Print

发布时间: 2021-08-16
摘要点击次数:
全文下载次数:
DOI: 10.11834/jig.200743
2021 | Volume 26 | Number 8




    高光谱图像分类    




  <<上一篇 




  下一篇>> 




多尺度超像素分割和奇异谱分析的高光谱影像分类
expand article info 付航1,2, 孙根云1,2, 赵云华3, 潘兆杰1,2, 胡光4, 张爱竹1,2
1. 中国石油大学(华东)海洋与空间信息学院, 青岛 266580;
2. 青岛海洋国家实验室海洋矿产资源评价与探测技术功能实验室, 青岛 266071;
3. 青岛市勘察测绘研究院, 青岛 266032;
4. 武汉中测晟图遥感技术有限公司, 武汉 430223
收稿日期: 2020-11-28; 修回日期: 2021-04-22; 预印本日期: 2021-04-29
基金项目: 国家自然科学基金项目（41971292，41801275，41871270）；山东省自然科学基金项目（ZR2018BD007）；国家重点研发计划项目（2019YFE0126700）
作者简介: 付航, 1997年生, 男, 硕士研究生, 主要研究方向为高光谱影像处理。E-mail: hangf_upc@163.com
孙根云, 通信作者, 男, 教授, 主要研究方向为遥感图像处理、智能计算。E-mail: genyunsun@163.com
赵云华, 女, 高级工程师, 主要研究方向为地理信息应用。E-mail: zhyhsun@163.com
潘兆杰, 男, 硕士研究生, 主要研究方向为高光谱影像处理与智能计算。E-mail: panzhj99@163.com
胡光, 男, 工程师, 主要研究方向为遥感信息处理。E-mail: bright-hu@163.com
张爱竹, 女, 讲师, 主要研究方向为智能优化算法、环境遥感。E-mail: zhangaizhu789@163.com
*通信作者: 孙根云  genyunsun@163.com
中图法分类号: TP751
文献标识码: A
文章编号: 1006-8961(2021)08-1978-16

摘要

目的 高光谱影像（hyperspectral image，HSI）中“同物异谱，异物同谱”的现象普遍存在，使分类结果存在严重的椒盐噪声问题。HSI中的空间地物结构复杂多样，单一尺度的空间特征提取方法无法有效地表达地物类间差异和区分地物边界。有效解决光谱混淆和空间尺度问题是提高分类精度的关键。方法 结合多尺度超像素和奇异谱分析，提出一种新的高光谱影像分类方法，从而充分挖掘地物的局部空间特征和光谱特征，解决空间尺度和光谱混淆的问题，提高分类精度。利用多尺度超像素对影像进行分割，获取不同尺度的分割影像，同时在分割区域内进行均值滤波，减少类内的光谱差异，增强类间的光谱差异；对每个区域计算平均光谱向量，并利用奇异谱分析方法获取光谱的主要鉴别特征，同时消除噪声的影响；利用支持向量机对不同尺度超像素分割影像进行分类，并进行决策融合，得到最终的分类结果。结果 实验选取了两个标准高光谱数据集和一个真实数据集，结果表明，利用本文算法提取的光谱—空间特征进行分类，比直接在原始数据上进行分类分别提高约26.8%、9.2%和13%的精度；与先进的深度学习SSRN（spectral-spatial residual network）算法相比，本文算法在精度上分别提升约5.2%、0.7%和4%，并且运行时间仅为前者的18.3%、45.4%和62.1%，处理效率更高。此外，在训练样本有限的情况下，两个标准数据集的样本分别为1%和0.2%时，本文算法均能取得87%以上的分类精度。结论 针对高光谱影像分类中的难题，提出一种新的融合光谱和多尺度空间特征的HSI分类方法。实验结果表明，本文方法优于对比方法，可以产生更精细的分类结果。

关键词

高光谱影像分类; 超像素; 奇异谱分析(SSA); 决策融合; 支持向量机(SVM)

Combining multiscale superpixel segmentation and singular spectral analysis for hyperspectral image classification
expand article info Fu Hang1,2, Sun Genyun1,2, Zhao Yunhua3, Pan Zhaojie1,2, Hu Guang4, Zhang Aizhu1,2
1. College of Oceanography and Space Informatics, China University of Petroleum (East China), Qingdao 266580, China;
2. Laboratory for Marine Mineral Resources, Qingdao National Laboratory for Marine Science and Technology, Qingdao 266071, China;
3. Qingdao Surveying & Mapping Institute, Qingdao 266032, China;
4. Wuhan SunMap RS Techology Co., Ltd., Wuhan 430223, China
Supported by: National Natural Science Foundation of China (41971292, 41801275, 41871270);Natural Science Foundation of Shandong Province, China (ZR2018BD007);National Key Research and Development Program of China (2019YFE0126700)

Abstract

Objective Hyperspectral image (HSI) contains hundreds of spectral bands. The spectral signature of each image pixel acts as a finger print for identification of its material type. Thus, HSI with abundant spectral information is widely used in material recognition and land cover classification. However, the phenomenon of the same objects with dissimilar spectra and the different objects with similar spectra is common in HSI. Specifically, the same ground objects show different spectral curves due to the influence of the surrounding environment, diseases, insect pests, or radioactive substances. Meanwhile, two different features may show the same spectral characteristics in a certain spectral range. As a result, the single spectral information-based classification methods cannot achieve satisfactory ground object discrimination effects. This limitation leads to the salt and pepper noise in the classification maps. Given that HSI is originally 3D cube data, spatial characteristics are complementary to spectral information. The utilization of spatial features, such as shape, texture, and geometrical structures, can improve the land cover discrimination in the pixel-wise classification while reducing the classification noise. However, most spatial methods act on the regular shape or fixed size space area of HSI, which is obviously improper for the complex and diverse land covers. In other words, the region used for spatial feature extraction should adapt to the spatial structure of the image. Moreover, the single-scale feature extraction method in HSI classification cannot effectively express the differences among all land categories and distinguish the boundary of land covers. A multiscale approach appears to be a good solution. We aim to propose an effective classification framework that not only solves the abovementioned problems in HSI but also completes the classification task quickly and efficiently. Method A novel HSI feature extraction and classification method, which combines multiscale superpixel segmentation and singular spectrum analysis (MSP-SSA), is proposed in this study. This method can fuse the local spatial and spectral trend features of land objects. Three main steps are involved in the proposed method, namely, multiscale spatial segmentation, spectral feature extraction, and the use of a classifier-based decision fusion strategy. Superpixel segmentation can divide an image into local homogeneous regions with different sizes and shapes to improve the consistency of spatial structure information. However, a single segmentation scale cannot adequately express the land surface and distinguish the boundary of objects. In detail, too large scales lead to over-segmentation of the region. This condition hinders the full utilization of all samples in the homogeneous region. Meanwhile, too small scales lead to under-segmentation, which makes the samples come from multiple homogeneous regions. Therefore, the multiscale superpixel segmentation is performed in the first step to extract abundant spatial features of complex and various land objects. The first principal component image after principal component analysis is the basic image of segmentation to reduce the subsequent computation. A set of segmentation scales is defined on the basis of the number of benchmark superpixels. The mean filter is also used to further improve the spectral pixel similarity inside superpixels considering the inevitable existence of interference pixels, such as noise, inside the superpixel. Then, the singular spectrum analysis (SSA), named superpixel SSA, acts on each superpixel to extract spectral trend features. After the mean filter, the mean spectral vector is considered to replace the local spatial features of each superpixel. SSA can decompose the mean spectral vector into several sub-components, where each sub-component has the same size as the original vector. Useful information can be enhanced while noise or less representative signals can be effectively suppressed for improving classification accuracy by selecting sub-component(s) to reconstruct the spectral profile. Superpixel SSA acts on the mean spectral vector of each superpixel, and its processing efficiency is mainly affected by the number of superpixels, which significantly reduces the running time compared with the traditional SSA. Finally, a decision fusion strategy based on a classifier is adopted to obtain the final classification results. The support vector machine classifier is utilized to classify the superpixel feature images in different scales due to the robustness of the variation in data dimension. The majority voting decision fusion method is used to obtain the final classification results because of the different scales of the classification results. This method can reduce the probability of pixels being misclassified in a single scale and further improve the classification accuracy. Result We compare our method MSP-SSA with seven state-of-the-art spectral-spatial classification methods that include traditional approaches and deep learning methods on three public datasets, namely, Indian Pines, Pavia University, and 2018 IEEE GRSS Data Fusion Context(IEEE GRSS DFC 2018). The quantitative evaluation metrics include overall accuracy (OA), average accuracy (AA), kappa coefficient, and running time. The classification maps of each method are provided for comparison. The classification results show that MSP-SSA outperforms all other methods on three datasets, and the classification maps show that it can effectively eliminate the noise and preserve the object boundary. Compared with the original data, the features extracted by the proposed MSP-SSA can increase by around 21.9%, 8.6%, and 13.5% in terms of OA, nearly 21.6%, 10.3%, and 15.9% in terms of AA, and approximately 0.25, 0.12, and 0.19 in terms of kappa on Indian Pines (5% samples), Pavia University (1% samples), and IEEE GRSS DFC2018 (0.1% samples), respectively. Compared with the metrics of spectral-spatial residual network (SSRN) on three datasets, the OA of the proposed method increases by 2%, 2.3%, and 3.3%, the AA increases by 1.8%, 3.9%, and 7.2%, and the kappa increases by 2%, 2.3%, and 3.3%. The processing efficiency of our method is also higher than that of SSRN, and the running time is only 18.3%, 45.4%, and 62.1% of the latter. Moreover, the proposed method achieves a classification accuracy of over 87% on the Indian Pines and Pavia University datasets with a small number of training samples. Conclusion We propose an effective and efficient HSI classification method by integrating and combining several effective technologies. This method can fuse spectral and multiscale spatial features. Diverse experimental results also demonstrate that MSP-SSA outperforms several state-of-the-art approaches and can produce refined results in classification maps.

