[最新发表] ISSFSP:为基于堆叠特征空间的高光谱遥感影像分类引入专属特征选择方法

发布日期:2022-10-23 14:30
浏览次数:232
1666506915035
【研究背景】
      本组前期工作提出基于堆叠光谱特征空间(SSFSP)进行高光谱遥感影像分类,为光谱特征与CNN的结合开辟了新的道路。SSFSP对多个二维特征空间(2DFSs)进行网格化,在每个光谱特征空间图像(GSI)中,各种地物的空间分布和强度分布被记录在其相应的GSI中。通过这种将原隐性光谱特征转换为显性二维平面的方式,即可利用CNN同时挖掘高层次的光谱和空间特征。   
图1. 生成SSFSP的流程图 

      但SSFSP仍存在需要解决的问题。在早期工作中,SSFSP是参照Landsat-8影像波段的中心波长来选择波段,再以两两波段组合的方式生成二维特征空间。这种选择方式虽然简单,但没有充分利用高光谱影像对地物提供的更精细的光谱剖面。此外,使用所有可能的波段组合不仅会导致数据量过大,还会存在信息冗余的问题。最后,SSFSP还缺乏对选择波段组合优先级和数量的指导。基于上述认识,现有的特征选择方法可能不适用于SSFSP在实际的应用。

【方法内容】
      本研究提出了improved SSFSP(ISSFSP)为SSFSP开发一种专属的特征选择方法band combination search (BCS)。基于BCS选择特征空间的包含以下几个部分:
(1)特征空间质量评价指标。对于一个由两波段生成的特征空间,其质量(对不同类型地物的区分能力)可以从三方面进行考虑。首先,我们用空间基尼系数来衡量不同地物在特征空间内的聚集程度,以期类内差异小;此外,我们用重叠度来衡量不同地物在特征空间上的重叠度,以期类间差异大。最后我们通过共线性来进一步排除对地物区分能力差的特征空间。
 
图2.衡量特征空间质量的三个方面。(a)聚集度,(b)重叠度,(c)共线度。 

(2)波段组合快速选择方法。高光谱影像往往具有数百个波段,其可能的波段组合数量则更加巨大。因此,计算对应的所有特征空间的质量是不现实的(如图3a)。由于高光谱影像相邻波段之间具有很高的相关性,我们可以设定一定数量的光谱波段为一组,以每一组的平均光谱生成粗尺度的质量图(图3b)。随后,在当前粗尺度质量图下选择具有最高质量的点,并在改点对应的细尺度(原始光谱)下寻找质量最高的波段组合(图3e)。最后,掩摸在粗尺度质量图上被选择点的周围并赋值0,进一步消除组合之间的相关性(图3c)。通过重复以上操作,即可得到多组在质量上降序排列的波段组合。

  图3.基于BCS选择波段组合的流程图。 


(3)最优波段组合数量。在判断选择多少个波段组合数量进行分类时,现有研究大多是经验性设置,或通过分类器来辅助。往往存在达不到最高精度或耗时的问题。为此,本文提出了一种不依赖分类器,自动判断最优波段组合数量的方法。具体而言,对于由BCS选择的前n个波段组合,因其对应的质量是降序排列,所以前n个波段组合对应的平均质量曲线是单调递减的(图4a)。对于这条曲线,我们以其变化率曲线上出现全局最小值的对应的序号作为终止指标。因为该点前后的波段组合的质量出现明显的分层。实验表明,采用这种方式获得的最优波段数量很好的符合了实际情况(图4b)。
   
图4.最优波段组合数量判断依据

【实验结果】
     本研究通过三组实验对ISSFSP的性能进行了对比。
     在第一个实验中,我们采用一个简单的CNN模型,将ISSFSP与SOTA级的特征选择方法,以突出ISSFSP提取特征的优越性,结果见图5所示,ISSFSP在三个数据集上的所有指标都取得了最高的精度,且随着使用波段数的增加而未出现明显的变化。同时,ISSFSP的指标与其他特征的指标出现了明显的分层,且一些特征甚至出现了过拟合(如PU数据集中的ONR)。 
 

图5.使用基础模型对ISSFSP和对比特征的性能进行测试 

    在第二个实验中,我们测试了ISSFSP和SOTA特征在不同模型下的分类精度,以测试这些特征对模型性能的依赖程度。结果如图6所示,ISSFSP均处于最高的精度,并且精度在不同的模型下都没有明显变化。这表明ISSFSP对模型的依赖性较小,即使是简单的MLP,它也有出色的表现。相反,其他特征在不同模型下的精度都有明显的波动。
  图6.使用不同模型对ISSFSP和对比特征的性能进行测试 

【工作结论】
     在本工作中,我们为SSFSP开发了一种新的特征选择方法,并提出了ISSFSP。通过三个高光谱数据集、五个SOTA特征选择方法和六个CNN分类模型,我们证明ISSFSP不仅实现了最佳的分类精度,而且还减少了对模型结构和样本质量的依赖。ISSFSP的优越性可归因于ISSFSP是一种先进的光谱表示方法,它将隐含的光谱关系转化为可被CNN显性处理的空间特征。同时,BCS可以为待分类数据集自动选择一组最佳的波段组合,并确定最优的波段组合数量。由于ISSFSP在提高分类精度的同时,大大减少了对专业知识和用户互动的依赖,我们认为它在实际应用中具有很大的潜力,值得推广。

该论文已发表在 IEEE Transactions on Geoscience and Remote Sensing上。
Reference: H. Chen, D. Yin, J. Chen and Y. Chen, "Automatic Spectral Representation With Improved Stacked Spectral Feature Space Patch (ISSFSP) for CNN-Based Hyperspectral Image Classification," in IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-14, 2022, Art no. 4709014, doi: 10.1109/TGRS.2022.3210438.
URL: https://ieeexplore.ieee.org/document/9904535


分享到: