基于超像素稀疏表示的高光谱遥感图像分类原理分析

来源:用户上传      作者:

　　【摘 要】稀疏表示理论已被广泛用于图像分类任务，在遥感图像领域内高光谱图像的分类也适用于稀疏表示分类;另一方面，超像素的分割结果对于类特征的提取具有重要的意义，因此将超像素计算与稀疏表示分类相结合可以有效地提高遥感图像分类的精度。
　　【关键词】稀疏表示分类;超像素;高光谱图像
　　中图分类号： TP391.41 文献标识码： A 文章编号： 2095-2457（2019）26-0122-001
　　DOI：10.19694/j.cnki.issn2095-2457.2019.26.057
　　目前，各种遥感数据呈现海量式的增长，但遥感图像包含不同波段的矩阵，数据包含信息更为复杂，其特有的成像机理使人工解译变得极为困难。对于理解遥感图像的步骤，正常情况分为两个宏观的方面，其一是分类，这个是前提，然后才是理解。虽然这些步骤极为简单，但是这其中涉及到的技术就很多了，其中图像分类提取技术最为关键，它是核心，通过它，才能进行后面的操作，比如相关知识的表达，和相对应的推理、匹配技术。由于理解较为复杂，因此对于知识的运用程度以及范围都有着较为严格的划分。当然，关于完成任务的难易程度也会有相应的划分。根据划分，遥感图像的理解被分为两个部分，其一为低级处理部分，这部分较为简单，对于技术的要求不是太高，主要是关于图像输入、纠正等方面。其二是中级处理部分，相较于前者，这部分对于技术的要求也会相应地提高，主要是关于图像的分类等方面。最后便是高级处理，这个步骤涉及的技术最多，要求也更为严格，因为提炼知识、识别目标等处理流程對于自身综合素质的要求非常高，所运用的知识更为复杂、繁多。虽然中级处理要求自身素质较低，但是其中的图像分类确实承上启下的重要步骤，因为它是遥感图像理解的关键过程。遥感图像的分类也是有相应的划分依据的，其中包括光谱、空间、时间等特性。因此，如何对获取的大量遥感数据进行自动解译就变得十分重要。高光谱遥感影像不仅具有普通影像具有的地物图像信息，而且包含丰富的对应地物类别的光谱信息，因此，利用高光谱影像可实现更离精度的影像分类，满足实际应用和生产的需要。高光谱的分类也是一项比较复杂的项目，因为它涉及的知识点非常的广泛，其中既包括统计学的知识，又涉及形态学理论，对于数据的敏感度要求较高。
　　1 稀疏表示分类原理
　　近年来，信号和图像处理等领域大多数使用稀疏模型。该模型主要依附于基或字典中很少量元素的组合来完成，并且组合的方式主要是线性组合。完备图像稀疏表示是近年来又一新的研究方向和热点。随着完备稀疏表示理论的进一步研究和完善，其众多方法被用于计算机视觉的任务当中：图像检索，语义理解，场景分类，目标检测等，这与遥感影像分类的任务不谋而合，可以相信，超完备图像稀疏表示理论的研究将会成为图像关联领域的智能化分析和理解的重要手段。遥感图像地物电磁波辐射的多段测量值构成的光谱特征，经常用来作为衡量遥感图像分类的基标准。它既可以反映图像的空间分布信息，又可以显示出结构信息的纹理特征。基于上述表述，它可以作为遥感图像分类的有益补充，特别是在特征空间这方面。众多成功的应用中，基于稀疏表示的图像分类受到了各方面的极大关注。研究表明，从视觉神经元的机理来看，自然图像是可以稀疏表示的。提出一个基于稀疏表示的分类方法（Sparse Representation based Classification，SRC），此类方法假设测试样本能被同类目标成功地表示。简单地说，SRC就是利用训练样本之中的固有属性以及它的线性特征，通过计算得出线性表示系统的重要参数——稀疏表示系数，之后再结合训练样本计算得出每类的重构误差，最后再把测试样本放入最小重构误差的类别。计算出众多研究表明自然图像能够被稀疏表示，并且稀疏表示理论能够很好地完成图像分类任务。
　　2 超像素计算策略分析
　　超像素是图像经过初步划分，然后得到的同质区域。其划分依据主要是纹理、颜色、亮度以及他们的相邻像素。这种根据特征的相似程度进行的像素分组，可以抽象出图像的更高层的组合信息，而且一般不会破坏图像中真实的边界信息。超像素算法提取了图像中符合认知规律的同质区域，集合了像素的群体特征，为进一步的图像分析和理解提供了更丰富的知识。现有的基于像素的处理算法经过超像素操作，可以大大降低其复杂性，还可以节省大量的时间。由于优点明显，国内外都将其视为关键技术。因此，超像素的思想被应用到了许多计算机视觉任务的前期处理中，它对于图像的分割，图像识别和分类，以及目标定位等众多应用都有深远的意义。
　　3 基于超像素的高光谱图像稀疏表示分类原理
　　稀疏表示分类需要立足于高维复合特征融合与稀疏表示的字典学习并以此为切入点，将解决遥感影像语义特征学习与分类有机的融合并统一起来为基本目标，结合仿真分析和原型实现，系统性地研究遥感图像分类和描述的核心过程和相应的关键问题。一方面，重点对底层特征构建同质超像素的完备集合进行研究，通过对多种分割策略进行对比分析，获取同质区域特性为基础的弱类属性;超像素计算可以在降维的基础上进行计算，降低时间消耗。另一方面，利用图像稀疏表示理论和方法并结合遥感影像的多纹理，多源特点，重点研究具有适应性的稀疏表示模型的构建和最优化求解问题，选取少量标记样本作为训练的字典，以超像素分割区域为基础建立重构矩阵，可以依据邻近区域，整体超像素等多样化的策略定义重构矩阵，利用贪婪匹配方法并寻找最佳稀疏表示系数，提出实时性比较好、鲁棒性比较强的高光谱图像分类方法。
　　【参考文献】
　　[1]罗学刚，吕俊瑞，彭真明.超像素分割及评价的最新研究进展[J].激光与光电子学进展，2019，56（9）.
　　[2]李铁，孙劲光，张新君，et al.基于分层稀疏表示特征学习的高光谱图像分类研究[J].激光与光电子学进展，2016，53（9）.
　　[3]卢佳，保文星.基于独立空谱残差融合的联合稀疏表示高光谱图像分类[J].计算机工程，2019，45（01）：252-258.
转载注明来源:https://www.xzbu.com/8/view-15049121.htm