基于表示模型的高光谱遥感影像分类综述_虞瑶.pdf

第 46 卷 第 6 期2023 年 6 月测绘与空间地理信息GEOMATICS SPATIAL INFOMATION TECHNOLOGYVol 46，No 6Jun，2023收稿日期:20211220基金项目:江苏省自然资源科技项目(2021041)资助作者简介:虞瑶(1995)，女，安徽安庆人，工程师，硕士，2017 年毕业于河海大学摄影测量与遥感专业，主要从事摄影测量与遥感研究等方面的工作。基于表示模型的高光谱遥感影像分类综述虞瑶，李倩楠，王家慧(江苏省基础地理信息中心，江苏 南京 210013)摘要:高光谱成像技术具有光谱连续、图谱合一的特点，可实现地物目标的精细化解译。其中影像分类是高光谱遥感图像信息处理领域的前沿科学问题。表示模型在影像分类方面具有较大优势，近年来受到了广泛的关注和研究，取得了一系列成果。基于此，本文首先介绍了稀疏表示和协同表示模型的原理;其次系统地阐述了高光谱遥感影像分类中稀疏表示和协同表示的研究现状;最后对该研究领域发展提出建议和展望。关键词:稀疏表示;高光谱遥感分类;协同表示中图分类号:P237文献标识码:A文章编号:16725867(2023)06006804A eview of Hyperspectral emote Sensing Image ClassificationBased on epresentation ModelYU Yao，LI Qiannan，WANG Jiahui(Provincial Geomatics Centre of Jiangsu，Nanjing 210013，China)Abstract:Hyperspectral imaging technology has the characteristics of continuous spectrum and integration of maps，which provides thepossibility for accurate interpretation of ground object target Image classification is a frontier scientific problem in the field of hyper-spectral remote sensing image information processing In view of the advantages of the representation model in image classification，ithas received extensive attention and research in recent years，and a series of results have been achieved Based on this，this articlefirst introduces the principles of sparse representation and collaborative representation models;Secondly，the research status of sparserepresentation and collaborative representation in hyperspectral remote sensing image classification is systematically explained;Final-ly，suggestions and prospects for the development of this research field are proposedKey words:sparse representation;hyperspectral remote sensing image classification;collaborative representation0引言高光谱遥感技术作为遥感领域的前沿技术，在地质灾害、土地利用、环境保护和农业生产等方面发挥着越来越重要的作用。它具有图谱合一、光谱波段数目多且连续的特点，为地物目标的精细分类提供了可能性。其中分类问题是高光谱遥感的重要内容，也是其面向应用的基础。高光谱影像在地物识别方面具有独特的优势，但同时也面临一些巨大的挑战。如高光谱波段数目众多，数据量大，不可避免地增加了计算的复杂度。而且人工标注样本成本高，会浪费大量的人力和财力，导致高光谱遥感影像分类时常常面临小样本问题。小样本和高维度的问题，容易造成“休斯现象”12，即当特征维度达到一定数目后，分类精度会随着特征维度的增加而降低。近几年来，表示模型分类作为新型机器学习方法，以模型简单、泛化能力强等优点在高光谱遥感分类问题上具有较好的效果。表示模型中的稀疏表示(Sparse epre-sentation，S)利用所有类别的训练样本集组成的过完备字典对测试样本进行稀疏性地线性表示。协同表示(Col-laborative epresentation，C)提出，相比于稀疏性约束训练样本间的竞争性的表示估计，训练样本间的协同性的表示估计更有助于提升分类的效果。1表示模型背景知识1 1稀疏表示稀疏表示的核心思想是通过部分重要的训练样本子集完备地恢复重建测试样本。它通过 l1范数对表示系数向量 进行稀疏性约束，致使表示系数向量 的非零值一般聚集在其所在类别的训练样本对应的索引位置上。假设测试样本 y N代表一个 N 维的高维光谱向量，训练样本 X MN包含 M 个训练样本。该数据集的地物总类别数为 K。基于训练样本 X MN构造的相应字典表示为 D1，D2，DK，第 m 类训练样本组成的相应子字典表示为 Dm，Dm=xm iMmi=1，其中 m 1，2，K，Km=1Mm=M。