Key words

hyperspectral image classification; superpixel; singular spectrum analysis(SSA); decision fusion; support vector machines(SVM)

0 引言

高光谱影像(hyperspectral image, HSI)包含丰富的空间和光谱信息，拥有众多且连续的光谱波段数。影像的光谱曲线可看做不同地物材料的指纹，为地物识别和分类提供重要的鉴别信息。因此，高光谱影像广泛应用于精准农业(Fabiyi等，2020)、目标检测(Hashjin等，2019)、矿产探测(Tripathi和Govil，2019)以及环境监测(Moroni等，2013)等领域。

然而，高光谱影像的分类也存在较多问题。首先数据本身的维数过高、数据量大，并且由于光成像能量不足会导致影像存在严重噪声(Fang等，2012)。此外，影像分类中的标记训练样本通常有限，导致模型复杂度和样本数量不匹配(崔宾阁等，2019)，从而出现休斯现象(Hughes，1968)。为解决这些问题，研究人员提出一系列特征提取方法，使用变换后的特征代替原始数据进行分类。目前，很多基于光谱的特征提取技术已得到广泛使用，如主成分分析法(principal component analysis, PCA) (Licciardi等，2012)、线性判别分析法(linear discriminant analysis, LDA) (Bandos等，2009)以及基于流形学习(Bachmann等，2006)的方法等。奇异谱分析(singular spectrum analysis, SSA)(Golyandina和Zhigljavsky, 2013)作为一种有趣的时间序列分析技术，已成功应用于提取高光谱影像的光谱特征，并且能够分离光谱域噪声，取得了不错的分类效果(Zabalza等，2014)。然而，高光谱影像有限的空间分辨率、不可避免的噪声以及光谱混淆现象，导致上述光谱特征提取方法的精度不高，分类图中存在“椒盐噪声”现象。

研究者们考虑结合空间信息来增强地物差异，并提出一系列光谱—空间特征提取技术，以提高分类精度。例如，Shen和Jia(2011)将不同尺度和方向的Gabor纹理特征与光谱特征融合，共同用于高光谱影像分类，可以有效提升分类性能(Jia等，2015)。Li等人(2017)从多个主成分图像中提取基于局部均值分解和灰度共生矩阵(gray level concurrence matrix, GLCM)的纹理特征，并与光谱特征融合，很好地消除了样本误分类现象。Fauvel等人(2008)将扩展形态特征与原始高光谱丰富的光谱特征融合，提高了两种特征单独使用的分类精度。SSA的2维版本2D-SSA (Zabalza等，2015b)通过构造包含局部和整体空间信息的特征矩阵提取空间趋势分量特征，并与光谱特征提取方法PCA结合，得到空间和光谱的联合特征。然而，这些空间处理方法大多数作用于规则形状或固定大小的空间区域，对于形状复杂多样的地物显然是不合适的。也就是说，用于空间特征提取的区域应该与图像的空间结构相适应(Mori等，2004)。

超像素分割可以将图像划分为不同大小和形状的局部均质区域，提高空间结构信息的一致性，在遥感影像的目标检测(Yu等，2016)和分类(Fang等，2015；Li等，2016a)等领域均发挥了重要的作用。不过，超像素的分割效果受分割尺度准确性的影响较大(Zhang等，2017)。分割尺度过大导致区域过分割，无法充分利用同质区域的所有样本，太小会导致欠分割，使得样本来自多个同质区域。另外，在高光谱影像分类中，单一尺度特征无法有效表达地物类间差异，区分地物边界(王雷光等，2018)。

为此，基于超像素的多尺度特征提取方法相继提出，旨在使用不同尺度的空间特征弥补传统方法的不足。Li等人(2016b)提出一种多尺度超像素融合方法，显著提高了单一尺度的地物分类精度。Yu等人(2017)首先使用多尺度超像素提取空间特征，在此基础上进一步使用子空间投影技术提取光谱特征，充分利用了高光谱空间和光谱的相干性。Jiang等人(2018)将多尺度超像素与传统的PCA相结合，不仅能够利用多尺度空间局部特征，还能获取每个同构区域的低维特征，在降低计算复杂度的同时提高分类精度。然而，以投影变换获取的光谱特征，不能保证特征中的像素具有物理意义上的可解释性。也就是说，变换后的图像像素与场景反射率无关(Kang等，2015)。另外，在标记训练样本数量有限时，大多数的特征提取方法效率不高，并且分类精度有限。高效地挖掘地物的多尺度光谱—空间特征，是提高HSI分类精度的关键。

为了解决HSI分类中的光谱混淆和地物空间尺度问题，有效提取HSI的光谱—空间特征，本文提出一种融合多尺度超像素和SSA (multiscale superpixel SSA, MSP-SSA)的特征提取和分类算法，能够高效地完成分类任务。首先，使用多尺度超像素分割获取自适应的地物区域，在区域内进行均值滤波，使用平均光谱矢量代替该区域的光谱空间结构，增强地物类内相似度和类间差异；然后，在每个平均光谱向量上应用SSA，提取不同超像素的光谱特征，降低了传统SSA的处理时间；最后，将不同尺度的提取特征作为支持向量机(support vector machines, SVM)的输入，通过基于最大投票的决策融合获取最终的分类结果。

1 MSP-SSA算法原理

本文提出的MSP-SSA算法主要分为3个步骤：1)将熵超像素(entropy rate superpixel, ERS)作用于原始HSI的第一主成分图，生成多尺度的超像素分割图，通过均值滤波得到每个超像素的平均光谱向量；2)超像素SSA将SSA作用于每个超像素的平均光谱向量，提取主要的光谱鉴别特征；3)将不同尺度的特征图作为SVM的输入，并通过决策融合得到最终分类结果。具体流程如图 1所示。



图 1 多尺度超像素奇异谱分析(MSP-SSA)分类方法示意图
Fig. 1 Schematic of the proposed multiscale superpixel SSA(MSP-SSA) classification method

1.1 多尺度超像素分割

在高光谱影像中，地物区域的大小和形状是复杂多样的，因而选择合适的超像素分割尺度是极具挑战的。为充分表征不同地物的空间信息，本文采用了一种多尺度分割策略来解决上述问题。首先，PCA提取影像的第一主成分图像作为分割的基础图像，以降低后续的计算量。然后，将基础图像分割为($2C+1$)个尺度，每个尺度的超像素个数为$S_{c}$，即

