基于無人機載高光譜基準數(shù)據(jù)集對土壤覆蓋進行精確分類的三維奇異光譜分析

背景

精確的土地覆蓋分類與制圖對于土地資源規(guī)劃與管理、環(huán)境保護、自然災(zāi)害防治等具有重要意義。然而，現(xiàn)有無人機載HSI數(shù)據(jù)集的場景覆蓋范圍相對簡單，這在一定程度上限制了分類方法的泛化能力評估。在同一傳感器下構(gòu)建包含復(fù)雜且具有挑戰(zhàn)性的場景的無人機載 HSI 數(shù)據(jù)集是值得的。

最近，奇異譜分析（SSA）由于其對全局的局部建模而在HSI特征提取和分類中受到了相當(dāng)大的關(guān)注。由于HSI的三維立方結(jié)構(gòu)，基于SSA的方法在內(nèi)在特征表示方面仍然一些缺陷。其次，目前還沒有用于HSI聯(lián)合光譜空間特征提取的SSA的3D版本，這有望緩解無人機載HSI的光譜變異性和空間異質(zhì)性。因此，探索新的3D SSA值得研究。此外，如何將高分辨率HSI的優(yōu)勢與基于SSA的方法結(jié)合起來，在精確的土地覆蓋分類中具有挑戰(zhàn)性。

本文基于構(gòu)建的無人機載HSI數(shù)據(jù)集，提出了一種新穎的3DSSA方法來緩解嚴重的光譜變異性和空間異質(zhì)性問題。在3DSSA中，我們定義了一個新的3D嵌入窗口來構(gòu)造與整個HSI相對應(yīng)的低秩軌跡張量，并引入t-SVD進行特征提取和重建。此外，為了減輕尺度多樣性并提高分類精度，提出了擴展區(qū)域聚類（RC）3DSSA（RC-3DSSA）框架用于精確的土地覆蓋分類。在RC-3DSSA中，首先針對異構(gòu)區(qū)域分割執(zhí)行基于光譜和空間測量的RC。然后，每個不規(guī)則異質(zhì)區(qū)域填充平均像素或原始像素，并使用快速 3DSSA 版本實現(xiàn)進一步高效的對象級處理，以獲得RC-3DSSA的兩個變體（即RC-3DSSA-m和RC-3DSSA-n）。提取的光譜空間特征最終輸入有效的分類器SVM以獲得精確的分類結(jié)果。

試驗設(shè)計

中國石油大學(xué)孫根云教授團隊選取了位于中國山東省青島市西海岸新區(qū)的三個研究區(qū)（圖1）。在此研究中構(gòu)建了具有高分類挑戰(zhàn)的QUH數(shù)據(jù)集。QUH數(shù)據(jù)集包含三個子數(shù)據(jù)集，即QUH-唐島灣、QUH-青云和QUH-平安，均由安裝在無人機平臺上的高光譜傳感器Gaiasky mini2-VN成像光譜儀（江蘇雙利合譜科技有限公司）獲取，規(guī)格如圖2所示。三個數(shù)據(jù)集的詳細飛行參數(shù)信息如表1所示。QUH-唐島灣、QUH-青云、QUH-平安數(shù)據(jù)集詳細的土地覆蓋分布及相應(yīng)的光譜曲線分別如圖3和圖4、圖5和圖6、圖8和圖9所示。然而，QUH-青云數(shù)據(jù)集的某些區(qū)域被建筑物陰影遮擋，包括樹木、汽車和瀝青道路等類別（圖7）。

圖 1：研究地點

圖2：無人機機載高光譜觀測系統(tǒng)及Gaiasky mini2-VN成像光譜儀參數(shù)