稀疏表示分类模型旨在获取稀疏表示模型的系数向量 ，该模型需要同时满足误差项y D22最小和约束项 1最小，稀疏表示分类算法目标函数的表达如式(1)所示:=argminay D22+a1(1)式中，为平衡误差项和约束项的正则化参数。式(1)对应的稀疏优化问题可以采用基追踪(Basis Pursuit，BP)算法求解。aM为稀疏表示系数向量，amMm为第 m 类训练样本所对应的稀疏表示系数向量。在稀疏表示分类框架中，假设测试样本 ym属于第 m 类地物，则它应与第 m 类训练样本所产生的表示估计值 Dmm最为接近，因此测试样本 y 的分类依据如式(2)所示:class(y)=argminm=1，Kym Dmam2(2)稀疏表示通过 l1范数的最小化约束，导致训练样本间竞争性地表示测试样本，即在最理想稀疏表示模型下，测试样本只由该类别的训练样本子集线性逼近。1 2协同表示稀疏表示分类模型在高光谱遥感应用中越来越广泛，其不足的一面也日趋明显。一方面，完美的稀疏表示模型需要过完备字典作为训练集，但是训练样本的获取需要耗费大量的人力、物力，因此，小样本的分类情景是当前研究的重点问题，而稀疏表示分类算法在小样本的情景下难以具有最理想的分类表现。另一方面，基于 l1范数正则化方法在处理高维数据时运算复杂度非常高。针对上述问题，另一种表示分类思想的模型 协同表示分类模型采用 l2范数正则化对表示系数向量进行约束，使得全部的训练样本协同性地线性表示测试样本，可以更有效地解决少量样本问题。更重要的是该方法采用解析解的方式求解协同表示的表示系数向量，在取得较为满意的分类表现同时显著提升了计算速率。测试样本 y 首先利用全部的训练样本作为字典 D 求解表示系数向量，然后利用各类别训练样本子集和所对应的表示系数恢复重建，从而得到各类别训练子集对测试样本的表示估计值，再计算各表示估计值与真实测试样本之间的重构残差，最终根据最小残差准则判定测试样本的地物类别。协同表示分类模型需要同时满足误差项 y D22最小和约束条件项 22最小，因此协同表示分类模型的目标函数描述如式(3)所示:=argmin*(y D*22)+*22(3)可以求得协同表示的表示系数 的闭式解，如式(4)所示:=(DTD+I)1(DTy)(4)式中，DT是 D 的转置;I 为单位矩阵。如测试样本 y来自于第 m 类，表示系数向量为 m Mm，则由第 m 类样本重建的表示值 Dmm与真实测试样本值 y 之间残差最小。判定准则如式(5)所示:class(y)=argminm=1，2，Krm(y)=argminm=1，2，K(y Dmm2/m2)(5)总而言之，协同表示分类模型中表示系数采用 l2范数最小化约束，致使全部的训练样本协同性地参与测试样本的表示，即表示测试样本时利用到了其他类别的训练样本子集。2高光谱遥感影像表示模型分类2 1稀疏表示稀疏表示在人脸识别领域首次提出，后来成功地运用于高光谱遥感影像的分析与应用。该算法强调用尽可能少的训练样本来估计测试样本，其实质将一个测试样本 y 用过完备字典 D 稀疏表示，即 yD，其中向量 代表稀疏表示模型的系数向量。Chen 等设计了一种基于字典的稀疏表示算法，采用正交匹配追踪(Orthogonal Matching Pursuit，OMP)求解权重向量，再将测试样本的类别确定为具有最小重构残差的类别3。Cui 等提出了依赖类的 SC 方法(ClassDe-pendent SC)，融合 SC 和 K 最近邻算法(k NearestNeighbor，kNN)，从而更有效地利用测试样本和训练样本之间的相关性和欧氏距离关系4。一般情况下，S 利用l0范数约束稀疏表示模型的系数，但由于 l0范数最小化问题是 NPhard 问题，解决方案为利用凸松弛算法将 l0范数松弛为 l1范数，但也有特例，如 Pan 等设计了一种基于多目标的稀疏表示分类方法(Multiobjective BasedSC，MSC)5，不使用 l1范数松弛，而是直接对 l0范数稀疏问题进行优化，将原始 l0范数优化问题转化为等效的子集选择问题，稀疏表示问题被分解为 2 个并行的目标，即表示残差和稀疏误差，既无需正则化参数又能够实现同时优化。为了有效地融合空间信息，相关学者利用相邻像素扩展 S 模型。Chen 等设计 S 模型中引入了基于相邻像素建立的拉普拉斯约束3。由于稀疏编码的不稳定性，Ni 等选择在形状自适应邻域内计算稀疏编码直方图特征6，Yuan 等采用了 Set to Set 的距离来融合空间信息并提高稳定性7。但在利用相邻像素探索空间信息时，如何选择窗口大小和窗口形状是一项艰巨的任务。为了解决这个问题，Fang 等提出了一种多尺度自适应稀疏表示方法(Multiscale Adaptive S，MAS)8，通过自适应稀疏策略同时表示多个尺度的像素。随后，该团队又提出基于多特征的自适应稀疏表示方法(MultiplefeaturebasedAdaptive AS，MFAS)9;Dundar 等则将多尺度超像素和导引滤波器(Multiscale Superpixels and Guided Filter，MSSGF)10 引入分类，从而优化窗口形状和大小。96第 6 期虞瑶等:基于表示模型的高光谱遥感影像分类综述2011 年，Chen 等通过联合稀疏模型的假设来挖掘空间上下文信息，提出了联合稀疏表示分类方法(JS Clas-sification，JSC)3。但 JSC 方法忽略了相邻像素重要性不同的缺陷，于是 Zhang 等提出了一种非局部加权联合稀疏表示分类方法(Nonlocal Weighted JSC，NLWJS-C)11，该方法通过使用非局部权重来确定固定窗口中每个像素的贡献度。