$ {S_c} = {2^{c/2}} \times {S_f}, \;c = 0, \pm 1, \ldots, \pm C $ (1)

式中，$S_{f}$为基准超像素个数，通常根据经验设定。$S_{c}$满足1≤$S_{c}$≤$P$，$P$为高光谱影像总像素的个数。

根据得到的不同尺度下的超像素个数$S_{c}$，考虑到基于图论分割方法的广泛应用(Felzenszwalb和Huttenlocher，2004；Veksler等，2010)，选用熵率超像素(ERS)(Liu等，2014)方法进行分割。具体来讲，ERS首先将基准图像映射为一个图$\boldsymbol{G}= (\boldsymbol{V}, \boldsymbol{E})$，$\boldsymbol{V}$是图的顶点，代表像素向量，$\boldsymbol{E}$是图的边缘集合，表示相邻像素之间的相似性。在尺度$c$时，选择子边缘集$\boldsymbol{A}_{c}$使得图$\boldsymbol{G}$恰好包含$S_{c}$个离散的子图，每个子图代表一个超像素。然后，使用构造的熵率项函数$H_{c}$(·)和平衡项函数$B_{c}$ (·)得到目标函数，通过最优化目标函数来获得紧凑且均匀的$S_{c}$个超像素，目标函数为

$ \mathop {{\rm{max}}}\limits_{{\mathit{\boldsymbol{A}}_c}} \{ {H_c}({\mathit{\boldsymbol{A}}_c}) + \lambda {B_c}({\mathit{\boldsymbol{A}}_c})\} \;\;\;\;{\rm{s}}{\rm{.t}}{\rm{.}}\;{\mathit{\boldsymbol{A}}_c} \subseteq \mathit{\boldsymbol{E}} $ (2)

式中，$λ≥0$是平衡项函数的权重调节参数。根据Nemhauser等人(1978)所述，贪心算法可以有效解决式(2)中的优化问题。最后，通过基于稀疏表示的距离度量为每个超像素指定一个公共标签。

然而，不同分割尺度得到的超像素内部不可避免地存在诸多干扰像元，如噪声等。均值滤波(Liu等，2013)、引导滤波(He等，2013)和超像素内部加权平均(Fang等，2015)等方法可以提高超像素内光谱像素的相似性。本文主要使用简单快速的均值滤波，结合多尺度的超像素分割，区域内部的均值滤波可以显著增强地物类内相似度和类间差异。另外，平均光谱像素可作为每个超像素的代表特征，有利于提高后续分析的效率。

1.2 超像素SSA

传统的像素级SSA可以提取光谱特征，但是由于其作用于每个光谱像素，处理效率会随着影像尺寸的增加而降低，尽管Zabalza等人(2015a)提出了扩展的快速SSA (fast implementation of SSA，F-SSA)的方法，但仍需要作用于每个像素，并且分类提升十分有限。

为快速有效地发挥SSA的优势，本文提出一种超像素SSA方法来有效利用超像素的光谱特征，主要作用于不同尺度下每个超像素的平均光谱向量。对于给定尺度$c$下的任一平均光谱向量$\boldsymbol{I}^{(i)}_{c}=[p_{1}, p_{2}, …, p_{B}]∈{\bf{R}}^{B}，B$是高光谱数据的波段数，SSA定义一个1维窗口，窗口长度为$L (1 < L < B，K =B-L+1)$，将光谱向量嵌入得到轨迹矩阵$\boldsymbol{X}$，即

$ \mathit{\boldsymbol{X}} = \left({\begin{array}{*{20}{c}} {{p_1}}&{{p_2}}&{ \ldots }&{{p_K}}\\ {{p_2}}&{{p_3}}& \ldots &{{p_{K + 1}}}\\ {\rm{ }}&{}& \vdots &{}\\ {{p_L}}&{{p_{L + 1}}}& \ldots &{{p_B}} \end{array}} \right) $ (3)

该矩阵的列为长度为$L$的局部光谱向量，充分考虑了相邻光谱波段的相关性。然后对矩阵$\boldsymbol{X}$进行奇异值分解，得到不同子矩阵相加的形式，并且不同于矩阵包含不同的特征

$ \mathit{\boldsymbol{X}} = \sum\limits_{i = 1}^L {\sqrt {{\lambda _i}} {\mathit{\boldsymbol{U}}_i}{\mathit{\boldsymbol{V}}_i}} $ (4)

式中，$ \sqrt {{\lambda _i}} $称为矩阵$\boldsymbol{X}$的奇异值，矩阵$\boldsymbol{U}_{i}$和$\boldsymbol{V}_{i}$分别为$\boldsymbol{X}$的左奇异矩阵和右奇异矩阵。不同奇异值对应的子矩阵包含不同的光谱能量信息。根据Zabalza等人(2014, 2015a)的研究，最大奇异值对应的分量可以充分表示原始信号，因此选取最大奇异值对应的子矩阵来代替矩阵$\boldsymbol{X}$。最后，通过对角平均过程，将选取的子矩阵重新转化为长度为$B$的向量，即

$ {p'_n} = \left\{ {\begin{array}{*{20}{l}} {\frac{1}{n}\sum\limits_{k = 1}^n {{a_{j, n - k + 1}}} }&{1 \le n \le L}\\ {\frac{1}{L}\sum\limits_{k = 1}^L {{a_{j, n - k + 1}}} }&{L < n < K}\\ {\frac{1}{{B - n + 1}}\sum\limits_{k = n - K + 1}^L {{a_{j, n - k + 1}}} }&{K \le n \le B} \end{array}} \right.{\rm{ }} $ (5)

式中，$a_{ij}(1≤i≤L, 1≤j≤K)$为子矩阵中的所有元素，$p′_{n}(n=1, …, B)$为变换后的光谱向量中的各元素，其提取了原始光谱像素的主要特征并剔除了某些噪声成分，可以取代原有的光谱向量。另外，超像素SSA作用于每个超像素的平均光谱向量，其处理效率主要受超像素个数的影响，相比于传统SSA显著降低了运行时间。此外，超像素SSA主要作用于光谱方向，只是平滑了像素的光谱曲线却并未改变数据的维度，也就是说得到的每个尺度的特征维度与原有的高光谱数据维度相同。

1.3 影像分类及决策融合

经过有效的光谱—空间特征提取后，采用基于分类器的决策融合策略，来获得最终的分类结果。由于SVM分类器对数据维数的变化具有鲁棒性(刘帅和李琦，2016；Peng等，2015)，且本文方法未降低原有高光谱的维度，因此使用SVM分类器来抑制维数的问题并获取分类结果，为每个超像素赋予一个类别标签。

对于每个测试像素，其对应的($2C+1$)个特征会得到($2C+1$)个分类标签，这些类别标签可能是不同的。针对不同尺度的分类结果，可以通过决策融合的方式来提高分类准确性。为此，使用快速有效的最大投票(majority voting，MV) 决策融合方法来获取最终分类结果。该方法对后验概率的不准确估计不敏感，可得到任一测试像素$i$的最终标签

$ \begin{array}{l} {L^{(i)}} = {\rm{arg}}\;{\rm{max}}({L_1^{(i)}}, {L_2^{(i)}}, \ldots, {L_M^{(i)}}){\rm{ }}\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;i = 1, \ldots, P \end{array} $ (6)

式中，$L^{(i)}_{1}, L^{(i)}_{2}, …, L^{(i)}_{M}$表示像素$i$每类标签出现的次数，满足$\sum\limits_{j = 1}^M {L_{j}^{(i)}=2C+1} $，$M$为总类别数。最大投票可以降低单尺度情况下像素被错分的概率，进一步提高了分类精度。

2 实验与分析

2.1 实验数据及设置

实验主要使用了3个数据集，包括两个标准高光谱遥感影像Indian Pines和Pavia University数据，一个真实高光谱影像DFC2018数据，其详细信息如下：

