摘 要：文章提出一种基于多特征的高光谱遥感影像主动学习方法，从遥感影像中提取形态学特征，灰度共生纹理和小波纹理描述遥感影像上的空间信息，将获得的多种空间特征与光谱特征相叠加进行主动学习，结合MCLU准则选择最具信息量的样本进行标记，通过计算机和专家的不断交互，获得可靠的分类结果。在公共数据集Pavia University影像上的实验结果表明，文章提出的基于多特征的主动学习方法能够获得比基于光谱的主动学习方法和结合单一空间特征的主动学习方法更好的分类结果。
关键词：主动学习；多特征；高光谱；遥感；影像分类
中图分类号：O433 文献标志码：A 文章编号：2095-2945（2017）33-0077-03
引言
随着机器学习的不断发展，主动学习的策略被用于解决高光谱遥感影像分类中的训练样本获取问题。众多研究者针对高光谱遥感影像主动学习展开了研究。根据样本信息量评定标准的差异，当前主流的主动学习算法可以分为以下几类：（1）基于委员会的算法：该算法基于多个分类器结果的共同决策，选择在多个分类器中预测标记分歧最大的样本进行标记并加入训练样本集。（2）基于边界最大化的算法：基于边界最大化的方式是基于支持向量机（SVM）模型而提出的，它考虑了样本在高维特征空间中与分类超平面的空间位置关系，认为在特征空间中最靠近超平面的点信息量最大。（3）基于后验概率的算法：此类方法使用样本属于各个类别的后验概率来衡量样本的信息量。若一个样本属于两个最可能的类别的概率差异很小，则该样本具有较大的信息量。然而，以上方法往往从单个像素自身的光谱特性出发，忽略了遥感影像上像素间的联系，对遥感影像的空间信息利用不足。
近年来，光谱-空间联合分类方法在遥感影像解译中受到极大的关注。大量的研究表明，遥感影像空间信息丰富，利用影像的空间特征，能够有效地增强高光谱遥感影像的分类精度。因此，文章提出了一种基于多特征的高光谱遥感影像主动学习方法。本研究立足于遥感影像地物分布特点，从高光谱影像中获取多种空间特征，增强不同类别的光谱可分性，从而提升主动学习的性能。该方法旨在利用多种空间特征的互补信息，克服单一空间特征表达能力不足的问题，利用少量的标记样本获得较好的分类结果。为了验证提出方法的有效性，文章采用了公用的高光谱遥感影像进行测试，同时，对比了仅考虑光谱的主动学习方法和结合单一空间特征的主动学习方法。
1 方法描述
文章提出了一种基于多特征的高光谱遥感影像主动学习方法，该方法主要包括两个部分：多特征提取和主动学习。多特征提取的目的在于从影像中提取多种特征对地物空间分布进行描述，从而便于不同类别地物的区分。另一方面，主动学习立足于提取到的空间特征和影像的光谱属性，选择最具信息量的样本进行标记。
1.1 多特征提取
（1）形態学特征
形态学是基于数学形态学提出的用于提取目标结构形态特征的算法。该方法立足于地物在遥感影像上所呈现的多尺度性，使用形态学开重构和闭重构，采取一系列不同大小的形态学算子对获取地物特征，获取多个的形态学轮廓特征全面描述目标的空间结构信息。使用具有不同大小的形态学算子对基影像进行开重构和闭重构，可以获得形态学轮廓。在形态学轮廓的基础上，计算结构算子大小变化而引起的灰度变化，获得差分形态学特征，用于表示地物在不同尺度下的响应：
（1）
其中，MP和MP分别代表在形态算子为λ时，所获得的形态学开运算和闭运算的结果。
（2）灰度共生纹理
灰度共生纹理是基于灰度共生矩阵获取的地物纹理信息。将原始影像映射至特定灰度级，并统计在固定大小窗口中特定方向上的像素间的灰度共生关系，构建灰度共生矩阵表示影像局部的地物分布规律。影像中不同地物的空间分布往往会对应着不同的灰度共生矩阵，可以使用基于灰度共生矩阵的统计测度表示不同地物的纹理和结构特性。在本研究中，采用对比度和同质性作为统计测度来描述影像的纹理特性。对比度表示相邻像素的灰度差异，同质性代表局部区域的灰度变化，计算方式如下：
（2）
其中，g（i，j）代表灰度级为i和j的共生像素出现的频率，Ng代表影像灰度级。
