原名：Polygon Structure-Guided Hyperspectral Image Classification With Single Sample for Strong Geometric Characteristics Scenes
译名：强几何特征场景下多边形结构引导的单样本高光谱图像分类
发表期刊名称：IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING
发表时间：2022.01
DOI：10.1109/TGRS.2021.3094582
1.研究背景
光谱和空间信息相结合可以显著提高高光谱图像的分类性能。目前，研究者们提出了许多光谱-空间高光谱图像分类方法。然而，由于在真实场景中训练样本的数量有限，高光谱图像分类的任务仍然具有挑战性。为了解决小样本问题，提出了许多光谱空间特征提取方法，通过构造判别特征来增加不同地面对象的可分性。此外，另一种方法是生成丰富的训练集，如半监督学习、主动学习、和协作学习。虽然现有的许多分类方法在训练样本相对有限的情况下可以获得令人满意的结果，但当每类的训练样本数量为单个时，分类性能仍然不令人满意。
2.研究方法
本文提出了一种新的单样本高光谱图像分类框架，考虑了样本扩充和后处理空间优化，流程图如图1所示，它主要由三个阶段组成。首先，使用最小噪声分数降低光谱维数。为了使土地覆盖的边缘信息更加清晰，对降维图像的前三个分量进行了图像增强。对增强后的图像进行分割，生成一个多边形结构图。然后，将划分结果作为空间约束，并结合光谱特征来搜索更多的训练样本，样本扩充采用了光谱角距离，分别在多边形的内部和外部搜索相似的样本。最后，通过对降维图像进行像素级分类器SVM分类，得到一个分类图，利用多边形结构对初始分类图进行进一步优化，得到最终的分类结果。
图1 分类框架的流程图
3.研究结果
（1）实验设置
实验数据集：Salinas，WHU-Hi-LongKou和Yunyuan
定量指标：总体精度（OA），平均精度（AA）和Kappa系数（KA）
对比方法：（a）SVM，（b）PCA-EPF，（c）MSTV，（d）PKCRCAWG，（e）GTR，（f）RPNE，（g）SCMK
（2）参数分析
本节采用Salinas数据集，分析降维图像的波段数K和光谱距离阈值μ对分类结果的影响，并进行初始化。参数K和μ的变化区间分别设置为[1,35]和[0.005,0.03]。图2显示了OA、AA和KA随K和μ的变化。考虑到计算成本和分类性能，K设置为20，μ设置为0.01。
图2 波段数K和光谱距离阈值μ对该方法（Salinas数据集）分类性能的影响
（3）单个训练样本的分类结果
表1~3和图3~5分别为三个数据集上的定量和定性结果，以Salinas数据集为例，从表1和图3可知，由于SVM仅利用了高光谱图像的光谱特征，因此获得的分类图存在噪声。RPNet和GTR方法改进了这种类似噪声的误分类现象。此外，结合空间和光谱信息的PCA-EPF，MSTV和PKCRCAWG方法可以获得更好的同质分类图，但会产生错误标记的像素。基于超像素分割的SCMK方法也可以获得平滑的分类图，但在不同物体的边缘上表现不佳。虽然PKCRCAWG方法在边界附近提供了更准确的结果，但大区域被错误标记。与这些方法相比，本文方法获得了更准确的分类图，表明样本扩展能够提高分类精度。
表1 在Salinas数据集上的所有研究方法的分类精度
图3 在Salinas数据集上的所有研究方法的分类图
表2 在WHU-Hi-LongKou数据集上的所有研究方法的分类精度
图4 在WHU-Hi-LongKou数据集上的所有研究方法的分类图
表3 在Yunyuan数据集上的所有研究方法的分类精度
图5 在Yunyuan数据集上的所有研究方法的分类图
（4）有限训练样本的分类结果
在本节中，使用不同数量的训练样本来评估在有限样本条件下所提方法的分类精度。如图6~8所示，可得：
1）本文方法在所有情况下都获得了最好的结果，这说明了多边形结构在分类任务中的优势；
2）随着初始训练样本数量的增加，所有方法的性能在大多数情况下都是单调提高的。与其他方法相比，本文方法的增长速度较慢，这表明样本扩展是有益的；
图6 当每个类的训练样本数量从1个增加到6个时Salinas数据集上的分类精度
图7 当每个类的训练样本数量从1个增加到6个时WHU-Hi-LongKou数据集上的分类精度
图8 当每个类的训练样本数量从1个增加到6个时Yunyuan数据集上的分类精度
（5）消融实验
1）“多边形引导谱-空间分类”的效应
在提出的框架中，设计了第三步“多边形引导谱-空间分类”，以优化SVM获得的原始分类图。为了评价这一步的效果，多边形引导优化前后的客观指标如表4所示。很明显，通过优化过程，大大提高了精度。
表4 所有数据集的“多边形引导光谱空间类化”的分类性能
2）基于深度学习模型的建议框架的效应
为了评估该框架的适用性，在该框架中嵌入CNN模型。在本实验中，除了SVM被CNN取代外，框架中的所有参数都保持不变。分类结果见表5和图9。可以看出，该框架通过深度学习方法能够获得令人满意的结果。
表5 该框架使用CNN模型的分类性能
图9 我们的框架使用CNN模型在所有数据集上的分类图
（a）Salinas（OA = 91.01%），(b) WHU-Hi-LongKou（OA = 86.02%），(c)Yunyuan（OA = 92.74%）
（6）计算成本
表6显示了所有研究方法的每个类单个训练样本的处理时间。从表六中可以看出，所有方法的时间都是可以接受的。相对而言，本文方法的处理时间很长，因为使用了大量的样本来训练CNN模型和SVM分类器进行交叉验证。
表6 不同算法的时间
4.结论
本文提出了一种新的单样本高光谱图像分类框架，其中将光谱自相似性和空间多边形结构信息充分结合，以提高分类性能。一方面，利用光谱自相似性来扩展训练样本，这样就可以以最小的成本获得足够的样本。另一方面，引入多边形划分来获取人造环境中土地覆盖的几何结构。采用多边形结构作为空间约束，利用多边形结构对初始分类图进行进一步优化，得到最终的分类结果。
5.贡献
1)首次探索了一种多边形划分方法来解决小样本问题，充分利用空间结构和光谱相似度来扩大训练集的数量。
2)提出了一种新的单样本高光谱分类方法。在作物场景上的实验表明，分类图更符合人类的感知。不同土地覆盖的边缘与原始图像对齐。
6.引用格式
Zhang S, Kang X, Duan P, et al. Polygon Structure-Guided Hyperspectral Image Classification With Single Sample for Strong Geometric Characteristics Scenes[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1-12.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