1) 常用数据集。选用两个广泛用于高光谱影像分类算法验证的数据：Indian Pines和Pavia University。前者是由机载可见光/红外成像光谱仪(airborne visible infrareed imaging spectrometer, AVIRIS)获取的高光谱影像，覆盖美国印第安纳州西北部农业试验场。该影像的空间分辨率为20 m，光谱范围为400~2 500 nm，包含145×145像素和220个波段，在去除了20个水吸收严重的波段(104—108, 150—163, 200)后，保留剩余的200个波段。原始影像包含16种地物类型。Pavia University数据集是由反射光学系统成像光谱仪(reflective optics spectrographic imaging system, ROSIS-03)获取，主要覆盖意大利帕维亚大学的区域。其空间分辨率为1.3 m，具有103个大小为610×340像素的波段，光谱覆盖范围为430~860 nm。原始影像包含9种地物。

2) 竞赛数据集DFC2018。该数据集来自于2018年IEEE GRSS数据融合竞赛，由国家机载激光测绘中心(National Center for Airborne Laser Mapping，NCALM)传感器于2017年2月16日采集，主要覆盖休斯顿大学校园及其邻近地区上空。它的覆盖光谱范围为380~1 050 nm，包含48个大小为601×2 385像素的波段，空间分辨率为1 m。该影像包含20种地物。

本文涉及的使用SVM作为分类器的算法均在LIBSVM(library for support vector machines)库(Chang和Lin，2011)中通过高斯RBF(radial basis function)核函数来实现，并使用五倍交叉验证的寻优方法获取最优核函数参数。在分类过程中，为避免系统误差并减少随机误差，所有的实验独立进行10次；每次的训练和测试样本均为随机采样，且每次采样不重复，每类的采样比率相同。另外，为了定量地评价分类的结果，使用3个客观质量指标：总体精度(overall accuracy, OA)、平均精度(average accuracy, AA)、每类精度和Kappa系数进行评价。

2.2 超像素SSA的特征提取效果

超像素均值滤波后，光谱域噪声以及某些波段的严重空间噪声仍然存在。超像素SSA将传统SSA作用于每个超像素区域的平均光谱像素，可在集中了局部空间信息的光谱上提取完备的光谱特征，消除某些存在严重噪声波段的影响，增强不同地物的光谱差异。图 2给出了超像素SSA的特征提取效果。



图 2 超像素SSA的特征提取效果
Fig. 2 The feature extraction effect of superpixel SSA
((a) spectra curve; (b) severe noise bands; (c)different ground features)

高光谱影像的某些波段由于受严重噪声的影响，可能导致像素灰度值与相邻波段差异较大，在光谱曲线上表现为波峰或波谷，如图 2(b)中遭受严重噪声的波段1和波段75，分别对应曲线中的波谷和波峰。根据图 2(a)可知，超像素SSA(红色和绿色虚线)能够通过有效提取光谱趋势特征，平滑平均光谱曲线(蓝色实线)中的波峰和波谷，消除潜在遭受严重噪声波段的影响。其中，窗口$L$可以影响SSA光谱趋势的提取程度，即较小的$L$可以保留更多的光谱细节特征，较大的$L$平滑效果更强。合适的$L$可以在降低严重噪声波段影响的同时，最大限度地保留光谱的差异特征，将有用信息的丢失降到最低。

对于遭受严重噪声的波段图像，图 2(b)给出超像素均值和超像素SSA的去噪效果对比图。超像素均值处理可消除局部区域的点状噪声，但是在较大区域的噪声干扰下(如波段1图像底部，波段75的深色噪声区)，无法完全消除噪声，只能将包含严重噪声的区域进行简单平滑，不能有效地突出干扰区域覆盖下的地物差异；对比之下，超像素SSA具有很好的抗干扰性能，可以保留地物形状的基本轮廓，消除大区域噪声的影响，突出不同地物差异。此外，超像素SSA可以有效利用不同地物的光谱差异特征，从而提高后续地物分类的精度。图 2(c)给出了Indian Pines的3种不同地物，包括弱犁耕玉米地、非犁耕大豆和树林的原始光谱曲线和SSA特征提取曲线，可以看出，超像素SSA可以保留不同地物的主要光谱鉴别特征，可以消除某些波段由于严重噪声造成的影响，一定程度上增强了地物的可区分性。

2.3 参数敏感性分析

影响本文算法性能的主要参数包括基准超像素个数$S_{f}$，超像素分割尺度$C$和SSA的截断窗口$L$。选取两个标准数据集进行参数实验，分类过程中均随机选取5%的样本用于SVM的训练，剩余样本用于测试。

高光谱数据由于分辨率和图像尺寸的不同导致最佳分割尺度的多样性。为了得到两个数据的最优超像素个数，设计单独实验来对比数据集在不同的$S_{f}$值下的OA，其值从{50，200，350，500，650，800，950，1 100，1 250，1 400}中选择，结果如图 3所示。在Indian Pines数据集上，分类精度OA呈现先上升后下降的趋势，其最优基准超像素数$S_{f}$为350。对于Pavia University数据集，OA上升后趋向于稳定，主要因为$S_{f}$在1 000附近的分割尺度符合该数据集较为细碎地物的分布，精度变化较小，而过多的超像素会增加计算时间。为了同时保证精度与效率，该数据集的$S_{f}$设置为800。



图 3 参数$S_f$对MSP-SSA方法分类精度(OA)的影响，参数$C$和$L$分别固定为3和5
Fig. 3 Effect of the parameter $S_f$ on the classification accuracy(OA) of the MSP-SSA method, $C$ and $L$ are fixed as 3 and 5
((a) Indian Pines dataset; (b) Pavia University dataset)

然后，本文对超像素的分割尺度$C$进行分析。首先，为了验证多尺度融合的必要性，本文设计实验对比了不同超像素分割尺度下的分类精度。实验中，Indian Pines和Pavia University数据集的$S_{f}$分别为350和800，分割尺度$C$都取5，即$c$从-5~5，根据式(1)可得到11个不同尺度的超像素数量$S_{c}$，各个尺度下的分类精度如表 1和表 2所示。由此可知，在$C = 0$，即使用基准超像素个数时，本文算法虽然总体精度最高，但是无法在每类地物中都取得最高的分类精度。在较少类别的地物上，如Indian Pines数据的已收割牧草、干草料堆和小麦3类，Pavia University数据的柏油类，可以在几乎所有尺度下均获得较高精度，但是大多数地物的最优分类结果存在于不同的分割尺度中。这也说明，单尺度的超像素无法适应地物的复杂性和多样性，多尺度的决策融合是一种有效且可靠的选择。

表 1 本文方法在不同分割尺度(-5 ~ 5)的Indian Pines数据集上的性能
Table 1 Performance of the proposed method on Indian Pines with different segmentation scales (-5 to 5) 

下载CSV
/%
地物类别 分割尺度
-5 -4 -3 -2 -1 0 1 2 3 4 5
沥青 97.67 97.67 97.67 97.67 97.67 97.67 97.67 90.70 97.67 90.70 55.81
非耕犁玉米地 63.42 80.46 91.96 86.80 86.28 90.12 89.31 92.33 92.48 93.88 92.63
弱耕犁玉米地 89.47 98.22 98.86 95.94 95.30 95.94 95.94 90.48 89.97 85.91 84.90
玉米 52.89 52.89 52.89 99.11 100 99.11 54.22 69.78 67.11 54.22 63.11
牧草 98.69 98.69 99.35 97.38 96.51 99.35 97.38 96.51 95.41 95.20 91.92
稀树草原 100 100 93.65 99.86 93.51 99.86 99.86 99.42 96.54 96.39 98.99
已收割牧草 96.15 0.00 96.15 96.15 96.15 96.15 96.15 96.15 96.15 96.15 96.15
干草料堆 99.78 99.78 99.78 99.78 99.78 99.78 99.78 99.78 99.78 94.93 96.26
燕麦 0.00 0.00 100 100 100 100 100 100 100 89.47 57.89
非耕犁大豆 85.92 85.81 85.81 86.46 92.31 93.93 93.61 90.36 90.03 91.66 88.52
弱耕犁大豆 98.58 93.48 96.91 97.98 99.36 98.97 94.08 96.48 95.24 90.57 88.21
已收割大豆 74.07 98.93 98.76 97.16 93.25 83.30 79.93 74.07 74.96 79.40 80.64
小麦 99.48 99.48 99.48 99.48 99.48 99.48 99.48 99.48 99.48 95.36 94.85
树林 99.33 96.67 96.50 97.25 98.42 98.08 98.00 98.00 94.01 94.25 97.42
建筑/道路 76.50 76.50 84.43 84.70 90.71 98.63 89.34 93.72 65.85 77.05 83.06
石铁堡 100 100 100 86.36 95.45 94.32 95.45 94.32 93.18 97.73 90.91
OA/% 88.52 91.22 94.00 94.67 95.18 96.06 93.07 93.39 91.25 90.23 89.80
AA/% 83.25 79.91 93.26 95.13 95.89 96.54 92.51 92.60 90.49 88.93 85.08
Kappa 0.869 0.900 0.932 0.939 0.945 0.955 0.921 0.924 0.900 0.889 0.884
注：加粗字体表示不同地物及指标的最优值。

