一种用于高光谱影像三维特征提取的张量奇异谱分析方法与流程

1.本发明涉及遥感影像处理技术领域，具体地说是一种用于高光谱影像三维特征提取的张量奇异谱分析方法。


背景技术：

2.卫星平台及传感器技术的快速发展，使得高光谱影像被广泛应用于环境监测、国土资源调查评估、城市规划等领域，其中高光谱影像的分类效果极大程度决定了其应用的效果，然而，原始高光谱影像往往受到传感器噪声和环境条件的影响，这导致了地物光谱发生变化，使得分类性能较差。因此，有效的特征提取对于提高高光谱影像分类中的类别可分性至关重要。
3.在过去的几十年里，一系列的特征提取方法已经被开发出来。其中线性转换模型，如主成分分析(pca)和线性判别分析(lda)，已被广泛用于hsi的光谱特征提取，此外，一些流形学习方法被进一步发展，以分析hsi的内在特征，提高光谱像素的可分离性，然而，这些方法只考虑了光谱信息而忽略了空间信息的潜在作用。近年来，光谱-空间联合特征提取方法受到广泛关注，在大多数光谱-空间方法中，光谱变换方法被用来提取光谱特征，空间方法进一步提取空间特征，生成联合光谱-空间特征，此外，还提出了一些双分支网络，分别在光谱域和空间域进行特征提取，并融合两个分支的特征以提高分类性能，实际上，这些方法的光谱和空间处理是独立的过程，通过简单的特征融合得到最终的光谱-空间特征，但这些方法往往忽略了高光谱影像所特有的光谱连续性和空间相似性的联合依赖。
4.为了解决上述不足，一些三维谱空间特征提取方法由于其在高维数据中更有效地提取内在特征的潜力而被开发，可进一步分为三类:基于3d滤波的方法、基于张量的方法和基于深度学习的方法，其中三维过滤器或运算器通常被用来同时提取光谱-空间特征提取，如3d gabor等，但这些方法获得的三维特征的维度通常是巨大的，而且每个模块的可辨别性也各不相同，此外，这些方法的处理单元是一个小的三维块，只能表征高光谱的局部结构。张量被用于数据分析，因为它可以有效地探索其低秩性，其中张量奇异值分解(t-svd)已被提出用于图像修复和去噪，但将其用于特征提取的研究相对较少。深度学习方法，如经典的三维卷积神经网络(3dcnn)可提取光谱和局部空间特征，但仍然面临着深度学习中存在的所有问题，如包括需要大量的训练样本、大量的超参数和模型缺乏可解释性。
5.最近，奇异光谱分析(ssa)，一种用于时间序列分析的技术，已经证明了其在高光谱特征提取方面的能力。ssa作用于光谱域，通过嵌入考虑像素的局部和全局光谱特征。同样，其二维版本(2dssa)能够通过二维嵌入窗口融合给定波段图像的局部和全局特征，很好地保持了全局的相关性。这使得对高光谱立方体进行全局处理是可行的。然而ssa和2dssa都不能同时提取光谱和空间特征，尽管现有技术进一步提出了光谱-空间ssa(1.5dssa)，但它只考虑了局部光谱和空间信息，无法描述hsi的全局相关性。
6.因此，需要设计一种用于高光谱影像三维特征提取的张量奇异谱分析方法，不仅可以提取光谱和空间特征，还可以考虑立方体的全局信息。


