高分五号高光谱影像的关联对齐域适应与分类

发布时间：2021-04-02 15:24

　　高分五号（GF-5）搭载的高光谱传感器兼顾宽覆盖和高分辨率的特性,但在实际应用中宽覆盖范围内各种地物类别的标注十分困难。当标记样本很少甚至没有标记样本时,遥感图像分类异常困难。此时,可以采用域适应方法,借助已标记的历史数据（源域）实现对未标记数据（目标域）的分类。本文提出了一种基于稀疏矩阵变换的关联对齐域适应分类算法。首先,利用稀疏矩阵变换估计源域和目标域的协方差矩阵;然后,运用协方差关联对齐方法估计源域到目标域的变换矩阵;接着,运用估计得到的变换矩阵将源域数据进行变换,使得其与目标域对齐;最后,在变换后的源域数据上建立分类器,实现对目标域数据的分类。本文的算法在两个真实的GF-5高光谱数据集上进行了验证。实验结果表明,本文算法要优于常用的子空间对齐算法和关联对齐算法。特别地,在黄河口GF-5数据上,本文算法比原始关联对齐方法的最近邻分类准确率提升了3.5%,支持向量机分类准确率提升了2.3%。 

【文章来源】：遥感学报. 2020,24(04)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

黄河口GF-5数据的伪彩色合成图像（图（a）波段1,30,20分别设定为红、绿、蓝分量）和选定的5类样本标记图

(2）盐城GF-5数据集：利用GF5＿AHSI传感器于2019-04-04获取的江苏盐城地区的高光谱分辨率影像。影像大小为1175×585。成像区域中心的经纬度分别为120.177876°E和34.270704°N。传感器的空间分辨率为30 m。总共含330个波段，剔除63个坏波段，余下267个波段用于分类。该影像对应盐城滨海湿地，通过地物类别实地调研，该影像共标注地物类别20类，包括浅海、海滩、池塘、沼泽、树林、裸土等。将数据集分为两个互不相交的区域，从而模拟有偏差采样的情形，如图2所示，红线下方为源域，上方为目标域。在源域和目标域中挑选6类样本用于迁移学习，具体信息见表2，其中源域和目标域样本总数分别为1140和1880。3.2 对比算法

为了从视觉上直观地呈现NA,CORAL,CORAL-SMT算法的差异，本文分别将原始数据以及CORAL和CORAL-SMT变换之后的源域和目标域样本，采用PCA变换投影到2维空间，展示相应图形如图3所示。从图3(a），可以明显看出：原始数据上源域和目标域之间存在一个较为明显的分布漂移情况。源域数据靠近图形下方，而目标域分布在图形上方。尽管NA算法能够产生较高分类准确率，仍然有必要通过域适应将源域和目标域数据进行对齐，消除这种分布偏差，从而进一步提升分类性能。图3(b）中，通过CORAL变换，源域和目标域数据之间更加接近，但是红色和蓝色部分有大量重叠。从图3(c）可以看出，经过SMT变换之后，源域和目标域对应的同类样本之间更加紧密。特别地，红色部分有向左上角收缩的趋势、绿色部分向下方收缩、蓝色部分向右收缩。这表明，SMT变换之后，估计得到的协方差更加准确，每类样本对应的方差和变化范围更加准确，从而使得对齐之后的结果更加可靠。将NA,CORAL,CORAL-SMT在各类上的分类结果进行详细比较。表4—表6分别给出了NA,CORAL,CORAL-SMT方法的分类混淆矩阵（Confusion Matrix）。可以发现，NA中，错分主要出现在第1类和第4类，其中，第1类（红色）错分到第2类（绿色）和第3类（蓝色）、第4类（紫色）错分到第5类（青色）。第1类为湿地，第2类为水产养殖区，第3类为池塘，这3类都与水有关系，光谱上具有一定相似性，因此难以完全区分开。经过CORAL变换之后，第1类只错分到第3类，另外，紫色分到青色的错分也得到了一定的缓解。经过CORAL-SMT处理之后，已基本上能将紫色和青色分开。红色部分的错分也得到了极大减少。

【参考文献】：
期刊论文
[1]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福.  遥感学报. 2016(05)
[2]高光谱图像稀疏信息处理综述与展望[J]. 张良培,李家艺.  遥感学报. 2016(05)



本文编号：3115503