表 2 本文方法在不同分割尺度(-5 ~ 5)的Pavia University数据集上的性能
Table 2 Performance of the proposed method on Pavia University with different segmentation scales (-5 to 5) 

下载CSV
/%
地物类别 分割尺度
-5 -4 -3 -2 -1 0 1 2 3 4 5
沥青 89.41 92.05 95.13 91.00 95.35 96.22 97.25 98.87 97.11 98.94 98.06
草地 99.27 99.95 99.89 99.95 99.99 99.66 99.85 99.86 99.93 99.68 99.76
沙砾 100 98.50 98.50 98.50 98.45 99.85 99.85 99.85 99.85 95.19 98.55
树木 58.66 71.86 80.27 79.93 78.93 86.84 83.23 88.25 85.88 90.34 89.35
涂覆金属板 87.63 100 99.69 99.61 99.53 99.69 99.45 99.30 99.14 99.92 98.75
裸露土壤 99.98 99.14 98.97 99.81 99.54 99.43 98.81 99.64 99.00 99.60 98.89
柏油 100 100 100 100 100 100 100 100 100 97.62 95.57
自堵砖 99.49 99.17 99.26 98.74 99.26 99.43 98.68 97.40 96.08 92.59 95.62
阴影 49.61 72.75 83.31 94.77 97.22 95.88 98.33 98.33 98.33 97.78 97.66
OA/% 93.53 95.88 97.15 96.82 97.50 98.10 97.99 98.09 97.98 97.96 98.03
AA/% 87.12 92.60 95.00 95.81 96.47 97.44 97.27 97.24 97.26 96.85 96.91
Kappa 0.914 0.945 0.962 0.958 0.967 0.975 0.973 0.971 0.973 0.973 0.974
注：加粗字体表示不同地物及指标的最优值。

另外，本文还对比了不同尺度分割数量下的分类结果，如图 4所示。可以看出，Indian Pines和Pavia University数据集在$C=5$时均能取得最好的分类结果。相比于单一最优尺度$C=0$，$C=5$时的多尺度融合策略精度提升幅度最大，OA在两个数据集上分别提高了约1.15%和0.71%，这也再次证明了多尺度融合的有效性。尽管Indian Pines数据在$C=6$时也取得最好的结果，但考虑到增加的尺度未提高分类结果反而增加了计算量，因此暂不考虑。



图 4 参数$C$对MSP-SSA方法分类精度的影响，$L$固定为5
Fig. 4 Effect of the parameter $C$ on the classification accuracy of the MSP-SSA method, $L$ is fixed as 5
((a) Indian Pines dataset; (b) Pavia University dataset)

最后，对SSA的参数截断窗口$L$进行分析。根据研究(Zabalza等，2014, 2015a)及Fu等人(2020)实践经验，选取{3，5，10，15，20}作为$L$的选取集合，其对应的分类结果如图 5所示。较小的截断窗口无法满足对光谱相关性特征的提取，并且无法对噪声成分进行有效剔除，而过大的窗口会造成部分有用信息的丢失，这两种情况都会导致分类精度下降。因此，将$L$固定为10以获取最佳分类结果。总的来说，针对一幅给定的高光谱影像，除了需要单独确定参数$S_{f}$外，其余两个参数是固定的。



图 5 参数$L$对MSP-SSA方法分类精度的影响
Fig. 5 Effect of the parameter $L$ on the classification accuracy of the MSP-SSA method
((a) Indian Pines dataset; (b) Pavia University dataset)

2.4 常用数据集实验结果与分析

为了验证本文算法的有效性，将MSP-SSA与一些先进分类方法进行精度对比。对比算法上，原始数据的SVM分类作为基准方法，记为Raw-SVM；本文算法结合了多尺度超像素MSP和SSA，所以选择MSP-SVM (Yu等，2017)和像素级SSA-SVM (Zabalza等，2014)为对比算法；在其他先进的空间—光谱分类方法上，选择MSP-SVM的扩展方法MSP-SVMsub (Yu等，2017)、多尺度超像素MSuperPCA (Jiang等，2018)、不变属性剖面(invariant attribute profiles, IAPs) (Hong等，2020)和多尺度全变差(multi-scale total variation, MSTV) (Duan等，2019)为对比算法；另外，许多基于深度学习的方法已广泛应用于高光谱的特征提取和分类，如SSRN(spectral-spatial residual network)(Zhong等，2017)基于光谱和空间残差块从高光谱图像中提取空谱特征，并以级联的方式进行融合，有效提高了分类精度，本文将其也作为对比算法。MSP-SSA采用2.3节的最优参数，其他对比方法的实验参数分别使用相应文献中的默认参数。

在Indian Pines数据集下，每个类别中随机选取总样本数的1%~5%作为训练样本进行实验。表 3和图 6分别给出了不同算法在该数据集上的定量评价和分类结果。根据结果可以看出，在给定较少的训练样本数目下，本文算法仍能取得最好的分类效果。在5%的训练样本下，MSP-SSA方法的OA相比于基准方法提高了约22%，并且在分类图上有效地解决了分类噪声的问题；MSP-SVM相比于基准方法，OA提升了约18%，而MSP-SSA在MSP-SVM基础上进一步融合了SSA方法，使得OA再次提升了约4%，这也表明本文方法结合了空间和光谱信息的优势，并且减少了较小地物(如燕麦区域)的错误分类和较大地物(如犁耕大豆区域)内部的分类噪声。MSP-SVMsub和MSuperPCA两种方法同样结合了多尺度超像素，相比之下，提出的算法在OA上仍提升了约3%和1.3%，主要可能由于两种算法以投影方式获取了低维的光谱特征，丢失了部分光谱信息。相比于IAPs方法提取的空间不变特征和MSTV的多尺度纹理特征，MSP-SSA提取的光谱-空间特征取得了更高的精度；相比于先进的深度模型SSRN，提出算法仍有2%的精度提升。需要注意，虽然MSTV在1%样本下取得了优于MSP-SSA的精度，但在其他样本下的精度低于后者。根据分类图所示，这几种方法存在较小地物边缘混淆的现象，并且较大地物内部仍存在一些分类噪声。而所提算法有效解决了上述问题，保留了不同大小地物的基本区域，取得了最佳分类效果。

表 3 不同对比方法在Indian Pines数据集上的分类精度
Table 3 Classification accuracy of different compared methods on the Indian Pines dataset

