选择的数据为由国产GF-5卫星在我国东北地区于采集得到的高光谱数据局部。 GF-5卫星^[13]共搭载了六种类型的有效载荷, 选用数据由可见短波红外高光谱相机(advanced hyperspectral imager, AHSI)采集, 共包含330个光谱波段, 其中150个波段属于可见光近红外范围、 180个波段属于短波红外范围, 光谱分辨率分别为5和10 nm。

图像数据预处理需将现有数据经辐射定标、 大气校正以及反射值异常波段剔除。 大气校正的方法为FLAASH大气校正, 根据实验数据实际情况选择能见度、 气溶胶模型和气溶胶反演方法, 并采取一定程度的光谱平滑。 数据及预处理过程中某一点光谱曲线如图1所示, 得到包含305个有效波段的高光谱图像数据。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 预处理过程Fig.1 Preprocessing process

主要实验流程如图2。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 实验流程Fig.2 Experimental procedure

显著性目标检测(salient object detection, SOD) 源于人眼视觉系统对所观察图像中感兴趣区域的处理, 当人眼观看照片时, 视觉注意力会使人更加关注照片中的某类明显物体或特殊范围。 当观众品鉴一幅画作, 画中有一条自西向东流过的河流, 多数情况下观众会先注意到画里的河流, 而不是河流周边景物, 所以这幅画作中的河流就是所提到的显著性目标。 目标显著性算法就是利用计算机完成这项工作, 即将图像中的显著性目标检测到, 并将其增强后输出具有更加明显目标的显著性图像。 引入视觉显著性算法模型处理全波段空间域图像数据, 可以揭示诸多波段内不同地物目标的显著程度, 利用地物目标显著性的判别性差异程度定义波段显著性, 并采用波谱聚类分析划分波段子空间的方式保持光谱数据相关性, 进而提取最优波段组成选择子集应用于地物分类。

1.4.1 波段子空间划分

进行波段选择, 要先根据波段相关性进行光谱域的波段聚类, 将所有光谱波段划分成为互不相同的子空间, 在光谱域子空间内进行波段排序选择, 以减少所选择子集的光谱相关性信息重叠程度。 将预处理得到的高光谱图像数据, 计算所包含305个有效波段两两之间的相关系数, 即W_i与W_j两波段的相关系数r_{i, j}, 计算原理如式(1)。

ri, j=∑k=1n(Wik-W̅i)(Wjk-W̅j)∑k=1n(Wik-W̅i)2∑k=1n(Wjk-W̅j)2(1)

式(1)中, W_ik和W_jk代表所在波段的第k个像素值, W̅i与 W̅j表示所在波段的均值, n表示图像中像素总数。 相关系数r_{i, j}越接近1, 表示相关性越强, 反之越弱。 计算得到波段相关系数305× 305的矩阵图如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 波段相关性系数矩阵图Fig.3 Matrix of band correlation coefficients

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 单波段相关性系数变化曲线图Fig.4 Single-band correlation coefficient change curve

将波段相关系数矩阵结合单独波段相关性系数曲线变化率进行阈值二值化处理, 得到同一维度的二值化矩阵图, 如图5所示。 沿对角线可将全部波段分为5个互不重叠的子空间, 即0~75、 76~195、 196~235、 236~298、 299~305。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 二值化矩阵图Fig.5 Binarization matrix diagram

1.4.2 空间域目标视觉显著性提取

选取Spectral Residual算法、 Frequency-tuned算法、 Histogram-based Contrast算法、 LC算法, 使用这四种视觉显著性算法对高光谱图像光谱域波段进行目标视觉显著性提取运算处理, 运用不同的视觉显著性算法模型对同一光谱波段进行处理, 会提取出不同的视觉效果。

(1) Spectral Residual算法

Spectral Residual算法^[14]从自然图像统计原理出发, 提出了一种前端方法来模拟预注意视觉搜索行为。 区别于一般的图像算法, 该方法致力于逐幅图像进行对数谱分析, 并从计算得到谱残差中发现, 诸图像的对数谱具有一致性, 平均光谱曲线表明平均对数谱表现出局部线性, 这种线性关系可以反映图像中的重复信息, 并删去该部分无意义的信息, 得到能引起人类视觉系统关注的显著信息。 然后, 将光谱残差变换到空间域, 在算法模型中, 光谱残差包含图像中的特异性部分, 利用傅里叶逆变换, 在空间域构造目标显著性图像来显示目标位置。

(2) Frequency-tuned算法

Frequency-tuned算法^[15]能够输出具有显著对象细致边界的全像素目标显著性图。 该算法主要利用了颜色和亮度特性, 通过从原始图像中保留更多的频率内容得以更好地保留边界。 首先对输入图像进行高斯滤波, 去除高频信息, 接着对滤波后的图像进行颜色空间转换; 然后基于原图的Lab空间颜色像素计算算术平均像素值I_μ =[L_μ , a_μ , b_μ ], 宽为w和高为h像素的图像I输出目标显著图的方法可以表示为

S(x, y)=‖Iμ-Iwhc(x, y)‖(2)

式(2)中, S(x, y)为图像中某点的显著值, I_whc(x, y)为该点原始图像的高斯滤波处理得到的像素值向量。

(3) Histogram-based Contrast算法

Histogram-based Contrast算法^[16]是一种基于区域对比度的视觉显著性区域检测算法, 此种算法将全局对比度与空间相干性进行同等考量, 使用像素颜色的对比度定义显著性值的大小, 计算得到目标显著性图。 先将输入图像进行空间转换间, 由于该算法中相同的颜色具有相同的显著值, 所以采用颜色统计直方图对其进行归类后再运算。