但是，NLWJSC 算法中权重是预先定义的，因此，Chen 等通过同时优化邻近像素和稀疏系数的权重，提出最近正则化联合稀疏表示分类方法(Nea-rest egularized JS，NJS)12;Peng 等提出一个由所有相邻像素上的加权最小二乘损失项、权重向量上的自定步距正则化项以及系数矩阵上的稀疏性约束组成的自定步距联合稀疏表示方法(Selfpaced JS，SPJS)13;Tu等也提出使用加权方法的联合最近邻和稀疏表示方法14，他们还利用相关系数来取代 kNN 中的欧氏距离以测量光谱相似度，并将相关系数和 JS 结合，得到结合相关系 数 的 稀 疏 表 示 方 法(Correlation Coefficient JS，CCJS)15。传统的基于 JS 的方法通常使用固定大小的窗口，不足以充分利用空间信息，因此，Fu 等提出了一种形状自适应的联合稀疏表示分类方法(ShapeadaptiveJSC，SAJSC)16。此 外，SC 也 被 扩 展 了 核 版 本(Kernel SC，KSC)17。为了整合其他光谱特性和高阶上下文信息，Liu 等构造了一个相邻滤波内核，通过整合空间信息来提升分类表现18;Wang 等设计了空间光谱导数辅助的核联合稀疏表示方法(Spatialspectral Derivativeaided KJS，KJSSSDK)19;Gan 等将核主成分分析集成到了基于多特征的 KSC 中，设计了一种基于多特征的核稀疏表示分类器(Multiple feature KSC，FKSC)20。2 2协同表示近年来，在高光谱遥感分类问题中，基于协同表示分类算法的应用取得了非常显著的效果2122。如最近规则子空间分类算法(Nearest egularized Space，NS)强调训练样本的类内协同性，同时引入基于距离的吉洪诺夫正则化因子23。基于 KNN 准则，Li 等提出 CNN(Cbased NN)和 LNN(Local Withinclass Cbased NN)2种改进算法24。针对高光谱数据的非线性特点，利用组合核技术融合局部近邻关系，Li 等设计了 KCT CK(Kernel Collaborative epresentation with Tikhonov egulari-zation with a Composite Kernel，KCTCK)分类模型25。针对 S 和 C 模型固有的缺陷，Li 等在残差域中实现了S 和 C 的有效融合，并成功应用到高光谱遥感影像分类中26。利用简化的切空间局部流形估计，在测试样本的切空间中使用协同表示，Su 等提出了切空间协同表示分类(Tangent Space Collaborative epresentation Classifica-tion，TCC)有效地提升分类效果27。高光谱遥感影像不仅提供精细的光谱信息，还提供丰富的空间邻域信息。相关研究表明，联合空间邻域信息可以有效地改善协同表示算法的分类效果。Li 等提出联合空间邻域信息的联合协同表示分类算法(Joint Withinclass Collaborative epresentation，JWC)28。在此基础上，Xiong 等考虑到各个邻域像素的重要性，利用高斯核函数自适应调整邻域像素的贡献度，进一步提高了表示模型的分类性能29。之后 Xiong 等引入马尔科夫随机场改进最近规则子空间 NS，也获得了明显的提升效果30;Su 等利用多视图空间的协方差矩阵，研究了联合协方差矩阵的协同表示分类算法，有效提升了协同表示的分类表现31;Du 等采用多核学习技术充分地挖掘高光谱遥感影像的结构信息，提出了多核协同表示分类算法(MultipleKernel Adaptive Collaborative epresentive Classification，MKACC)32，提升了地物在融合核特征空间中的可分性。单一的特征只能从某个特定的角度定量地描述地物目标，多特征可以有效地提供地物目标的互补信息，从而在高光谱遥感协同表示分类中体现其明显的优势。Jia 等设计的基于三维 Gabor 特征的最近规则子空间 NS 的协同表示算法取得了不错的表现33;在此基础上，Peng 等提取 Gabor 纹理特征、局部二元模式(Local Binary Pattern，LBP)特征和光谱特征设计了多特征基于残差域的决策融合方式，进一步改善了分类效果34;基于多任务学习的理论，Li 等联合多特征构建了多任务联合协同表示分类模型，获得了更具判别力的表示系数35;Su 等探究了多特征字典学习的协同表示分类框架，并进一步扩展构建了非线性的多特征字典学习模型，得到了更高的分类精度和更强的参数鲁棒性36。可以看出，现有的协同表示模型分类算法研究主要集中在表示模型优化、联合空间邻域信息和多特征融合等方面提升分类表现。3结束语本文对稀疏表示和协同表示的背景知识进行了描述，综述了国内外高光谱遥感影像分类领域中稀疏表示和协同表示的研究成果，指出了基于空谱结合的表示模型算法是重要研究方向。在此基础上，笔者对未来表示模型分类的研究方向进行了展望，如表示模型框架中利用多像元或者面向对象的分类手段，或者表示模型结合多视图策略，最大效率地利用多特征等。