留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于SVM的高光谱遥感图像亚像元定位

王毅 李季

王毅, 李季. 基于SVM的高光谱遥感图像亚像元定位[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
引用本文: 王毅, 李季. 基于SVM的高光谱遥感图像亚像元定位[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
WANG Yi, LI Ji. Sub-pixel Mapping Based on SVM of Hyperspectral Remotely Sensed Imagery[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
Citation: WANG Yi, LI Ji. Sub-pixel Mapping Based on SVM of Hyperspectral Remotely Sensed Imagery[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443

基于SVM的高光谱遥感图像亚像元定位

doi: 10.13203/j.whugis20150443
基金项目: 

国家自然科学基金 No. 61271408

详细信息
    作者简介:

    王毅,博士,副教授,主要从事高光谱遥感影像信息分析与处理研究。cug.yi.wang@gmail.com

  • 中图分类号: P237

Sub-pixel Mapping Based on SVM of Hyperspectral Remotely Sensed Imagery

Funds: 

The National Natural Science Foundation of China No. 61271408

More Information
    Author Bio:

    WANG Yi, PhD, associate professor, specializes in hyper spectral remote sensing image information analysis and processing. E-mail: cug.yi.wang@gmail.com

图(1) / 表(1)
计量
  • 文章访问数:  1117
  • HTML全文浏览量:  20
  • PDF下载量:  486
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-04-20
  • 刊出日期:  2017-02-05

基于SVM的高光谱遥感图像亚像元定位

doi: 10.13203/j.whugis20150443
    基金项目:

    国家自然科学基金 No. 61271408

    作者简介:

    王毅,博士,副教授,主要从事高光谱遥感影像信息分析与处理研究。cug.yi.wang@gmail.com

  • 中图分类号: P237

摘要: 提出了基于支持向量机(support vector machine,SVM)的高光谱遥感图像亚像元定位方法。全变分(total variation,TV)模型是经典的保边缘平滑滤波器,本文将其引入作为预处理,来提高混合像元分解及亚像元定位的精度;本文方法在训练和检验样本的构建过程中,依据空间相关性理论,同时考虑了中心像元及其邻近像元丰度值对亚像元类别归属的影响;在监督分类训练和检验过程中,通过剔除纯净像元来缩减样本数量,在保证算法准确性的同时提高了效率。对真实高光谱遥感数据进行了实验,主观评价和定量分析验证了本文方法的有效性。

English Abstract

王毅, 李季. 基于SVM的高光谱遥感图像亚像元定位[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
引用本文: 王毅, 李季. 基于SVM的高光谱遥感图像亚像元定位[J]. 武汉大学学报 ● 信息科学版, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
WANG Yi, LI Ji. Sub-pixel Mapping Based on SVM of Hyperspectral Remotely Sensed Imagery[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
Citation: WANG Yi, LI Ji. Sub-pixel Mapping Based on SVM of Hyperspectral Remotely Sensed Imagery[J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 198-201. doi: 10.13203/j.whugis20150443
  • 混合像元普遍存在于遥感图像中,并且对解译带来了困难。传统分类技术会导致信息丢失,且分类精度难以满足要求。针对混合像元分解无法确定地物空间分布的问题,Atkinson提出了亚像元定位(sub-pixel mapping,SPM)技术[1]。国内外已有不少亚像元定位方法,Mertens提出了利用遗传算法对目标函数求解的亚像元定位方法[2];Aplin提出了基于像元分割的亚像元定位方法[3];Kasetkasem提出了基于马尔科夫随机场的亚像元定位算法[4];凌峰等在Atkinson像元交换理论基础上提出了基于元胞自动机模型的亚像元定位模型[5],并实现了湖水边界的亚像元定位[6];吴柯等人提出了正则化最大后验概率模型和模糊ARTMAP神经网络模型的亚像元定位方法[7, 8];钟燕飞等人提出了自适应的高光谱亚像元定位方法[9]

    亚像元定位技术经过了数十年的发展,依旧存在着一些目前难以解决的问题,如遥感影像的噪声干扰和算法效率低等。针对上述问题,本文提出了基于支持向量机(support vector machine,SVM)的高光谱遥感图像亚像元定位方法(SPM-SVM方法),采用全变分(total variation,TV)模型对真实遥感数据进行增强处理,能够有效提高混合像元分解以及亚像元定位方法的精度;通过剔除训练样本和检验样本中的纯净像元来缩减样本数量,从而保证算法准确性的同时提高其效率。

    • 遥感图像中存在着大量随机噪声,会导致混合像元分解结果产生误差,从而直接影响亚像元定位方法的准确性。传统去噪方法在去除噪声的同时容易破坏地物交界区域的混合像元,基于TV模型的去噪算法不但能够去除图像中干扰噪声,而且还有效地保留了图像的结构和边缘信息。该模型能够转化为能量泛函极小化问题,其对应的Euler-Lagrange方程为:

      $${{\partial E} \over {\partial u}} = - {\rm{div}}\left( {{{\nabla u} \over {\left| {\nabla u} \right|}}} \right) + \lambda \left( {f - u} \right) = 0,\lambda \ge 0$$ (1)

      式中,E表示能量;$f:\Omega \subset {R^2} \to {R^B}$表示波段数为B的原始高光谱图像;u是方程(1)的解;$\nabla $表示图像的梯度。