S(x, y)=S(ci)=∑j=1nfj‖ci-cj‖(3)

式(3)中, c_i表示像素点(x, y)的颜色值, c_j代表其中一种颜色的值, n不同像素颜色的数量, f_j为颜色c_j的概率。

(4) LC算法

Zhai等^[17]提出人眼在观看图像时, 会被静止图像中特别的物体所吸引, 这叫做“ 空间注意” , 因为人眼视觉对色彩、 强度和纹理等信号的对比度感知非常灵敏。 LC算法以此为基本, 提出了一种利用图像颜色统计信息计算空间目标显著性图的有效方法。 基于图像颜色直方图, 得出计算复杂度与图像像素数成线性关系。 根据像素的颜色对比度输出图像的显著性映射。 像素I_k的显著性值的定义如式(4), 其中I_i的值在[0; 255]的范围内, ‖ * ‖ 表示颜色距离度量。

S(Ik)=∑∀Ii∈I‖Ik-Ii‖(4)

由上述四种空间域目标视觉显著性特征提取的方法处理第78波段图像得到的结果图S与其原灰度图像Band78、 水体地物的地面真值(Ground-truth)参考, 效果对比如图6。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 不同目标显著性方法效果对比Fig.6 Comparison of the effects of different target saliency methods (a): Band 78; (b): Ground-truth; (c): Histogram-Based contrast; (d): LC; (e): Frequency-tuned; (f): Spectral residual

1.4.3 光谱域波段显著性定义

引入目标视觉显著性算法模型逐个波段进行地物目标的视觉显著性特征增强处理之后, 提取到含有显著目标图像中能反映众多地物目标的不同特征的显著性特征波段。 遂进行基于图像显著性评价指标量化波段的目标显著程度, 利用波段显著性描述不同波段的目标可分离性。 一般来说, 图像显著性检测包括注视点显著性检测和目标显著性检测两种不同类型的评价方法。 前者主要是检测人眼关注点的位置, 常用的评价指标有: ROC、 AUC、 shuffled AUC等指标, 后者检测被人眼关注的目标区域, 常用的评价指标有: 平均绝对误差(mean absolute error, MAE)和F度量值等(F-measure)等^[18]。

选用计算波段图像内各类地物真值分别与目标显著图像的MAE量化所选波段内各类地物的可分离程度。 先将目标显著图像和各类目标地物的地面真值分别二值化, 用式(5)

进行计算。

MAE=1W×H∑x=1W∑y=1H|S̅(x, y)-G̅(x, y)|(5)

接下来, 定义波段i_k的波段显著性为OS(i_k)如式(6), 根据目标显著性评价指标对所有波段进行所有分类地物C中互不相同的地物a和地物b显著性对比度差异分析。 基于波段显著性, 进行子空间内降序排列, 从排序的结果挑选显著性较好的波段, 使用分类器进行分类实验。

OS(ik)=∑a∈C, b∈C|S(iak)-S(ibk)|(6)

1.4.4 波段选择子集

在各子空间内分别进行波段显著性的降序排列, 提取各聚类子空间内波段显著性最高的波段, 即具有对地物判别能力强的波段组成结果子集用于地物分类, 并对分类精度进行评价, 筛选出适合应用于分类识别的目标视觉显著性算法。 并与常用的波段选择算法比较, 验证所提出方法的有效性。

在1.4.1节中划分的5个高光谱图像子空间内, 依据波段显著性提取波段, 组合为波段选择子集, 经四种不同目标显著性算法处理的高光谱波段选择结果如表1。 其中, 在每个波段子空间内提取一个波段, 组合结果中波段数目为5, 即最少波段选择数量以用于地物分类进行实验验证。

表1

Table 1

表1(Table 1)

表1 目标显著波段选择结果子集 Table 1 Band selection subset based on target saliency algorithm Target saliency algorithm Band selection Subset LC 59, 100, 219, 280, 304 Frequency-tuned 59, 163, 216, 279, 304 Histogram-Based Contrast 59, 147, 213, 278, 304 Spectral Residual 33, 169, 209, 245, 304

表1 目标显著波段选择结果子集 Table 1 Band selection subset based on target saliency algorithm

各类地物在划分好的五个子空间中的光谱特征曲线如图7所示, 从图中可以看出, 根据目标显著性算法提出的波段选择方法所得到的波段选择子集, 在各个子空间中所选择的波段中, 不同的地物的反射值差异明显, 例如, 在第Ⅰ 子空间中, 引入的目标显著性算法所提取的波段集中在第59波段和第33波段, 在光谱反射值可见, 第59和33波段位置下, 各类地物反射差值较大, 并且曲线形状呈现较陡变化, 说明此类位置的光谱反射值变化斜率大, 数值变化明显。 同种情况也发生在其他波段空间内, 可为所选择波段应用于分类地物目标起到了判别作用, 具体判别情况如何可将选择完毕的波段子集进行地物分类实验, 验证其分类性能。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 地物光谱特征曲线Fig.7 Spectral characteristic curves of ground objects

为更好地验证提出的基于目标视觉显著性波段选择算法的实用性和有效性, 在选取波段子集中包含各子空间一个波段后, 进行选择波段扩充, 分别在互斥的子空间中提取相同数量, 共10, 15, 20, 25个波段, 并在分类实验中进行精度验证, 从而对目标显著性算法在高光谱数据波段提取领域进行更完备地验证和说明。