技术实现要素：

7.本发明的目的是克服现有技术的不足，提供了一种用于高光谱影像三维特征提取的张量奇异谱分析方法，不仅可以提取光谱和空间特征，还可以考虑立方体的全局信息，通过构建有效的轨迹张量，并通过张量分解和重构，可以得到高光谱的低秩内在特征，解决传统ssa分类精度较低、无法提取3-d谱空间特征，以及光谱变异性等问题，深入挖掘影像的本征特征。
8.为了达到上述目的，本发明提供一种用于高光谱影像三维特征提取的张量奇异谱分析方法，包括以下步骤：
9.s1：基于空间自相似性的自适应嵌入
10.s101：对于任意一个光谱像素，确定一个以其为中心的搜索区域；
11.s102：在搜索区域内，根据欧式距离判断邻域像素与中心像素的像素性；
12.s103：选择s102中一定数量的邻域像素与中心像素中的相似像素组合为矩阵，所有像素对应的矩阵排列为轨迹张量；
13.s2：基于t-svd的分解和低秩表示，t-svd为张量奇异值分解
14.s201：对得到的轨迹矩阵进行t-svd分解，得到相应的左奇异张量、右奇异张量和管奇异值张量；
15.s202：通过选择重构数量，通过截断相应的奇异张量，重构得到低秩的、保留了主要内在特征轨迹张量；
16.s3：特征影像及分类
17.s301：对低秩轨迹张量进行重投影，可得到与原始影像相同尺寸的特征影像；
18.s302：在特征影像中，每类地物随机挑选一定数量的样本作为训练，剩余样本作为测试，并使用支持向量机(svm)分类器进行精度评价。
19.s103中的轨迹张亮在空间方向上是对应每个波段图像的伪hankel矩阵，光谱方向上保留了原有光谱信息。
20.s103中的相似像素的选择方式为确定一个局部搜索区域，在搜索区域内部根据欧式距离大小，将一定数量欧式距离最小的像素作为相似像素。
21.s201中的分解将t-svd作用于轨迹张量，在傅立叶变换域进行分解。
22.s301中重投影的方式是以反嵌入的方式投影为高光谱影像大小。
23.本发明同现有技术相比，通过自适应嵌入和t-svd过程，实现光谱和空间特征的三维提取，通过一种新的自适应嵌入操作，利用hsi的空间相似性特征，联合利用目标像素和非局部相似像素，并结合相应的重投影操作，在保持目标类间差异的同时增强了类内相似度，通过设计一个轨迹张量，并与t-svd相结合，共同表征hsi的全局低秩特征，轨迹张量中相似像素的排列使其具有低秩特征，并通过截断t-svd进一步提取低秩特征，实现了对三维高光谱影像的特征提取，进而提高高光谱影像分类中的类别可分性。
24.本发明在传统ssa的基本步骤上对其进行了各方面的改进，主要体现在：自适应窗口构建、低秩性轨迹张量的构建和t-svd的合理应用。在自适应窗口上，基于中心像素及其欧式距离判断的相似像素，得到了一个像素数
×
波段数的二维矩阵，这种嵌入方法相比于传统2dssa的嵌入方式，其窗口内包含更多的同类像素。在轨迹张量构建上，该张量同时包含了光谱和空间信息，并且在三个模方向上均具有较好的低秩性。在t-svd使用上，这是首
次将t-svd应用于ssa方法，它一方面可实现光谱和空间的同时分解和重构，另一方面通过截断可以有效保留主要的低秩内在特性，有利于主要信息的保留和提纯。
附图说明
25.图1为本发明的总体流程示意图；
26.图2为自适应窗口内搜索相似像素的示意图；
27.图3为tssa与2dssa、3dgabor、3dcnn和trpca的分类对比图；
28.图4为本发明特征提取后分类精度对比示意图。
具体实施方式
29.现结合附图对本发明做进一步描述。
30.本发明提供一种用于高光谱影像三维特征提取的张量奇异谱分析方法：
31.如图1～图4所示，包括以下步骤：
32.s1：基于空间自相似性的自适应嵌入
33.s101：对于任意一个光谱像素，确定一个以其为中心的搜索区域；
34.s102：在搜索区域内，根据欧式距离判断邻域像素与中心像素的像素性；
35.s103：选择s102中一定数量的邻域像素与中心像素中的相似像素组合为矩阵，所有像素对应的矩阵排列为轨迹张量；
36.s2：基于t-svd的分解和低秩表示，t-svd为张量奇异值分解
37.s201：对得到的轨迹矩阵进行t-svd分解，得到相应的左奇异张量、右奇异张量和管奇异值张量；
38.s202：通过选择重构数量，通过截断相应的奇异张量，重构得到低秩的、保留了主要内在特征轨迹张量；
39.s3：特征影像及分类
40.s301：对低秩轨迹张量进行重投影，可得到与原始影像相同尺寸的特征影像；
41.s302：在特征影像中，每类地物随机挑选一定数量的样本作为训练，剩余样本作为测试，并使用支持向量机(svm)分类器进行精度评价。
42.s103中的轨迹张亮在空间方向上是对应每个波段图像的伪hankel矩阵，光谱方向上保留了原有光谱信息。
43.s103中的相似像素的选择方式为确定一个局部搜索区域，在搜索区域内部根据欧式距离大小，将一定数量欧式距离最小的像素作为相似像素。
44.s201中的分解将t-svd作用于轨迹张量，在傅立叶变换域进行分解。
45.s301中重投影的方式是以反嵌入的方式投影为高光谱影像大小。
46.实施例：