表 1：三個數(shù)據(jù)集參數(shù)。

圖 3.：QUH-唐島灣數(shù)據(jù)集。(a) 圖像立方體，(b) 地面實況圖像，(c) 土地覆蓋類別

圖 4.：18 個土地覆蓋類別的平均光譜曲線。

圖 5：QUH-青云數(shù)據(jù)集。(a) 圖像立方體，(b) 地面實況圖像，(c) 土地覆蓋類別

圖 6：6 個土地覆蓋類別的平均光譜曲線

圖7：土地覆蓋和影子土地覆蓋的光譜曲線。

圖 8：QUH-平安數(shù)據(jù)集。(a) 圖像立方體，(b) 地面實況圖像，(c) 土地覆蓋類別

圖 9：10 個土地覆蓋類別的平均光譜曲線

所提出的3DSSA方法用于提取HSI中的3D光譜空間特征，并進一步設(shè)計了基于區(qū)域聚類的改進RC-3DSSA框架，用于大規(guī)模HSI的精確土地覆蓋分類。 3DSSA和RC-3DSSA的流程圖分別如圖10和圖11所示。

圖 10：用于 3D 特征提取的 3DSSA 流程圖

圖 11：用于 HSI 分類的 RC-3DSSA 流程圖，包括三個步驟：(a) 基于 RC 的 HSI 分割，(b) 每個區(qū)域的 3DSSA，以及 (c) 基于 SVM 的分類

所提出的 3DSSA 使用局部 3D 窗口對整個 HSI 的全局低秩張量進行建模，探索光譜和空間依賴性并提取 3D 上下文特征。它由三個主要步驟組成：（1）3D 嵌入，（2）低秩張量 SVD，（3）重建。 

盡管3DSSA可以有效地提取HSI的內(nèi)在空間光譜特征，但由于軌跡張量的構(gòu)造，對于較大的HSI數(shù)據(jù)存在內(nèi)存不足的風(fēng)險。為了解決這個問題，RC3DSSA被提出用于大規(guī)模HSI特征提取和分類，它具有三個主要步驟，如圖11所示。首先，對原始HSI應(yīng)用RC預(yù)處理以實現(xiàn)同質(zhì)區(qū)域的分割。然后，將3DSSA應(yīng)用于每個聚類區(qū)域進行特征提取，產(chǎn)生光譜空間聯(lián)合特征。最后利用經(jīng)典的SVM分類器實現(xiàn)土地覆蓋的精確區(qū)分。

結(jié)論

不同方法在QUH-唐島灣數(shù)據(jù)集上的定量分類結(jié)果如表4所示。具體而言，所提出的RC-3DSSA-n在更多類別上取得了出色的準確性，RC-3DSSA-m在OA、AA和kappa方面獲得了最高值。深度學(xué)習(xí)方法通??常比機器學(xué)習(xí)方法取得了更高的分類精度，并且在某些類別上取得了最高的分類精度（例如C1-Rubber track和C14-Buxus sinica的MorphCNN，C2-Flagging和C17-Ulmus pumila L的SSTN） 。而機器學(xué)習(xí)方法，尤其是 SuperPCA，效率更高。提出的 RC-3DSSA 以比深度學(xué)習(xí)更低的運行成本實現(xiàn)了卓越的分類性能。

圖16顯示了所有方法的分類圖，并標記了三個典型區(qū)域以進行比較。對于區(qū)域 I（黑盒），所提出的方法能夠有效地區(qū)分海水、沙地和巖石淺灘并保留其形態(tài)，而 3DGW、3DWT、SuperPCA、SpaSSA 和 HybridSN 等方法的錯誤分類較大。對于區(qū)域 II（紅框），所提出的方法準確識別了兩種相似的植被，針葉松和榆樹，但深度學(xué)習(xí)方法識別不足（(i)-(l)），而深度學(xué)習(xí)方法識別過度SpaSSA 方法。大多數(shù)機器學(xué)習(xí)方法（（c）-（g））由于分類性能較差而遭受更多的識別錯誤。對于區(qū)域III（白盒），RC-3DSSA有效地保留了以碎石路和橡膠跑道為主的不規(guī)則形狀和道路連續(xù)性，而SVM、2DSSA、3DGW、3DWT、SuperPCA、HybridSN和SpectralFormer的結(jié)果并不令人滿意。總的來說，RC-3DSSA方法在復(fù)雜特征分布和相似目標混淆的情況下提供了優(yōu)異的分類性能。

