基于支持向量機的高光譜遙感影像分類

肖博林

摘? 要：高光譜遙感是將成像技術和光譜技術相結合的多維信息獲取技術。自發(fā)展以來，已在各個方面都顯示出了巨大的研究潛力，成為遙感應用最廣泛的領域之一。然而，如何充分利用高光譜遙感數(shù)據提供的豐富的地表信息，以及如何在如此大量的信息中提取有用信息，是擺在研究者面前的一項重要課題。高光譜遙感影像處理的一項重要內容就是地物目標的分類。文章基于支持向量機算法原理，提出了一種應用于高光譜影像的分類機制，并在印度松樹（Indian Pines）和帕維亞大學（Pavia University）數(shù)據集上進行了驗證實驗，取得了較高的分類精度。

關鍵詞：高光譜遙感;支持向量機;分類算法

中圖分類號：TP751? ? ? ? ?文獻標志碼：A? ? ? ? ?文章編號：2095-2945（2020）04-0022-03

Abstract： Hyperspectral remote sensing is a multi-dimensional information acquisition technology that combines imaging technology and spectral technology. Since its development， it has shown tremendous research potential in all aspects， and has become one of the most widely applied fields of remote sensing. However， how to make full use of the rich surface information provided by hyperspectral remote sensing data and how to extract useful information from such a large amount of information is an important issue facing researchers. An important content of hyperspectral remote sensing image processing is the classification of ground objects. Based on the principle of support vector machine algorithm， this paper proposes a classification mechanism applied to hyperspectral imagery， and has performed verification experiments on the Indian Pines and Pavia University Dataset， which has achieved higher Classification accuracy.

Keywords： hyperspectral remote sensing; support vector machine; classification algorithm

1 概述

高光譜遙感又稱成像光譜遙感，是將成像技術和光譜技術相結合的多維信息獲取技術[1]。高光譜遙感數(shù)據因其有著豐富的光譜信息和地物空間分布信息，極大地提高了識別和區(qū)分各類地物的能力。目前高光譜遙感已在社會生活各個方面都凸顯出了巨大的研究潛力，在精細農業(yè)、地質調查、生態(tài)建設、海洋遙感、軍事偵察等方面具有重要的研究價值和意義。

鑒于高光譜遙感數(shù)據豐富的光譜信息和地物空間分布信息，極大地提高了區(qū)分和識別各類地物的能力。因此對高光譜遙感影像進行分類是人們獲取信息價值的重要途徑之一，通過分類可以清晰地認識地物的空間分布，從中發(fā)現(xiàn)規(guī)律，并將圖像中所有像元劃分為不同的土地覆蓋類型，由此進行專題信息的提取或是專題地圖的制作，從而反映出某類地物的空間分布以及各類地物的詳細情況。

2 本文分類算法

支持向量機[2]（Support Vector Machine，SVM）是Vapnik團隊開發(fā)出來的一種基于統(tǒng)計學習理論的機器學習算法，是統(tǒng)計學習理論中最新穎、最具實用性的方法之一。SVM的特點是可以同時最小化經驗誤差和最大化分類間隔，即通過尋找一個既能保證分類精度，又能使兩類數(shù)據之間間隔最大化的超平面來實現(xiàn)監(jiān)督學習。該方法具有較強的非線性和高維數(shù)據處理能力，也較好地解決了維數(shù)災難問題，是當前國際機器學習界的研究熱點之一[3]。

在SVM中，模型在較高維空間中構造一個超平面或一組超平面。SVM的超平面線性模型可以定義為：

其中？準（x）是變換后的特征空間。間隔定義為從決策超平面到數(shù)據集中最近點的最小距離。在SVM問題中，我們試圖構造決策邊界超平面，以使數(shù)據集的邊際最大化。對于每個數(shù)據點，ti是目標標簽，其中t∈{-1，1}。在我們的方案中，問題是非線性可分，所以我們將使用軟邊距SVM，并引入松弛變量ξi≥0。ξ允許對輪廓進行錯誤分類。當ξi>1時，數(shù)據點被錯誤分類。同時，我們應具有以下不等式約束：

這是因為對于tn=1的點，我們需要使y（xn）>0，對于tn=-1的點，必須使y（xn）<0。從數(shù)據點xn到決策邊界的距離為硬邊距由下式給出：

為了找到最大的邊距解決方案，我們簡化了軟邊距的松弛變量，SVM問題最終變?yōu)椋?/p>

變量C是正則化參數(shù)，用于控制邊距和分類錯誤的容忍度之間的權衡。由于SVM問題是凸優(yōu)化問題，因此我們總是可以從模型中獲得全局最優(yōu)值。有了最佳決策邊界，我們可以使用它來將數(shù)據集分類為不同的標簽。