下载CSV
方法 指标 训练样本比例(对应数量)
1% 2% 3% 4% 5%
(110) (212) (314) (419) (520)
Raw-SVM OA/% 56.02 66.51 70.74 70.82 75.41
AA/% 47.51 51.90 57.19 57.71 65.95
Kappa 0.493 0.614 0.664 0.665 0.718
SSA-SVM OA/% 62.76 69.42 75.00 76.70 79.80
AA/% 52.19 57.15 67.10 71.42 78.62
Kappa 0.573 0.650 0.716 0.734 0.770
MSP-SVM OA/% 59.87 79.56 84.63 90.66 93.14
AA/% 70.91 88.05 91.50 95.04 96.21
Kappa 0.541 0.769 0.826 0.894 0.922
MSP-SVMsub OA/% 71.44 83.20 85.95 91.98 94.67
AA/% 78.32 90.39 92.36 95.44 96.71
Kappa 0.675 0.810 0.840 0.908 0.939
MSuperPCA OA/% 86.00 94.76 95.11 95.92 96.05
AA/% 83.56 93.92 95.28 96.49 96.68
Kappa 0.839 0.940 0.946 0.953 0.955
SSRN OA/% 82.64 91.18 93.46 93.71 95.43
AA/% 86.72 91.79 94.84 94.58 95.79
Kappa 0.803 0.900 0.926 0.928 0.948
IAPs OA/% 71.82 78.94 82.51 85.79 88.23
AA/% 63.74 70.92 74.34 78.64 82.34
Kappa 0.669 0.756 0.798 0.837 0.865
MSTV OA/% 91.27 93.36 94.95 96.15 97.22
AA/% 89.26 92.74 94.47 95.73 97.06
Kappa 0.900 0.928 0.945 0.958 0.968
MSP-SSA
(本文)		 OA/% 87.47 94.02 95.83 97.32 97.38
AA/% 87.50 93.82 95.40 97.58 97.57
Kappa 0.857 0.932 0.952 0.969 0.970
注：加粗字体表示最高精度。



图 6 不同对比算法在Indian Pines数据集(5%训练样本)上的分类结果图
Fig. 6 Classification maps generated by different compared methods on the Indian Pines dataset (with 5%training samples)
((a)false color image; (b)ground truth; (c)Raw-SVM; (d)SSA-SVM; (e)MSP-SVM; (f)MSP-SVMsub; (g)MSuperPCA; (h)SSRN; (i)IAPs; (j)MSTV; (k)MSP-SSA)

在Pavia University数据集下，分别对比了各算法在0.2%、0.5%、1%、3%和5%的训练样本下的分类结果，定量结果如表 4所示。另外，图 7给出了对应不同分类算法的分类图。根据定量结果可知，较少训练样本下，本文提出算法的精度要远高于一般的分类算法；随着样本数目的增加，MSuperPCA和SSRN方法在精度上有了较多的提升，但是仍低于本文算法。在1%的训练样本下，本文算法取得了97.67%的OA值，比基准方法提升了约8%，比SSA-SVM和MSP-SVM分别提升了约10%和3%，多尺度超像素仍然保持了良好的精度提升效果，分类图也显示本文算法有效解决了地物内部点状误分类的问题。需要注意，SSA-SVM在该数据集上的分类精度略低于基准方法，主要原因是它平滑了相似地物(树林和裸露土壤)中某些像素的光谱差异，丢失了部分有用的鉴别信息，而MSP-SSA由于超像素均值消除了这些相似光谱像素的干扰，保留了地物主要的光谱差异特征，其精度具有较好的鲁棒性。此外，在该数据集上，提出的MSP-SSA仍然优于其他两种多尺度超像素方法MSP-SVMsub和MSuperPCA。与其他3种先进的空间—光谱分类方法IAPs、MSTV和SSRN相比，MSP-SSA在OA上分别有约5%、1%和1%的精度提升，在分类图上表现为保留了许多细碎和条状的地物的区域，如建筑物阴影等。

表 4 不同对比方法在Pavia University数据集上的分类精度
Table 4 Classification accuracy of different compared methods on the Pavia University dataset

下载CSV
方法 指标 训练样本比例及对应数量
0.2% 0.5% 1% 2% 5%
(91) (219) (432) (858) (2 144)
Raw-SVM OA/% 74.10 85.52 89.04 91.24 92.89
AA/% 66.88 81.02 86.38 89.82 91.07
Kappa 0.652 0.806 0.854 0.884 0.905
SSA-SVM OA/% 75.15 81.36 87.67 90.14 91.99
AA/% 72.24 80.79 86.01 89.15 89.56
Kappa 0.664 0.752 0.835 0.869 0.893
MSP-SVM OA/% 82.97 92.36 94.37 95.33 96.92
AA/% 82.67 88.46 91.58 91.50 94.22
Kappa 0.781 0.899 0.926 0.938 0.959
MSP-SVMsub OA/% 83.59 93.88 95.88 97.14 97.85
AA/% 82.67 88.24 92.87 93.47 95.07
Kappa 0.789 0.919 0.946 0.962 0.971
MSuperPCA OA/% 76.97 85.73 92.33 95.84 98.24
AA/% 56.27 70.43 83.61 91.78 96.98
Kappa 0.674 0.805 0.897 0.944 0.977
SSRN OA/% 90.63 93.73 95.32 97.44 98.67
AA/% 84.28 90.99 92.81 96.82 97.69
Kappa 0.875 0.917 0.938 0.966 0.982
IAPs OA/% 81.35 88.16 91.87 95.10 96.82
AA/% 64.25 78.72 85.72 90.69 93.42
Kappa 0.745 0.839 0.890 0.935 0.958
MSTV OA/% 85.62 93.84 96.97 97.41 98.05
AA/% 80.62 87.27 95.97 96.87 97.50
Kappa 0.810 0.918 0.959 0.966 0.974
MSP-SSA
(本文)		 OA/% 90.67 94.06 97.67 98.26 98.70
AA/% 85.79 89.83 96.66 97.30 97.85
Kappa 0.873 0.920 0.969 0.977 0.983
注：加粗字体表示最高精度。



图 7 不同对比算法在Pavia University数据集(1%训练样本)上的分类结果图
Fig. 7 Classification maps generated by different compared methods on the Pavia University dataset (with 1% training samples)
((a)false coler image; (b)ground truth; (c)Raw-SVM; (d)SSA-SVM; (e)MSP-SVM; (f)MSP-SVMsub; (g)MSuperPCA; (h)SSRN; (i)IAPs; (j)MSTV; (k)MSP-SSA)

2.5 DFC2018数据实验结果与分析

为了进一步验证提出算法的实际应用性，在DFC2018数据集上也进行了相同的对比实验。在实验参数上，MSP-SSA的参数，$S_{f}$通过多次实验将其固定为1 250，参数$C$和$L$的选择仍然与3.3节保持一致；其他对比算法经参数调优，均选取最优参数组合。在SVM分类阶段，每类随机选取0.1%的样本作为训练样本，其余样本作为测试样本，表 5给出了所有方法的定量分类结果，对应的分类图如图 8所示。

表 5 不同对比方法在DFC2018数据集上的分类精度
Table 5 Classification accuracy of different compared methods on the DFC2018 dataset

下载CSV
指标 Raw-SVM SSA-SVM MSP-SVM MSP-SVMsub MSuperPCA SSRN IAPs MSTV MSP-SSA
OA/% 63.70 67.74 65.25 70.95 75.87 72.85 73.37 76.32 77.15
AA/% 57.26 58.68 70.26 71.91 60.46 66.05 61.26 70.09 73.20
Kappa 0.535 0.579 0.552 0.673 0.670 0.647 0.630 0.719 0.726
注：加粗字体为各行最优结果。



图 8 不同对比算法在DFC2018数据集(0.1%训练样本)上的分类结果图
Fig. 8 Classification maps generated by different compared methods on the DFC2018 dataset (with 0.1% training samples)
((a)false colr image; (b)ground truth; (c)Raw-SVM; (d)SSA-SVM; (e)MSP-SVM; (f)MSP-SVMsub; (g)MSuperPCA; (h)SSRN; (i)IAPs; (j)MSTV; (k)MSP-SSA)