QUH-Qingyun數(shù)據(jù)集面臨陰影遮擋和小目標識別的挑戰(zhàn)，表5列出了所有方法的定量分類結(jié)果。特別是，RC-3DSSA-n 在 C3-Car 小目標類別上實現(xiàn)了最高的準確率和 AA (76.23%)，而 RC-3DSSA-m 在所有其余類別上實現(xiàn)了超過 85% 的準確率，并且具有最高的 OA 和卡帕。 SpaSSA、HybridSN、MorphCNN 和 SSTN 分別在 C2-混凝土建筑、C1-樹木、C4-鐵皮建筑和 C5-塑料游樂場類別上具有最高的準確率。所提出的 RC-3DSSA 的運行時間比大多數(shù)深度學(xué)習(xí)方法更快，但比機器學(xué)習(xí)方法慢，其中 SuperPCA 運行速度最快。

所有方法的分類圖和三個標記的典型區(qū)域如圖17所示。區(qū)域I和II分別是陰影遮擋下的植被和道路，區(qū)域III是小目標（汽車）的區(qū)域。對于區(qū)域I（黑盒），RC-3DSSA-n和RC-3DSSA-m均準確提取了陰影下的植被區(qū)域，2DSSA、SpaSSA、SpectralFormer和SSTN僅提取了部分植被，而其余方法未能識別。對于區(qū)域 II（紅框），RC-3DSSA-n 準確地識別并保留了瀝青路的主要形狀，而 SSTN 和 SpaSSA 存在一些識別錯誤。然而，SSTN 和 SpaSSA 有大片區(qū)域的瀝青路被錯誤分類為汽車。對于區(qū)域 III（白盒），RC-3DSSA-m 提取汽車小目標的精度最高，RC-3DSSA-n 和 SSTN 次之。其余方法在小目標的識別和提取方面表現(xiàn)不佳。此外，所提出的RC-3DSSA-n和RC-3DSSA-m對于不同場景（陰影干擾或小目標）的性能有所不同，實際中可以根據(jù)場景特征選擇兩種方法中更合適的方法應(yīng)用程序。

QUH-Pingan數(shù)據(jù)集在小、中、大尺度上都具有挑戰(zhàn)性的場景，不同方法的分類精度總結(jié)在表6中。具體來說，所提出的RC3DSSA-n在小尺度和大尺度場景分類方面具有優(yōu)勢。中規(guī)模（例如C1-船舶、C3-樹木和C4-混凝土結(jié)構(gòu)建筑），而RC-3DSSA-m更適合大規(guī)模場景（例如C2-海水和C5-浮動碼頭）。同樣，RC-3DSSA-m和RC-3DSSA-m分別獲得了最高和第二高的OA、AA和kappa，計算效率比深度學(xué)習(xí)方法更快。請注意，SuperPCA 在五個類別上以*高效的方式實現(xiàn)了最高的分類精度，但由于 C2-海水和 C10-Road 上的精度較低，OA 和 kappa 較差。

圖 18 顯示了所有方法和三個典型區(qū)域的分類圖。從圖 18 可以看出，本文提出的方法對于大規(guī)模場景（主要是海水和道路）的分類結(jié)果平滑度高且無噪聲，三種深度學(xué)習(xí)方法 MorphCNN、SpectralFormer 和 SSTN 也有不錯的效果，而其余的方法存在不同程度的分類錯誤。從區(qū)域I和區(qū)域II，擬議的RC-3DSSA可以識別和提取完整的小規(guī)模目標——汽車和船舶；從區(qū)域III來看，RC-3DSSA 可以準確地區(qū)分出中等規(guī)模的復(fù)雜小型建筑。總體而言，所提出的方法對于多尺度場景分類更適用且更準確，并且這種優(yōu)勢將在 5.5 節(jié)中在不同數(shù)據(jù)集上進一步得到證明。