参考文献:1童庆禧，张兵，郑兰芬 高光谱遥感M 北京:高等教育出版社，2006 2LANDGEBE D Hyperspectral image data analysisJ IEEE Signal Processing Magazine，2002，19(1):1728 3CHEN Y，NASABADI N，TAN T Hyperspectral imageclassification using dictionarybased sparse representation J IEEE Transactions on Geoscience and emote Sens-ing，2011，49(10):3 9733 985 4CUI M，PASAD S ClassDependent sparse representa-07测绘与空间地理信息2023 年tion classifier for robust hyperspectral image classification J IEEE Transactions on Geoscience and emote Sens-ing，2015，53(5):2 6832 695 5PAN B，SHI Z，XU X MultiobjectiveBased sparse repre-sentation classifier for hyperspectral imagery using limitedsamplesJ IEEE Transactions on Geoscience and e-mote Sensing，2019，57(1):239249 6NI D，MA H Hyperspectral image classification via sparsecode histogram J IEEE Geoscience and emote SensingLetters，2015，12(9):1 8431 847 7YUAN H，TANG Y Sparse representation based on settoset distance for hyperspectral image classificationJ IEEE Journal of Selected Topics in Applied Earth Obser-vations and emote Sensing，2015，8(6):2 4642 472 8FANG L，LI S，KANG X，et al Spectralspatial hyperspec-tral image classification via multiscale adaptive sparse rep-resentationJ IEEE Transactions on Geoscience andemote Sensing，2014，52(12):7 7387 749 9FANG L，WANG C，LI S，et al Hyperspectral image clas-sification via multiplefeaturebased adaptive sparse rep-resentation J IEEE Transactions on Instrumentation andMeasurement，2017，66(7):1 6461 657 10DUNDA T，INCE T Sparse representationbased hyper-spectral image classification using multiscale superpixelsand guided filter J IEEE Geoscience and emote Sens-ing Letters，2019，16(2):246250 11ZHANG H，LI J，HUANG Y，et al A nonlocal weightedjoint sparse representation classification method for hyper-spectral imageryJ IEEE Journal of Selected Topics inApplied Earth Observations and emote Sensing，2013，7(6):2 0562 065 12CHEN C，CHEN N，PENG J Nearest regularized jointsparse representation for hyperspectral image classification J IEEE Geoscience and emote Sensing Letters，2016，13(3):424428 13PENG J，SUN W，DU Q SelfPaced joint sparse represen-tation for the classification of hyperspectral imagesJ IEEE Transactions on Geoscience and emote Sensing，2019，57(2):1 1831 194 14TU B，HUANG S，FANG L，et al Hyperspectral imageclassicfication via weighted joint nearest neighbor andsparse representation J IEEE Journal of Selected Topicsin Applied Earth Observations and emote Sensing，2018，11(11):4 0634 075 15TU B，ZHANG X，KANG X，et al Hyperspectral imageclassicfication via fusing correlation coefficient and jointsparse representationJ IEEE Geoscience and emoteSensing Letters，2018，15(3):340344 16FU W，LI S，FANG L，et al Hyperspectral image classifi-cation via shapeadaptive joint sparse representationJ IEEE Journal of Selected Topics in Applied Earth