根据定量结果表 5可知，本文提出的MSP-SSA在该数据集上同样取得了最高的分类精度，相比于基准方法提升了约13%，比SSA-SVM和MSP-SVM两种方法分别提升了约10%和12%，与前两个数据集不同的是，MSP-SSA在多尺度超像素的基础上结合了SSA，对精度的提升更为明显，这再次证明了空间和光谱方法的融合可以有效地提高分类精度；与其他几种空谱分类算法相比，MSP-SSA仍有约1%~7%等不同程度的精度提升。另外，根据分类图 8可知，在复杂多样的地物形态下，本文提出的MSP-SSA取得了最好的视觉分类结果。Raw-SVM、SSA-SVM和SSRN都存在不同程度的分类噪声问题，尤其是面积较大的地物区域内部；MSP-SVM和MSP-SVM sub使用超像素平均提高了区域的一致性，消除了较大地物内部噪声点的影响，但是存在噪声斑块问题，易将小块地物或较大地物边缘区域错分为临近地物类型；MSuperPCA对于条状地物，如主要道路等，存在较多的边缘错分或断裂的问题；IAPs将体育场座位区域错误划分为非住宅建筑，这也表明了只利用空间形状特征还存在一定的局限性；SSRN和MSTV存在较为严重的将非住宅建筑错分为人行道和草地的问题。相比之下，MSP-SSA通过多尺度的分割方式，降低了以上方法分类造成的影响，尽可能地保留了不同地物的基本形状，并且，有效地光谱特征提取降低了地物内部和边缘的错分现象。

2.6 运行时间对比

对比上述方法的运行时间，分类过程中两个标准数据集均使用了1%的训练样本，真实数据集使用了0.1%的训练样本，结果如表 6所示。可以看出，基准方法由于不对数据做特征提取，花费的时间最少。在所有的特征提取方法中，MSP-SSA具有较高的运行效率，尤其在处理较大尺寸的影像时优势更为明显。SSA-SVM由于作用于每个光谱像素，运行时间会随图像尺寸的增大而呈线性增长；MSP-SVM、MSP-SVMsub和MSuperPCA的运行时间分别受到超像素分割数量的影响，后两种算法由于要适应其光谱特征的提取方式，通常选用较大的超像素个数，造成了时间成本的增加；SSRN利用多层网络和众多参数进行特征提取和分类，不可避免地增加了运行时间。IAPs和MSTV在前两个数据集上有不错的运行效率，但是在区域较大的DFC2018数据集上花费了较多的时间，主要原因是两种方法作用于像素尺度，而提出的MSP-SSA作用于超像素尺度，有效提高了空间和光谱特征联合提取的效率。提出的MSP-SSA在复杂地物和较大尺寸影像的高效性，表明其在实际高光谱影像应用方面的巨大潜力。

表 6 不同对比方法的运行时间
Table 6 Running time of different compared methods 

下载CSV
/s
分类方法 Indian Pines Pavia University DFC2018
Raw-SVM 3.29 5.17 19.71
SSA-SVM 33.24 325.45 2 354.69
MSP-SVM 43.22 170.77 1 945.61
MSP-SVMsub 47.80 282.55 2 023.54
MSuperPCA 72.50 159.55 503.93
SSRN 123.20 140.00 453.26
IAPs 18.49 35.47 533.07
MSTV 14.58 41.34 293.04
MSP-SSA(本文) 22.59 63.94 281.53
注：加粗字体表示不同特征提取方法用时最少的时间。

3 讨论

MSP-SSA结合了多尺度超像素和SSA，能够快速提取影像的空间—光谱特征，并且消除影像存在的诸多噪声。

多尺度的超像素分割，可以有效提取对应复杂地物的均质区域，在此基础上，超像素SSA可以进一步提取区域的光谱辨别特征，并且消除严重噪声波段的影响。相比于传统的光谱—空间方法，MSP-SSA能够有效地降低分类中存在的“椒盐噪声”和部分斑块噪声等问题，提高了地物边缘分类的准确性；另外，由SSA得到的光谱特征具有物理解释性强、信息损失度低的特点。

然而，本文算法仍然存在一些不足。首先，对于任意一幅高光谱影像，其基准超像素或最优超像素个数是不确定的，一般通过经验和实验来选择，这也是目前诸多超像素算法存在的问题。另外，SSA使用了固定的提取窗口，这对于具有复杂光谱曲线的地物是不合适的，使用可变窗口处理不同地物是可行的，但是SSA方法目前还没有可用的自适应确定窗口的策略。

4 结论

为充分利用高光谱影像的光谱信息和空间信息，本文提出了一种融合多尺度超像素和奇异谱分析的高光谱影像分类算法(MSP-SSA)。该方法首先使用多尺度超像素和均值滤波，有效提取影像的局部空间特征，在此基础上，将SSA方法拓展到超像素区域，用以提取不同地物区域的光谱特征，二者的结合有效提高了分类效果。

实验在Indian Pines和Pavia University高光谱数据集上进行，分类结果表明：1)相比于多尺度超像素融合和像素级SSA，二者的结合能够联合利用空间—光谱特征，进一步提高分类精度；2)提出的MSP-SSA方法要优于其他先进的分类算法，在较小的训练样本下优势尤为明显；3)提出算法的处理效率高，可应用于真实高光谱影像的实际生产处理中。

下一步研究将考虑对得到的超像素进行适当的再分割或合并操作，进一步提高分割区域的准确性，从而更好地表征地物区域特征；将超像素与2D-SSA相结合，同时保留超像素内光谱的相似性及多样性，提高分类准确性。

