导言：
高光谱图像包含丰富的光谱和空间信息，光谱空间结合的高光谱分类方法是近年来最先进的方法。然而，在高光谱分类中获取标记训练样本通常比较困难或昂贵，小样本问题是高光谱分类中的一个重要问题。Chengyong Zheng等在IEEE TGRS期刊上发表论文，提出一种基于基于超像素分割训练样本扩充和距离加权线性回归分类器的光谱空间分类方法，该方法可以解决小样本高光谱分类问题。
1.研究背景
光谱-空间高光谱图像分类方法一直是目前最先进的高光谱分类方法。与仅使用光谱信息的方法相比，光谱-空间高光谱分类方法将光谱信息和空间信息相结合，进一步提高了分类精度。在光谱空间高光谱分类方法中，基于超像素的方法近年来受到了广泛的关注。一个超像素被视为由具有相似光谱特性的多个像素组成的小区域。超像素是高光谱图像描述空间上下文信息的强大工具，在促进高光谱图像分类上下文一致性方面发挥着重要作用。由于超像素对高光谱图像中物体空间结构具有代表性，近年来提出了许多基于超像素的光谱-空间高光谱分类方法。
2.研究方法
本文提出了一种基于超像素（SP）分割训练样本扩充（SP-guided training sample enlargement (STSE)）和距离加权线性回归分类器（DWLRC）的光谱空间HIC方法来解决SLTSS问题。首先，对原始HSI使用基于区域聚类的空间预处理（RCSPP）进行SP分割。然后，首先搜索出那些只包含属于一个类的训练样本的SP，并将每个SP的所有像素分配给它所包含的训练样本的类。接下来，利用识别出的标签，将所有这些分类的像素添加到初始训练样本集中，以扩大训练样本集。然后，利用这个扩大的训练样本集，采用距离加权线性回归分类器（DWLRC）对每个SP的每个平均向量进行分类。最后，将每个SP分配与平均向量相同的标签，得到最后一个分类图。
图1 STSE_DWLR方法流程图
3.研究结果
实验数据集：Indian Pines，Pavia University，Salinas
定量指标：OA、AA、Kappa
实验设置：对于每个数据集，每个类中随机选择5、10、15、20、30和40个训练样本，其余的用于测试。实验运行20次取平均。分类器使用SVM，使用LibSVM工具箱，通过五倍交叉验证。
1）超像素分割结果
图2 超像素分割（上）Indian Pines、（中）Pavia University、（下）Salinas
图2中显示了三个HSI的SP分割结果。图2表明，来自一个SP的像素一般属于同一类。因此，如果一个SP包含训练样本，并且训练样本只属于一个类，那么我们可以将该SP的所有像素识别到这个类中。在这种情况下，所提出的训练样本集扩展步骤是合理的。
2）有效性分析
(1)STSE_DWLR（或STSE_SVM）显著优于Sp_DWLR（或Sp_SVM），特别是当每个类的训练样本数量低于40时。这表明，训练样本集的放大可以显著提高分类精度；
(2)STSE_DWLR比STSE_SVM稍好一些（用STSE_DWLR中的SVM代替DWLR）。这表明，与SVM相比，DWLR可以帮助实现更高的分类精度；
(3)ULBPSPG优于ULBPSPG-RCSPP或RCSPP-RCSPP1。这表明，即使使用相同的SP分割算法，用于比较的方法也不一定会得到改进。相反，情况可能更糟。这也表明，我们的算法之所以优秀，并不是由于使用了更好的SP分割算法。
图3 印度松树数据集在每类不同的训练样本数量下各类算法精度图
3)与其他先进方法对比（以Indian Pines为例）
本文方法与其他先进算法进行对比，对比方法包括WJCR、JSaCR、SC-MK、R2MK、RVCANet、ULBPSPG，使用10个训练样本，定量结果表明，本文方法得到的OA、AA、KA均显著优于其他对比方法。
表1 每类10个训练样本，印度松数据集不同方法对比
4)不同数量下训练样本的结果
每个类中随机选择5、10、15、20、30和40个训练样本，在不同的训练样本数下，OA、AA和KA结果表明：
（1）当训练样本数为5时，无论OA、AA、KA，该算法在的性能都显著优于其他算法。这表明，该算法在处理高光谱小样本分类问题方面优于其他现有算法，该算法可以很好地解决小样本问题；
（2）大多数不同训练样本情况下，该算法也优于其他先进的算法；
图4 在不同数量的训练样本下，三个数据集的OA、KA和AA图
4.结论
1）本文最重要的贡献是为解决HIC领域的SLTSS问题提供了一个框架，并给出了一个具体的实现方案来验证其合理性和有效性。后续可以使用不同的分割算法和分类器。
2）在3幅不同光谱/空间分辨率和内容的真实高光谱图像上测试了该方法。所得结果表明，该方法对小样本分类是有效的，与目前的技术水平相比，提供了更高的分类精度。
5.贡献点
1）利用超像素分割算法regional clustering-based spatial preprocessing（RCSPP）扩大训练样本集；
2）使用距离加权线性回归分类器（DWLRC）对每一块超像素的平均光谱矢量进行分类，并将预测标签赋予这块超像素的所有像元。
6.文章信息
引用格式：Zheng C , Wang N , Cui J . Hyperspectral Image Classification With Small Training Sample Size Using Superpixel-Guided Training Sample Enlargement[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(10):7307-7316.
原名：Hyperspectral Image Classifification With Small Training Sample Size Using Superpixel-Guided Training Sample Enlargement
译名：基于超像素引导训练样本扩充的小样本高光谱图像分类
期刊：IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING
发表时间：2019.09
DOI：10.1109/TGRS.2019.2912330
代码链接：https://github.com/zcy179/MATLAB-codes-for-Hyperspectral-Image-Classification-With-Small-Training-Sample-Size-Using-Superpix-
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