Obser-vations and emote Sensing，2016，9(2):556567 17CHEN Y，NASABADI N M，TAN T D Hyperspectralimage classification via kernel sparse representationJ IEEE Transactions on Geoscience and emote Sensing，2013，51(1):217231 18LIU J，WU Z，WEI Z，et al Spatialspectral kernel sparserepresentation for hyperspectral image classificationJ IEEE Journal of Selected Topics in Applied Earth Obser-vations and emote Sensing，2013，6(6):2 4622 471 19WANG J，JIAO L，LIU H，et al Hyperspectral image clas-sification by spatialspectral derivativeaided kernel jointsparse representation J IEEE Journal of Selected Topicsin Applied Earth Observations and emote Sensing，2018，8(6):2 4852 500 20GAN L，XIA J，DU P，et al Multiple feature kernel sparserepresentation classifier for hyperspectral imageryJ IEEE Transactions on Geoscience and emote Sensing，2018，56(9):5 3435 356 21WIGHT J，YANG A Y，GANESH A，et al obust facerecognition via sparse representation J IEEE Transac-tions on Pattern Analysis and Machine Intelligence，2009，31(2):210227 22ZHANG L，YANG M，FENG X Sparse representation orcollaborative representation:Which helps face recognition?C/2011 International conference on computer vision，IEEE，2011 23LI W，TAMEL E W，PASAD S，et al Nearest regular-ized subspace for hyperspectral classificationJ IEEETransactions on Geoscience and emote Sensing，2014，52(1):477489 24LI W，DU Q，ZHANG F，et al Collaborativerepresenta-tionbased nearest neighbor classifier for hyperspectral im-agery J IEEE Geoscience and emote Sensing Letters，2015，12(2):389393 25LI W，DU Q，XIONG M Kernel collaborative representa-tion with tikhonov regularization for hyperspectral imageclassificationJ IEEE Geoscience and emote SensingLetters，2015，12(1):4852 26Chi Z，Zeng S，Gou J Fusion of probabilistic collaborativeand sparse representation for robust image classification C/2017 International Conference on Security，PatternAnalysis，and Cybernetics(SPAC)，IEEE，2017 27SU H，BO Z，QIAN D，et al Tangent distancebased col-laborative representation for hyperspectral image classifica-tionJ IEEE Geoscience and emote Sensing Letters，2016，13(9):1 2361 240 28LI W，DU Q Joint withinclass collaborative representa-tion for hyperspectral image classificationJ IEEE Jour-nal of Selected Topics in Applied Earth Observations andemote Sensing，2014，7(6):2 2002 208 29XIONG M，AN Q，LI W，et al Hyperspectral image clas-sification using weighted joint collaborative representation J IEEE Geoscience and emote Sensing Letters，2015，12(6):1 2091 213 30XIONG M，ZHANG F，AN Q，et al epresentationbasedclassifications with Markov random field model for hyper-spectral urban dataJ Journal of Applied emote Sens-ing，2014，8(1):085097108509712(下转第 74 页)17第 6 期虞瑶等:基于表示模型的高光谱遥感影像分类综述PPT 汇报方式进行，由每组组长、教师和企业人员组成的评委从学生的语言表达、角色胜任、组织管理、成果质量等方面进行打分。