3 實驗分析

3.1 實驗數(shù)據

印度松樹（Indian Pines，IN）數(shù)據集是AVIRIS（機載可見光/紅外成像光譜儀）傳感器于1992年在印第安納州西北部的測試場地上收集的場景，具有145×145個像素和224個光譜反射帶，通過去除覆蓋吸水區(qū)域的20多個頻帶，將頻帶數(shù)量減少到200個。其中可用的土地覆蓋被指定為16個類別。如圖1所示。

帕維亞大學（Pavia University，UP）數(shù)據集是ROSIS傳感器于1991年在意大利北部帕維亞上空飛行時拍攝的場景，具有610×340像素，空間分辨率為1.3m。丟棄有噪聲的頻帶之后，使用剩余的103個頻帶用于評估，共包含9種城市土地覆蓋類型。如圖2所示。

3.2 精度評價方法

對高光譜遙感圖像分類進行評價指的是依據地面實況圖來評估所分得的結果的準確性。常用評價方法主要有總體分類精度、平均分類精度以及Kappa系數(shù)等。下面對這些評價指標進行具體的介紹。

（1）總體分類精度（Overall Accuracy，OA）

總體分類精度（OA）等于被正確分類的像元總和除以總像元數(shù)。被正確分類的像元數(shù)目沿著混淆矩陣的對角線分布，總像元數(shù)等于所有真實參考源的像元總數(shù)。公式如下，N代表樣本總數(shù)，n為類別數(shù)目。

（2）平均分類精度（Average Accuracy，AA）

平均分類精度（AA）指的是每一類分類精度的平均值，即采用各個類別分類精度（CA）除以類別總量N，其公式如下：

（3）Kappa系數(shù)

Kappa系數(shù)是通過把所有真實參考的像元總數(shù)（N）乘以混淆矩陣對角線（hkk）的和，再減去各類中真實參考像元數(shù)與該類中被分類像元總數(shù)之積之后，再除以像元總數(shù)的平方減去各類中真實參考像元總數(shù)與該類中被分類像元總數(shù)之積對所有類別求和的結果。Kappa系數(shù)綜合考慮了混淆矩陣中的各個因子，能比較全面的反映總體分類的精度，Kappa系數(shù)的值越大，代表相應的分類算法的精度越高。一般公式如下：

3.3 實驗結果

圖3和圖4可視化了基于支持向量機的高光譜影像分類結果，表3給出了精度評價的三個指標。可以看出，兩類數(shù)據集的分類結果還算令人滿意，但是也存在些許噪聲點。例如IN數(shù)據集中玉米地和大豆地之間，以及農作物和樹木之間錯分較為明顯，這可能是因為其光譜特征距離較小而導致的（異物同譜）;UP數(shù)據集只是在裸地中出現(xiàn)了些許金屬板數(shù)據點，可能因為數(shù)據本身質量較好，所以錯分的現(xiàn)象不是很明顯。

4 結束語

本文基于支持向量機算法原理，提出了一種高光譜影像的分類機制，并在印度松樹數(shù)據集和帕維亞大學數(shù)據集上進行了驗證實驗，取得了良好的分類精度。鑒于分類過程中出現(xiàn)的錯分現(xiàn)象，接下來的研究重點將對此進行進一步的探討。針對數(shù)據本身存在的“同物異譜”或是“異物同譜”問題，提出更完善的分類機制，以及對分類后的結果做進一步的降噪和平滑處理。

參考文獻：

[1]Goetz A F H ， Vane G ， Solomon J E ， et al. Imaging Spectrometry for Earth Remote Sensing[J]. Science， 1985，228（4704）：1147-1153.

[2]Vapnik V N. 1998. Statistical Learning Theory. New York： John Wiley&Sons.

[3]杜培軍，林卉，孫敦新.基于支持向量機的高光譜遙感分類進展[J].測繪通報，2006（12）：40-43+53.

[4]張良培.光譜分析在高光譜遙感中的應用[D].武漢：武漢測繪科技大學，1998.

[5]牟多鐸，劉磊.ELM與SVM在高光譜遙感圖像監(jiān)督分類中的比較研究[J].遙感技術與應用，2019，34（01）：115-124.

[6]李靜，吳孔江.基于PCA和極限學習機的高光譜遙感分類研究[J].北京測繪，2018，32（07）：794-799.