（3）小波纹理
小波纹理可以视为将高光谱影像小波分解后所得到的结果。该方法将原始影像视为一个立体块，并将其分解为{LxLyLz，LxHyLz，LxLyHz，LxHyHz，HxLyLz，HxHyLz，HxLyHz，HxHyHz}共8个子成分，其中L和H分别代表低通子成分和高通子成分，x和y表示的是影像的空间坐标，而z表示的是光谱维。本研究使用影像小波分解后获得的低通子成分和高通子成分作为影像的小波纹理，具体的分解方式如下：
（3）
1.2 主动学习
主动学习旨在利用少量的最具信息量的样本，获取可靠的分类结果，从而降低样本标记所需的代价。其基础理论在于，利用少量精心选择的样本生成的分类器的解译能力并不弱于大量随机选择的样本生成的分类器，从而能够减少需要标记的样本数量，降低标记过程的消耗。主动学习通过计算机的计算能力，从候选样本集中选择最具信息量的样本并交于专家进行标记，将标记后的样本加入训练集重新构建分类器，通过计算机和专家的不断交互，不断扩充分类样本集从而提升分类模型的准确性和鲁棒性。假设存在仅包含n个标记样本的训练集T={Xi，yi}，其中，Xi为样本的特征向量，而yi={1，2，...，K}为样本Xi的标记。此外，存在包含m个未标记样本的候选集U={Xi}代表未标记样本集，并且候选样本集中的样本数量远远多于标记样本集中的样本数量。主动学习立足于当前的训练样本集T，计算机通过计算候选集U中样本的不确定性，选择对分类器最有帮助的样本并将其反馈给专家，而专家结合自身的经验及实地调研或目视解译的结果对反馈的样本进行标记。
本研究将从高光谱遥感中提取到的多种空间特征与光谱特征进行叠加，形成光谱-空间联合特征向量用于分类。在选择样本的过程中，采用了MLCU准则去衡量未标记样本的信息量，计算方式如下：
其中，r1max（Xi）和r2max（Xi）分别表示样本Xi到最近和第二近的超平面的距离。如果cdiff（Xi）的值越小，则样本的信息量越高，该样本更可能被认为是对分类模型有益的样本。
2 实验分析
2.1 数据介绍
实验采用的高光谱遥感影像为Pavia University数据集。Pavia University影像由ROSIS传感器在意大利帕维亚市上空获取，共包含9种不同类型的地物。影像大小为610像素×340像素，空间分辨率为1.3米/像素。由于原始影像中部分波段包含较多噪声，将12个噪声波段去除后，影像剩余103个波段。实验中所使用的高光谱影像为测试遥感影像算法的公用数据集，其测试样本由数据发布方提供。Pavia University影像和对应的测试数据如图1所示。
2.2 实验参数
在多特征提取中，采用PCA降维后的第一主成分和第二主成分作为提取形态学特征和灰度共生纹理的基准影像。考虑到遥感影像上地物的多尺度特性，提取形态学特征所用的结构算子为圆形算子，半径设置为1到10。提取灰度共生纹理时，灰度等级设置为16，使用的窗口大小为3，5，…，11。而小波纹理的提取窗口大小设置为4，8，16，32。
文章采用的分类器为支持向量机（SVM， support vector machine），使用的核函数为径向基函数（RBF， radial basis function）。惩罚系数和RBF带宽均通过交叉验证的方式获取。每类的初始训练样本个数为5个，共有9类，共45个样本。计算机每次选择信息量最大的5个样本交于专家标记，共标记50次。为了确保结果的可靠性，所有实验使用随机选择的初始样本并重复10次。实验对比中采用10次结果的整体精度（OA， overall accuracy）的均值对不同算法进行对比。
2.3 实验对比
为了验证算法的有效性，实验对比了基于光谱的主动学习方法和联合单一空间特征的主动学习方法。其中，联合单一空间特征的主动学习方法分别结合了形态学轮廓，灰度共生纹理，和小波纹理。实验结果如图2所示。
