论文部分内容阅读
降维是高光谱影像应用中重要的预处理步骤,特别是在小样本情况下。本研究提出了一种名为超像素核主成分分析(superpixelwise kernel principal component analysis,SuperKPCA)的降维方法。它通过对经图像分割算法得到的各同质区域(超像素)执行核主成分分析(kernel principal component analysis,KPCA),能在利用超像素挖掘空间信息的同时,通过核方法处理高光谱影像中广泛存在的非线性特征。执行SuperKPCA需要选择合适的图像分割算法。熵率超像素分割(entropy rate superpixel segmentation,ERS)和简单线性迭代聚类(simple linear iterative clustering,SLIC)分别是基于图和基于梯度的图像分割算法中应用非常广泛的两种算法。因此,本研究详细对比了使用这两种图像分割算法执行SuperKPCA的效果差异。ERS和SLIC的输入影像均为灰度或RGB图,但高光谱影像通常包含数百个波段。因此,对于这两种分割算法,本研究亦对比了当分别使用由主成分分析(principal component analysis,PCA)、KPCA和最小噪声分数(minimum noise fraction,MNF)变换得到的第一主成分(它们包含的是高光谱影像不同的主要信息)作为分割基础影像时,所得降维结果的差异。ERS和SLIC都倾向于根据输入的超像素数量来形成对应数量的大小相似的超像素。为了更准确地捕获真实地表中不同大小的地物,本研究提出了基于多尺度分割的SuperKPCA(multiscale segmentation-based SuperKPCA,MSuperKPCA)。它首先基于不同数量的超像素(不同分割尺度)对高光谱图像进行多次分割,然后在每个分割尺度上执行SuperKPCA,最后使用多数投票策略融合各个尺度降维后的分类结果。由于经PCA、KPCA和MNF得到的第一主成分包含的是高光谱影像不同的主要信息,其多尺度降维和分类结果亦将不同,因此,本研究亦提出一种通过融合由不同基础影像得到的多尺度分类结果来改善分类表现的方法,并将其命名为3-MSuperKPCA。通过在三个公开的数据集:Indian Pines、Pavia University和Salinas上验证所提出的方法,得到了如下的结论:(1)由于超像素可以同时包含高光谱影像的空间和光谱信息,因此通过在每个超像素上执行KPCA,即可大大提高KPCA处理非线性特征的能力。对于三个公开数据集,由SuperKPCA得到的分类精度比标准KPCA能够高13.63%-74.36%。(2)选取合适的分割基础影像非常重要。当分别使用经PCA、KPCA和MNF后的第一主成分作为分割基础影像时,所得降维结果各不相同,且不同的高光谱影像对应不同的最优分割基础影像。并且,当基于最优的分割基础影像执行ERS时,对于Indian Pines、Pavia University和Salinas影像:相较于SuperPCA(以经PCA后的第一主成分作为分割基础影像,并在各超像素上执行PCA),使用SuperKPCA得到的分类精度能够提高0.06%-0.74%、3.88%-4.37%和0.39%-4.85%;使用多尺度分割能进一步改善分类表现,且相较于MSuperPCA(基于多尺度分割的SuperPCA),通过MSuperKPCA得到的分类精度能够提高0.66%-3.04%、1.26%-3.20%和0.29%-2.54%。这表明,所提出的基于SuperKPCA的降维方法能够比基于SuperPCA的降维方法具有更好的降维效果。并且,由于Pavia University的纹理特征最为复杂,成像过程中受到的各种非线性因素的影响也更大,因此,能更好处理非线性特征的SuperKPCA和MSuper KPCA对Pavia University分类精度的提高最为显著。由于SLIC分割结果的边界贴合度不如ERS,因此其降维效果亦不如ERS。在本实验条件下,ERS是获取超像素的更合适选择。(3)不同第一主成分包含的是高光谱影像不同的主要信息,因此,通过融合基于不同第一主成分得到的多尺度分割后的分类结果,通常可以进一步改善分类效果。且当融合前分类精度较低时,这种改善更为显著。对于Indian Pines、Pavia University和Salinas影像,与基于最合适的分割基础影像执行MSuperKPCA的表现相比:当使用ERS执行分割时,除了每个类别训练样本数量为20个像素时Pavia University的分类精度外,由3-MSuperKPCA得到的分类精度分别可以提高0.54%-2.68%、0.12%-1.10%和0.01%-0.08%;当使用SLIC执行分割时,使用3-MSuperKPCA得到分类精度分别可以提高0.50%-3.79%、0.63%-5.49%和0.15%-1.64%。