageJ.Infrared(Monthly,2004.3(5:2834.许卫东.高 光谱遥感分类与提取技术J.红外(月刊。2004,3(5:2834. 7Du Pei-jun,Fang Tan,Tang Hong.et a1.Spectral features extraction in Hyperspectral RS data and its application to information processing J.Acta Photonica Sinica,2005,34(2:293298.8Foody G,Cox D.

26、Subpixel land cover composition estimation Using a linear mixing model and fuzzy membership functions【J. International Journal of Remote Sensing。1994,13(3:619631. 9Boardman J W.Automated spectral unmixing of AVIRIS data using convex geometry concepts:in summariesA.In:Proceedings of Fourth Jet Propul

27、sion Laboratory Airborne Geosience WorkshopC, Pasadena,CA。USA,1993.1:11一14.10Winter M E.NFINDR.An algorithm for fast autonomous spectral endmember determination in hyperspectral dataJ.Proceedings of SPIE,1999,3753:266275.11Plaza A,Martinez P,Rerez R,et a1.Spatial/spectral endmemberextractionby multi

28、dimensional morphological operationsJ.IEEE Transactions On Geoscience and Remow Sensing.2002.40(9: 20252041.12Lli Ounbo.Xiang Libin,Xue Bin,et a1.Endmember determinationinHyperspectral dataJ.Acts Photonica Sinica。2005,34(9: 13361339.吕群波,相里斌,薛彬等.高光谱图像中纯光谱提 取方法J.光子学报,2005,34(9:13361339.13Plaza A,MARti

29、ez P,Perez R,et a1. A quantitative and comparative analysisof endmember extractionalgorithmsfrom hyperspectral dataJ.IEEE Transactions on Geoscience andRemote Sensing.2004,42(3:650663.一种无监督高光谱图像分类算法 作者： 作者单位： 佘红伟， 张艳宁， 袁和金， SHE Hong-wei， ZHANG Yan-ning， YUAN He-jin 佘红伟,SHE Hong-wei(西北工业大学理学院,西安,7100

30、72;西北工业大学计算机学院,西安 ,710072， 张艳宁,袁和金,ZHANG Yan-ning,YUAN He-jin(西北工业大学计算机学院,西安 ,710072 中国图象图形学报 JOURNAL OF IMAGE AND GRAPHICS 2008，13(6 3次 刊名： 英文刊名： 年，卷(期： 被引用次数： 参考文献(13条 1.Jia Xiu-ping.Richacds John A Cluster-space representation for hyperspectral data classification 2002(03 2.Melgani Farid.Bruzzone

31、 Lorenzo Classification of hyperspeetral remote sensing images with support vector machines 2004(08 3.Chang Chein- Target signature-constrained mixed pixel classification for hyperspectral imagery 2002(05 4.耿修瑞.张霞.陈正超 一种基于空间连续性的高光谱图象分类方法期刊论文-红外与毫米波学报 2004(04 5.熊祯.童庆禧.郑兰芬 用于高光谱遥感图像分类的一种高阶神经网络算法期刊论文-中

32、国图象图形学报 2000(03 6.许卫东 高光谱遥感分类与提取技术期刊论文-红外 2004(05 7.Du Pei-jun.Fang Tao.Tang Hong Spectral features extraction in Hyperspectral RS data and its applieation to information processing期刊论文-Acta Photonica Sinica 2005(02 8.Foody G.Cox D Sub-pixel land cover composition estimation Using a linear mixing mo

33、del and fuzzy membership functions 1994(03 9.Boardman J W Automated spectral unmixing of AVIRIS data using convex geometry concepts:in summaries 1993 10.Winter M E N-FINDR.An algorithm for fast autonomous spectral end-member determination in hyperspectral data 1999 11.Plaza A.Martinez P.Rerez R Spat

34、ial/spectral endmember extraction by multidimensional morphological operatians 2002(09 12.吕群波.相里斌.薛彬 高光谱图像中纯光谱提取方法期刊论文-光子学报 2005(09 13.Plaza A.MARtiez P.Perez R A quantitative and comparative analysis of endmember extraction algorithms from hyperspectral data 2004(03 相似文献(4条 1.期刊论文 罗琴.田铮.LUO Qin.TIA

35、N Zheng 高光谱图像无监督分类的非线性特征提取器 -宇航学报2007,28(5 高光谱图像的数据维数高、数据量大、数据间高度冗余等特点给图像分类带来困难,为进行有效降维、提高分类精度,提出以曲线距离分析作为非线 性特征提取器、以独立分量分析的混合模型作为分类器的高光谱图像无监督分类的新方法.利用该方法对来自空载可见光/红外成像光谱仪的高光谱图像 进行无监督分类,用分类精度对分类效果进行评价.实验表明,用本文提出的方法得到的分类精度高于传统分类方法得到的分类精度,说明了CDA方法在高光 谱图像特征提取方面的有效性. 2.学位论文 杨希明 高光谱遥感图像分类方法研究 2007 光谱分辨率的提

36、高是光学遥感不断发展的趋势。高光谱分辨率(简称为高光谱遥感技术是过去二十年中人类在对地观测方面所取得的重大技术突破 之一，是当前遥感的前沿技术。由于高光谱所特有的高光谱分辨率的性质，其潜在的可应用性受到人们的广泛关注。分类是获取高光谱信息的一种重要 手段。目前硬分类方法较多，但分类效果不够理想或是方法本身有待提升；传统软分类方法由于在分离中无关类别的参与以及光谱分离模型本身的不足 导致光谱分离效果不够理想。 迭代自组数据分析(ISODATA算法是一种基于统计模式识别的非监督动态聚类划分算法，有较强的实用性。支持向量机(SVM算法，作为基于统计学 习理论的一种有良好推广性的高维非线性数据处理工具

37、，得到了广泛应用。它的核心是把样本非线性映射到高维特征空间，以结构风险最小化为归纳原 则，在高维空间中构造最优分类超平面。为此，本文以迭代自组数据分析算法和支持向量机为主要理论，对超谱图像硬、软分类及相关技术进行了研究 。 第一，阐述了高光谱遥感技术的概念，介绍了高光谱图像的特征模式并分析了高光谱图像数据的组成，阐述了硬分类、软分类以及监督无分类、无 监督分类的研究现状、评价准则和现存的技术问题，支持向量机基本理论等，为课题研究的展开奠定基础。 第二，介绍了模糊ISODATA算法的原理和实现步骤，结合高光谱遥感图像的特点，进行了高光谱遥感图像的分类，得到了理想的分类效果，并分析了 参数的选取将

38、对分类结果产生的影响。同时也采用硬分类的ISODATA算法，模糊C-均值算法对高光谱图像进行分类，并将结果与模糊ISODATA算法进行了 比较，试验结果表明，模糊ISODATA算法在分类精度的改进上性能优于以上二种算法。 第三，提出了一种二次分类的多类支持向量机，它解决了由于高光谱图像的数据量大和维数高的特点而存在的如何选择最佳惩罚因子和最优权向量 系数的问题，消除了进行大量的实验来确定惩罚因子的弊端。实验结果表明， 文中提出的二次分类方法的结果与1-a-1 SVM分类的混淆矩阵相比，之前混淆较严重的玉米大豆这两类在新方法中有了很大的改观，而且在选择惩 罚因子的速度上也有了很大程度的提高。 最后，研究了基于LSMM的无监督软分类方法和基于SVM的有监督软分类方法，以及基于非线性SVM的软分类方法。理论分析和对比实验结果表明，基 于LSMM的无监督软分类方法具有