图中，横轴代表的是标记样本的数量，纵轴代表的是算法取得的精度。从精度曲线中可以看出，结合了空间特征的算法的结果明显优于仅依赖于光谱特征的算法，而基于多特征的主动学习方式明显获得了最优的结果。
具体而言，对于Pavia University影像，仅依赖光谱的主动学习方法能够获得的最优精度为89.43%，结合单一空间特征的方法获得的最优精度分别为94.00%、89.71%和94.62%。而提出的基于多特征的主动学习方法获得的最优精度为97.79%。当使用250个标记样本时，基于光谱的主动学习方法的精度为88.60%。结合形态学特征，灰度共生纹理和小波纹理的主动学习方法所获得的精度分别为93.14%、88.80%和93.78%，我们提出的算法获得的精度为97.06%。当获得90%的分类精度时，基于光谱和结合灰度共生纹理的主动学习方法需要标记的样本数量多于300个，结合形态学特征和结合小波纹理的主动学习方法分别需要135个和145个标记样本，而提出的算法只需要标记110个样本，明显少于其他的对比方法。可见，基于多特征的主动学习能够使用较少的样本获得更高的精度，实验结果证明了所提出方法的有效性。
3 结论与展望
文章针对高光谱遥感影像分类中的样本标记问题，提出了一种基于多特征的主动学习方法。该方法有效地挖掘了高光谱遥感影像的空间信息，发挥不同特征的互补性，增强不同类别的可分性，从而有利于选择出最具信息量的样本。文章使用了形态学特征，灰度共生纹理和小波纹理描述遥感影像的空间信息，同时采用MCLU准则衡量待标记样本的信息量，选择对分类模型构建最优帮助的样本点进行标记，通过计算机与专家的不断交互，减少需要标记的样本数量，降低样本标记的消耗。从实验结果中可以看出，文章所提出的算法能够获得比依赖于光谱的主动学习方式和考虑了单一空间特征的主动学习方法更好的结果。将来的研究工作将着眼于联合半监督学习和主动学习的高光谱遥感影像分类方法，进一步减少需要标记的样本数量。
参考文献：
[1]Crawford M M， Tuia D， Yang H L. Active learning： Any value for classification of remotely sensed data[J]. Proceedings of the IEEE，2013，101（3）：593-608.
[2]陳建杰，叶智宣.多分类SVM主动学习及其在遥感图像分类中的应用[J].测绘科学，2009，34（4）：97-100.
[3]杜培军，夏俊士，薛朝辉，等.高光谱遥感影像分类研究进展[J].遥感学报，2016，20（2）：236-256.
[4]田彦平，陶超，邹峥嵘，等.主动学习与图的半监督相结合的高光谱影像分类[J].测绘学报，2015，44（8）：919-926.
[5]李宠，谷琼，蔡之华，等.改进的主动学习算法及在高光谱分类中的应用[J].华中科技大学学报：自然科学版，2013（S2）：274-278.
[6]Benediktsson J A， Palmason J A， Sveinsson J R. Classification of hyperspectral data from urban areas based on extended morphological profiles[J]. IEEE Transactions on Geoscience and Remote Sensing， 2005，43（3）：480-491.
[7]Ye Z， Prasad S， Li W， et al. Classification based on 3-D DWT and decision fusion for hyperspectral image analysis[J]. IEEE Geoscience and Remote Sensing Letters， 2014，11（1）：173-177.
[8]李智峰，朱谷昌，董泰锋.基于灰度共生矩阵的图像纹理特征地物分类应用[J].地质与勘探，2011，47（3）：456-461.