基于相关系数的光谱匹配分类方法

基于相关系数的光谱匹配分类方法

高光谱遥感图像具有很高的光谱分辨率。通过获得地物目标的空间信息和光谱信息，我们可以观察到地物目标的诊断光谱特征，从而大大提高了地物目标的识别能力。光谱匹配分类是通过计算未标记像元与已标记样本的光谱曲线之间的相似性测度,比较两者之间的差异,选取差异最小的类别标签赋给未标记像元。一种相似性测度只对应于光谱曲线的一种特征,对于受多种因素影响的地物光谱曲线,不能充分体现其诊断性光谱特征,分类效果并不好。国内外专家针对该问题提出了组合不同类型的相似性测度用于光谱匹配分类,取得了较好的效果仅仅利用相似性测度作为光谱匹配分类的准则,忽略了地物像元与邻域像元之间的空间相关性,制约了分类精度的提高。为了进一步提高光谱匹配分类精度,将光谱特征与空间信息结合,组合欧氏距离测度和相关系数测度,构成欧氏距离-相关系数测度EDCC。加入空间乘子得到结合空间信息的欧氏距离-相关系数测度,在光谱匹配分类中引入了空间信息。利用两组高光谱影像进行实验验证,结果表明,相比于单一相似性测度及组合相似性测度,本文方法能够有效地提高光谱匹配分类精度。1光谱特性测试1.1欧氏距离-相关系数测度地物光谱往往受多种因素的影响,但一种相似性测度只对应于光谱曲线的一种特征,因此不能有效地区分地物目标的不同类别。本文组合对应光谱曲线幅度特征的欧氏距离测度和对应光谱曲线形状特征的相关系数测度,构成欧氏距离-相关系数测度。由于欧氏距离测度和相关系数测度计算公式中涉及较多的变量,统一设x和y为不同像元的n维光谱曲线,相应的第i波段的反射值为x相关系数测度可以表示为因此,欧氏距离-相关系数测度值越小,对应的光谱曲线相似度越大。1.2结合空间信息的欧氏距离-相关系数测度影像上相邻像元之间存在较强的相关性在计算像元与已标记样本之间的欧氏距离-相关系数测度时,同时计算以其为中心的3×3邻域内的其他像元与已标记样本之间的测度值。并将空间乘子作为邻域像元测度值和中心像元测度值的相关性系数,最终求得中心像元的结合空间信息的欧氏距离-相关系数测度值。设x如上所示,空间乘子s2分类准则选取实验采用两组高光谱影像———PaviaUniversity和Cuprite影像进行光谱匹配分类实验,分别以欧氏距离、相关系数、欧氏距离-相关系数测度和本文方法作为分类准则,比较利用不同测度得到的匹配分类结果的精度差异。2.1pawelle分类模型该影像数据由ROSIS成像光谱仪获取,成像区域为意大利帕维亚大学校园,影像光谱范围为0.43~0.86μm,大小为610像素×340像素,空间分辨率为1.3m。共有115个波段,去掉水汽吸收波段后余下103个波段作为实验数据。影像不同波段合成的彩色图像如图1(a)所示。通过目视判读以及对比分析,从该影像中选取9种典型地物进行分类实验。分别为柏油路面、草地、砂砾、树木、金属屋顶、裸土、沥青屋顶、砖块和阴影。针对每种地物类型采集的样本信息如表1所示,其分布如图1(b)所示。光谱匹配分类就是通过计算每个像元与各类别参考样本之间的相似性测度值,按照相应的聚类准则给每个像元赋以类别标签的过程。本实验中分别利用4种测度:欧氏距离测度、相关系数测度、欧氏距离-相关系数测度和结合空间信息的欧氏距离-相关系数测度(本文方法)进行光谱匹配分类。分类结果精度采用生产者精度、使用者精度、总体精度以及Kappa系数来评定。生产者精度指属于某一类别的测试样本,被正确分类的百分比;使用者精度指分类结果中各类别对应到样本数据时,真正为该类别的像元数的百分比。采用不同测度得到的分类结果精度如表2和表3所示。利用4种测度得到PaviaUniversity影像的光谱匹配分类结果如图2所示。通过精度对比及分类结果可以看出,本文方法用于光谱匹配分类,分类精度更高。由于引入了空间信息,分类结果图中同质区域内噪声点更少,地物边界更光滑。针对单一类别地物的分类精度,如图3所示。柏油路面和沥青屋顶的光谱曲线形状相似,距离接近,单独利用欧氏距离测度或者相关系数测度的分类精度较低;组合测度能够取得较好的分类精度。砂砾和砖块之间也存在光谱曲线形状相似,距离接近的情况,因此组合测度能够提高其分类精度。裸土的光谱曲线与草地、树木的光谱曲线形状相似,距离较远;同时,又在部分波段与柏油路面、沥青屋顶、砂砾以及砖块的光谱曲线距离较近。这种复杂的情况造成裸土在利用欧氏距离测度时分类精度较高,而利用其他测度时分类精度不高。2.2分类结果分析Cuprite影像数据由AVIRIS成像光谱仪获取,成像区域为美国内华达州Cuprite矿区,影像光谱范围为0.4~2.5μm,大小为320像素×500像素,共190个波段。影像不同波段合成的彩色图像如图4(a)所示。通过目视判读以及对比分析,从该影像中选取8种典型地物用于分类实验。分别为明矾石、水铵长石、高岭石、石英石、干盐湖、凝灰岩、地开石和伊利石。针对每种地物类型采集的样本信息如表4所示,其分布如图4(b)所示。与PaviaUniversity影像分类实验处理方法相同,分别利用欧氏距离测度、相关系数测度、欧氏距离-相关系数测度和本文方法4种测度对Cuprite影像进行光谱匹配分类。4种测度对应的分类结果精度如表5和表6所示。利用4种测度得到Cuprite影像的光谱匹配分类结果如图5所示。由于Cuprite影像属于矿区影像,不同矿物混合分布,相互影响,因此更需要利用空间信息进行分类。分类结果显示,利用本文算法进行光谱匹配分类效果更好,同质区域内噪声更少。针对单一类别地物的分类精度,如图6所示。其中明矾石、水铵长石和高岭石的光谱曲线形状相似,且距离较近,造成3种地物的分类精度较差。其他几种地物的光谱曲线均存在形状或距离上的差别,利用组合测度能够有效提高其分类精度。3基于空间乘子法的分类精度改进1)组合不同类型的相似性测度能够有效提高光谱匹配分类精度。组合对应光谱曲线距离特征的欧氏距离测度和对应光谱曲线形状特征的相关系数测度,构成欧氏距离-相关系数测度,能够综合考虑光谱曲线的距离和形状特征,改善多数地物的分类精度。2)结合空间信息的欧氏距离-相关系数测度,通过引入空间乘子,考虑了中心像元和邻域像元之间的相关性,在分类过程中增加了空间信息约束条件,能够有效减少分类结果中同质区域内的噪声点,地物边界更为光滑,在一定程度上提高了光谱匹配分类精度。3)由于相似性测度本身的局限性以及组合方式的不足,对于某些光谱曲线形状相似、