    • 步骤1 假设参考分类图中共有N类地物类别,将参考分类图分解为N幅二值图。对于第n(1≤nN)类地物而言,二值图中所有属于类别n的像素点其值为1,其他所有像素值为0。根据放大因子μ(μ=2,3,4,…),将N幅二值图分别进行降采样处理,并将其结果作为初始丰度图。再通过构建训练数据,将其中丰度为1或0的纯净像元剔除,训练得到SVM模型。据文献[10],本文采用简化训练样本的方式来提高算法效率;

      步骤2 评估SVM模型的分类准确率。若准确率不满足精度要求,则需重新调整SVM参数。本文采用径向基核函数(radial basis function,RBF),利用交叉验证的SVM参数寻优方法确定模型中γ和权重系数项参数C

      步骤3 对TV模型增强后的图像进行全约束线性混合像元分解。本文加入非负约束与和为1的条件,并对此线性模型进行最小二乘分解来得到分解结果[11]。根据分解结果将所有像元划分为纯净像元和混合像元,并剔除掉纯净像元,其中阈值设定为0.05;

      步骤4 对混合像元分解结果进行客观评价。若精度不满足要求则返回步骤3,通过重新设定TV模型的正则化参数和迭代次数,来满足精度要求。TV模型参数设定的基本原则是λ越大,迭代次数越多,图像越平滑,边缘细节相对较少。

      步骤5 将所有混合像元带入对应的SVM模型进行回归分析,纯净像元对应的亚像元直接赋值,得到亚像元定位结果,并进行精度评价。

    • 实验选取的是AVIRIS传感器的高光谱图像,拍摄区域位于美国加州的Salinas Valley,空间分辨率为3.7m,图像尺寸512×217像素,共有204波段。实验截取了该图像西北角的188×188像素大小的区域。本文选取传统SVM分类和基于反向传播(back propagation,BP)神经网络的亚像元定位方法进行比较。SVM分类方法是目前使用最为广泛的监督分类方法,该方法训练效率高且结构简单、稳定性好;基于BP神经网络的亚像元定位方法是目前最经典的亚像元定位方法,该方法具有较好的非线性拟合能力,训练精度稳定。为方便起见,SPM-BP表示基于BP神经网络的亚像元定位方法。采用各地物类别平均均方根误差(mean root-mean-square error,MRMSE)来客观评价亚像元定位方法的精度。

      将构建的检验样本带入SVM模型即可实现亚像元定位, 其实验结果如图 1所示。图 1(b)~图 1(d)分别表示剔除纯净像元前二种方法的亚像元定位实验结果;图 1(f)~图 1(h)则分别表示剔除纯净像元后的亚像元定位实验结果。图 1中Mask表示纯净元构成的“掩膜”,SVM-Mask、SPM-BP-Mask和SPM-SVM-Mask分别对应图 1(b)~图 1(d)使用该掩膜(即剔除纯净像元后)的实验结果。SVM和SPM-BP方法的实验结果中,未收获的耕地和已收获的耕地两个类别的边界都有错分或误分情况,而SPM-SVM方法的结果最接近真实分类图像。实验结果如表 1所示,SPM-SVM方法的MRMSE是最低的,总体精度和Kappa系数均高于其他两种方法。由此可见,SPM-SVM方法能够有效改善分类结果,分类精度优于传统SVM硬分类和SPM-BP方法。

      图  1  Salinas亚像元定位实验结果 (SPM-SVM:μ=3)

      Figure 1.  Sub-Pixel Mapping Result Using Salinas Dataset

      为了更进一步验证本文方法的有效性,再次进行了μ=2和μ=4的实验。HC和SPM的均方根误差、分类总体精度以及Kappa系数计算结果如表5所示。由表5得,无论放大因子μ取值如何,SPM方法的结果均优于HC方法;此外,SPM-SVM方法比SPM-BP方法更加有效。随着μ的增大,各种方法准确率均下降,且下降的速度随着μ的增大越来越快;当μ增大到一定程度时,SPM方法的精度将会快速下降,导致图像无法还原。

      表 1  亚像元定位结果平均均方根误差、总体精度、Kappa系数

      Table 1.  MRMSE,Overall Accuracy and Kappa Coefficient Performed by Different Methods

      放大因子方法MRMSE总体精度/%Kappa系数
      SVM0.082886.261 30.8201
      μ=2SPM-BP0.076388.532 30.8500
      SPM-SVM0.055394.144 10.9227
      SVM0.094 283.07060.777 0
      μ=3SPM-BP0.078387.875 40.8413
      SPM-SVM0.057693.787 50.9179
      SVM0.102079.76 730.7363
      μ=4SPM-BP0.095282.376 10.7702
      SPM-SVM0.066791.535 30.8885
    • 本文提出了基于SVM的高光谱遥感图像亚像元定位方法。首先引入TV增强模型来提高混合像元分解及亚像元定位的精度,在训练样本和检验样本的构建过程中,同时综合考虑了中心像元及其邻近像元丰度值对亚像元类别归属的影响。通过剔除纯净像元来缩减样本数量,在保证精度的同时提高了算法效率。实验结果表明,本文方法能够有效提高图像分类精度,比传统基于BP神经网络的亚像元定位方法具有更高的亚像元定位精度。

参考文献 (11)

目录

    /

    返回文章
    返回