课程整体成绩按百分制计算7，过程考核 60 分(职业素养 20 分、基础实验 40 分)，综合考核40 分。多元化的考核摒弃了以往以期末考试定乾坤、学生突击复习的传统考核办法，采用工作态度与技能训练相结合，过程评价与终结评价相结合，校内教师评价与企业标准评价相结合，强调学生岗位技能的培养，全面促进学生综合能力的提升。5改革实践效果对采用“四化”实验教学模式的测绘地理信息技术专业 18 级 113 名学生在课程结束后进行问卷调查，主要从学生的学习兴趣、技能熟练程度、创新能力培养、就业促进 4 个维度进行调查。通过统计分析，85 1%以上的学生学习兴趣高，80 9%的学生技能掌握熟练、71 1%的学生创新能力得到提升、74 3%的学生认为对自身就业有帮助，具体调查结果如图 2 所示。同时，通过该教学模式的实施，近 3 年学生参加地图绘制员职业技能鉴定，一次通过率达到 90%以上;获全国、省 GIS 技能大赛奖励 13 项。图 2四维度问卷调查结果Fig 2Survey results of four dimensions6结束语把实践育人作为高等职业教育人才培养的重要切入点，针对测绘类专业 GIS 实验课程，构建了以岗位技能培养为核心的“四化”实验教学模式。通过实践该模式取得了良好的教学效果:在技能方面，通过软件操作练习，训练了学生 GIS 应用的熟练度;在创新方面，通过项目经验的积累，增强了学生对实际项目的创新体验;在职业素养方面，通过项目组的角色分配，项目组成员间的沟通、交流和团队协作，培养了学生良好的职业习惯，有效地促进了学生就业。参考文献:1汤国安，刘学军，闾国年，等 地理信息系统教程M 北京:高等教育出版社，2007 2贾丹 全国高校测绘地理信息人才培养与需求预测分析 J 测绘通报，2013(7):112114 3赵天明 地理信息系统课程实践教学中改进方法的探究 J 测绘与空间地理信息，2021，44(5):222224 4边馥苓 我国高等 GIS 教育:进展、特点与探讨J 地理信息世界，2004，2(5):1618，22 5李丹 工作过程系统化视角下会计课程体系的构建J 中外企业家，2016(26):204 6董少春，胡欢，尹宏伟 高校地理信息系统课程的教学改革实践 J 高等理科教育，2021(2):8388 7富月，周晓杰 现代控制系统课程创新实验教学实践 J 实验室研究与探索，2019，38(11):151155，164 编辑:任亚茹(上接第 71 页)31SU H，ZHAO B，DU Q，et al Kernel collaborative repre-sentation with local correlation features for hyperspectralimage classification J IEEE Transactions on Geoscienceand emote Sensing，2018，57(2):1 2301 241 32DU P，GAN L，XIA J，et al Multikernel adaptive collabo-rative representation for hyperspectral image classification J IEEE Transactions on Geoscience and emote Sens-ing，2018，56(8):4 6644 677 33JIA S，SHEN L，LI Q Gabor featurebased collaborativerepresentation for hyperspectral imagery classification J IEEE Transactions on Geoscience and emote Sensing，2014，53(2):1 1181 129 34PENG B，LI W，XIE X，et al Weightedfusionbased rep-resentation classifiers for hyperspectral imageryJ e-mote Sensing，2015，7(11):14 80614 826 35LI J，ZHANG H，ZHANG L，et al Joint collaborative rep-resentation with multitask learning for hyperspectral imageclassificationJ IEEE Transactions on Geoscience andemote Sensing，2014，52(9):5 9235 936 36SU H，ZHAO B，DU Q，et al Multifeature dictionary learn-ing for collaborative representation Classification of hyper-spectral imageryJ IEEE Transactions on Geoscienceand emote Sensing，2018:118 编辑:任亚茹47测绘与空间地理信息2023 年