参考文献

  • Bachmann C M, Ainsworth T L, Fusina R A. 2006. Improved manifold coordinate representations of large-scale hyperspectral scenes. IEEE Transactions on Geoscience and Remote Sensing, 44(10): 2786-2803 [DOI:10.1109/TGRS.2006.881801]
  • Bandos T V, Bruzzone L, Camps-Valls G. 2009. Classification of hyperspectral images with regularized linear discriminant analysis. IEEE Transactions on Geoscience and Remote Sensing, 47(3): 862-873 [DOI:10.1109/TGRS.2008.2005729]
  • Chang C C, Lin C J. 2011. LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2(3): #27 [DOI:10.1145/1961189.1961199]
  • Cui B G, Wu Y N, Zhong Y, Zhong L W, Lu Y. 2019. Hyperspectral image rolling guidance recursive filtering and classification. Journal of Remote Sensing, 23(3): 431-442 (崔宾阁, 吴亚男, 钟勇, 钟利伟, 路燕. 2019. 高光谱图像滚动引导递归滤波与地物分类. 遥感学报, 23(3): 431-442) [DOI:10.11834/jrs.20197510]
  • Duan P H, Kang X D, Li S T, Ghamisi P. 2019. Noise-robust hyperspectral image classification via multi-scale total variation. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 12(6): 1948-1962 [DOI:10.1109/JSTARS.2019.2915272]
  • Fabiyi S D, Vu H, Tachtatzis C, Murray P, Harle D, Dao T K, Andonovic I, Ren J C, Marshall S. 2020. Varietal classification of rice seeds using RGB and hyperspectral images. IEEE Access, 8: 22493-22505 [DOI:10.1109/ACCESS.2020.2969847]
  • Fang L Y, Li S T, Duan W H, Ren J C, Benediktsson J A. 2015. Classification of hyperspectral images by exploiting spectral-spatial information of superpixel via multiple kernels. IEEE Transactions on Geoscience and Remote Sensing, 53(12): 6663-6674 [DOI:10.1109/TGRS.2015.2445767]
  • Fang L Y, Li S T, Nie Q, Izatt J A, Toth C A, Farsiu S. 2012. Sparsity based denoising of spectral domain optical coherence tomography images. Biomedical Optics Express, 3(5): 927-942 [DOI:10.1364/BOE.3.000927]
  • Fauvel M, Benediktsson J A, Chanussot J, Sveinsson J R. 2008. Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles. IEEE Transactions on Geoscience and Remote Sensing, 46(11): 3804-3814 [DOI:10.1109/TGRS.2008.922034]
  • Felzenszwalb P F, Huttenlocher D P. 2004. Efficient graph-based image segmentation. International Journal of Computer Vision, 59(2): 167-181 [DOI:10.1023/B:VISI.0000022288.19776.77]
  • Fu H, Sun G Y, Zabalza J, Zhang A Z, Ren J C, Jia X P. 2020. A novel spectral-spatial singular spectrum analysis technique for near real-time in situ feature extraction in hyperspectral imaging. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13: 2214-2225 [DOI:10.1109/JSTARS.2020.2992230]
  • Golyandina N and Zhigljavsky A. 2013. Singular Spectrum Analysis for Time Series. Berlin, Germany: Springer: 11-20[DOI: 10.1007/978-3-642-34913-3]
  • Hashjin S S, Boloorani A D, Khazai A, Kakroodi A A. 2019. Selecting optimal bands for sub-pixel target detection in hyperspectral images based on implanting synthetic targets. IET Image Processing, 13(2): 323-331 [DOI:10.1049/iet-ipr.2018.5324]
  • He K M, Sun J, Tang X O. 2013. Guided image filtering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(6): 1397-1409 [DOI:10.1109/TPAMI.2012.213]
  • Hong D F, Wu X, Ghamisi P, Chanussot J, Yokoya N, Zhu X X. 2020. Invariant attribute profiles: a spatial-frequency joint feature extractor for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 58(6): 3791-3808 [DOI:10.1109/TGRS.2019.2957251]
  • Hughes G. 1968. On the mean accuracy of statistical pattern recognizers. IEEE Transactions on Information Theory, 14(1): 55-63 [DOI:10.1109/TIT.1968.1054102]
  • Jia S, Shen L L, Li Q Q. 2015. Gabor feature-based collaborative representation for hyperspectral imagery classification. IEEE Transactions on Geoscience and Remote Sensing, 53(2): 1118-1129 [DOI:10.1109/TGRS.2014.2334608]
  • Jiang J J, Ma J Y, Chen C, Wang Z Y, Cai Z H, Wang L Z. 2018. SuperPCA: a superpixelwise PCA approach for unsupervised feature extraction of hyperspectral imagery. IEEE Transactions on Geoscience and Remote Sensing, 56(8): 4581-4593 [DOI:10.1109/TGRS.2018.2828029]
  • Kang X D, Li S T, Fang L Y, Benediktsson J A. 2015. Intrinsic image decomposition for feature extraction of hyperspectral images. IEEE Transactions on Geoscience and Remote Sensing, 53(4): 2241-2253 [DOI:10.1109/tgrs.2014.2358615]
  • Li C L, Zuo H and Fan T H. 2017. Hyperspectral image classification based on gray level co-occurrence matrix and local mean decomposition//Proceedings of the 4th International Conference on Systems and Informatics (ICSAI). Hangzhou, China: IEEE: 1219-1223[DOI: 10.1109/ICSAI.2017.8248472]
  • Li S S, Zhang B, Jia X P and Wu H. 2016b. Fusion multiscale superpixel features for classification of hyperspectral images//Proceedings of the 8th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS). Los Angeles, USA: IEEE: 21-24[DOI: 10.1109/WHISPERS.2016.8071751]
  • Li S T, Lu T, Fang L Y, Jia X P, Benediktsson J A. 2016a. Probabilistic fusion of pixel-level and superpixel-level hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 54(12): 7416-7430 [DOI:10.1109/TGRS.2016.2603190]
  • Licciardi G, Marpu P R, Chanussot J, Benediktsson J A. 2012. Linear versus nonlinear PCA for the classification of hyperspectral data based on the extended morphological profiles. IEEE Geoscience and Remote Sensing Letters, 9(3): 447-451 [DOI:10.1109/LGRS.2011.2172185]
  • Liu J J, Wu Z B, Wei Z H, Xiao L, Sun L. 2013. Spatial-spectral kernel sparse representation for hyperspectral image classification. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(6): 2462-2471 [DOI:10.1109/JSTARS.2013.2252150]
  • Liu M Y, Tuzel O, Ramalingam S, Chellappa R. 2014. Entropy-rate clustering: cluster analysis via maximizing a submodular function subject to a matroid constraint. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(1): 99-112 [DOI:10.1109/TPAMI.2013.107]
  • Liu S, Li Q. 2016. Composite kernel support vector regression model for hyperspectral image impervious surface extraction. Journal of Remote Sensing, 20(3): 420-430 (刘帅, 李琦. 2016. 组合核支持向量回归提取高光谱影像不透水面. 遥感学报, 20(3): 420-430) [DOI:10.11834/jrs.20165239]
  • Mori G, Ren X F, Efros A A and Malik J. 2004. Recovering human body configurations: combining segmentation and recognition//Proceedings of 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, USA: IEEE: 326-333[DOI: 10.1109/CVPR.2004.1315182]
  • Moroni M, Lupo E, Marra E, Cenedese A. 2013. Hyperspectral image analysis in environmental monitoring: setup of a new tunable filter platform. Procedia Environmental Sciences, 19: 885-894 [DOI:10.1016/j.proenv.2013.06.098]
  • Nemhauser G L, Wolsey L A, Fisher M L. 1978. An analysis of approximations for maximizing submodular set functions-Ⅰ. Mathematical Programming, 14(1): 265-294 [DOI:10.1007/BF01588971]
  • Peng J T, Zhou Y C, Chen C L P. 2015. Region-kernel-based support vector machines for hyperspectral image classification. IEEE Transactions on Geoscience and Remote Sensing, 53(9): 4810-4824 [DOI:10.1109/TGRS.2015.2410991]
  • Shen L L, Jia S. 2011. Three-dimensional Gabor wavelets for pixel-based hyperspectral imagery classification. IEEE Transactions on Geoscience and Remote Sensing, 49(12): 5039-5046 [DOI:10.1109/TGRS.2011.2157166]
  • Tripathi M K, Govil H. 2019. Evaluation of AVIRIS-NG hyperspectral images for mineral identification and mapping. Heliyon, 5(11): 2405-2440 [DOI:10.1016/j.heliyon.2019.e02931]
  • Veksler O, Boykov Y and Mehrani P. 2010. Superpixels and supervoxels in an energy optimization framework//Proceedings of the 11th European Conference on Computer Vision. Heraklion, Greece: Springer: 211-224[DOI: 10.1007/978-3-642-15555-0_16]
  • Wang L G, Cao X W, Zheng Y L, Dai Q L. 2018. Multi-scale feature extraction of hyperspectral image with guided filtering. Journal of Remote Sensing, 22(2): 293-303 (王雷光, 曹小汪, 郑雅兰, 代沁伶. 2018. 高光谱影像的引导滤波多尺度特征提取. 遥感学报, 22(2): 293-303) [DOI:10.11834/jrs.20186439]
  • Yu H Y, Gao L R, Liao W Z, Zhang B, Pižurica A, Philips W. 2017. Multiscale superpixel-level subspace-based support vector machines for hyperspectral image classification. IEEE Geoscience and Remote Sensing Letters, 14(11): 2142-2146 [DOI:10.1109/LGRS.2017.2755061]
  • Yu W Y, Wang Y H, Liu H W, He J L. 2016. Superpixel-based CFAR target detection for high-resolution SAR images. IEEE Geoscience and Remote Sensing Letters, 13(5): 730-734 [DOI:10.1109/LGRS.2016.2540809]
  • Zabalza J, Ren J C, Wang Z, Marshall S, Wang J. 2014. Singular spectrum analysis for effective feature extraction in hyperspectral imaging. IEEE Geoscience and Remote Sensing Letters, 11(11): 1886-1890 [DOI:10.1109/lgrs.2014.2312754]
  • Zabalza J, Ren J C, Wang Z, Zhao H M, Wang J, Marshall S. 2015a. Fast implementation of singular spectrum analysis for effective feature extraction in hyperspectral imaging. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(6): 2845-2853 [DOI:10.1109/JSTARS.2014.2375932]
  • Zabalza J, Ren J C, Zheng J B, Han J W, Zhao H M, Li S T, Marshall S. 2015b. Novel two-dimensional singular spectrum analysis for effective feature extraction and data classification in hyperspectral imaging. IEEE Transactions on Geoscience and Remote Sensing, 53(8): 4418-4433 [DOI:10.1109/tgrs.2015.2398468]
  • Zhang S Z, Li S T, Fu W, Fang L Y. 2017. Multiscale superpixel-based sparse representation for hyperspectral image classification. Remote Sensing, 9(2): #139 [DOI:10.3390/rs9020139]
  • Zhong Z L, Li J, Luo Z M, Chapman M. 2017. Spectral-spatial residual network for hyperspectral image classification: a 3-D deep learning framework. IEEE Transactions on Geoscience and Remote Sensing, 56(2): 847-858 [DOI:10.1109/TGRS.2017.2755542]