47.下面结合附图对本发明方法的具体实施方式做进一步说明。本发明提供的一种用于高光谱影像三维特征提取的张量奇异谱分析方法，可用于由aviris(airborne visible infrared imaging spectrometer)传感器获取的indian pine地区高光谱影像的处理。aviris传感器的空间分辨率和波谱分辨率分别为10米和10纳米，波谱范围400-2400nm，共包括224个谱段，其中4个值为0波段被去除。此外，indian pine影像的波段[104-108]、
[150-163]和220的值受吸水波段的影响，所以这些波段在本案例中也被去除。因此，本案例采用的indian pine影像共有200个波段，图像尺寸为145
×
145像元大小，共包括16种地物类型(主要是不同农作物)，其余像素被认为是背景。
[0048]
如图1所示，本发明提供的一种用于高光谱影像三维特征提取的张量奇异谱分析方法，包括以下详细步骤：
[0049]
1.对于给定高光谱影像的每个像素，首先以其为中心确定一个w
×
w大小的搜索窗口。对于边缘处的像素，在影像的外圈进行镜像像素补充，以保证每个像素都有一个相同尺寸的搜索区域，本发明实施例将搜索窗口设置为11
×
11大小。
[0050]
2.在搜索区域内，判断中心像素与其余像素的光谱相似性，判别标准选用欧式距离，通过对得到的欧式距离进行升序排序，选择包括中心像素在内的前l个相似像素，其中l＜w
×
w。
[0051]
3.将任一像素对应的l个光谱像素，排列为一个矩阵其中b为高光谱影像的波段数量，对每个矩阵进行翻转，并将其排列为一个张量的形式，如下所示：
[0052][0053]
其中t为得到的轨迹张量，n为高光谱影像的像素数量。轨迹张量t具有低秩的特性，主要体现在空间列方向上的上像素相似性，以及光谱方向上的波段高度的相关性。
[0054]
4.对于得到的轨迹张量，使用t-svd对其进行张量分解。首先将对轨迹张量t进行傅立叶变换，得到变换域中的张量tf。然后，在张量tf的每个正向切面上，对其进行svd分解，得到相应的奇异向量和奇异值，如下所示：
[0055]
[uf，sf，vf]＝svd(tf)
[0056]
其中uf和vf分别为得到的左奇异张量和右奇异值张量，sf为管奇异值张量，其尺寸大小分别为和最后，使用逆傅立叶变换将得到的三个奇异张量变换到实数域，分别得到和
[0057]
5.确定理想的重构成分数r，并将其作为张量的截断秩，对上一步得到的三个奇异张量进行截断，如下所示：
[0058]
u’＝u(：，1：r，：)
[0059]
s’＝s(1：r，1：r，：)
[0060]v’
＝v(：，1：r，：)
[0061]
其中u’、v’和s’分别为截断后的左奇异张量、右奇异张量和管奇异张量。然后使用截断后的张量进行轨迹张量重构，如下所示：
[0062]
tr＝u
′
*s
′
*v
′
t
[0063]
其中tr表示重构后的轨迹张量，该轨迹张量相比于原始轨迹张量，保留了主要的内在低秩特征，并且去除了部分影响成分。
[0064]
6.将得到的重构轨迹张量重新投影为原始高光谱影像尺寸大小，投影方式为将tr的每个侧向切片矩阵，拆解为多个像素，并将这些像素返回到原先的空间位置。对于某些位置的像素，可能来自多个切片矩阵，可将这些像素进行平均，从而使其在正常的数值范围内。经过处理后，可以得到与原始高光谱影像相同尺寸大小的特征影像。
[0065]
7.对得到的特征影像，随机选取一定数量的像素样本作为训练，剩余样本作为测试，使用svm分类器来对特征进行精度评估，并获得影像分类结果。
[0066]
为了验证空间特征提取的分类效果，本实验分别从影像中随机选取2％的样本作为训练，剩余的样本用于测试，采样方式为分层抽样，训练集和测试集中的样本互不重叠。精度评价指标包括三个：总体精度(oa)，平均精度(aa)和kappa系数。此外，为避免系统误差和减少随机偏差，实验统计了在10次独立训练和测试下的平均分类精度和标准差。
[0067]
图4给出了本发明方法和2dssa、3dgabor、3dcnn和trpca方法用于indian pine影像分类的总体分类精度。如图4所示，相比于其它2-d和3-d方法，本发明方法能够取得更优的分类精度，并且不同随机样本下的精度标准差较低，体现了方法分类的鲁棒性。分类结果对应的分类图如图3所示，可以看出，tssa的分类结果图消除了地物内部存在的椒盐噪声现象，并且更好的保留了地物的边缘信息，2dssa和3dgabor改变了地物的原始形状，3dcnn和trpca的存在分类斑影。
[0068]
总体而言，本发明的方法具有更优异的特征提取和分类能力。
[0069]
以上，对本发明的实施方式进行了说明，但本发明的范围并不仅仅限于此，使用者可以在不脱离本发明的主旨的范围内进行各种变更，加以实施，但是都包括在本专利的保护范围内。
[0070]
本发明从整体上解决了现有技术无法表征高光谱的局部结构，需要大量的训练样本、大量的超参数和模型缺乏可解释性，以及不能同时提取光谱和空间特征，只考虑了局部光谱和空间信息，无法描述hsi的全局相关性等问题，通过构建有效的轨迹张量，并通过张量分解和重构，得到高光谱的低秩内在特征，解决传统ssa分类精度较低、无法提取3-d谱空间特征，以及光谱变异性等问题，深入挖掘影像的本征特征，既有较高的处理效率，也实现了空间和光谱维度的同时处理，且能够合理的评价提取特征的有效性。