论文信息
原名：SpaSSA: Superpixelwise Adaptive SSA for Unsupervised Spatial-Spectral Feature Extraction in Hyperspectral Image
译名：超像素自适应SSA用于高光谱图像的无监督空间光谱特征提取
期刊：IEEE Transactions on Cybernetics (IF=19.118)
发表时间：2022年7月
文章链接：https://doi.org/10.1109/TCYB.2021.3104100
代码链接：https://github.com/RsAI-lab/SpaSSA
1.研究背景
在高光谱影像(hyperspectral image, HSI)分类中，复杂的地物尺度、波段冗余和空谱域噪声会严重影响数据的分析，因此有效地特征提取是至关重要的。近些年来，一种新型的基于时间序列分析的技术，奇异谱分析(Singular Spectral Analysis, SSA)已被成功地应用于HSI的特征提取，其中常规1D-SSA作用于光谱域而2D-SSA用于空间域处理。然而，该方法存在对处理窗口尺寸敏感、计算复杂度高、无法提取联合光谱空间特征等缺点。方法为了解决这些问题，本文提出了一种新型的超像素自适应SSA(Superpixelwise adaptive SSA, SpaSSA)算法，有效提取不同地物的局部空间特征。
2.研究方法
提出的SpaSSA方法的流程图如图1所示，主要包括三个部分：(i) 基于熵率分割的超像素分割映射；(ii) SpaSSA过程；(iii) 基于支持向量机的分类。详情如下。
图1 SpaSSA的详细流程。
(1) 超像素分割映射
超像素分割提供了一种计算局部图像特征的方法，可以将局部区域的像素分组为簇。熵率分割(ERS)为其中一种被广泛应用的方法，可用于HSI的预处理或后处理。为了降低计算成本，我们首先在HSI上应用主成分分析，获得第一个主成分，将其可以作为分割的基础图像。选择合适的超像素数量，在第一个主成分上进行ERS运算，得到超像素区域图。
(2) 超像素自适应SSA (SpaSSA)
在获得分割后的超像素后，对每个超像素应用本文提出的SpaSSA进行空间特征提取，具体如下：
1) Super-2DSSA
将超像素与2D-SSA结合的特征提取称为Super-2DSSA。考虑到2D-SSA只能处理矩形的规则图像矩阵，对不规则形状超像素的处理需要自适应。如图2所示，将Super-2DSSA应用于提取的超像素图上的每个波段。对于每个超像素，将一些可能属于其他超像素的相邻像素组成一个矩形区域，并对该规则像素区域应用2D-SSA，其结果是该区域经过处理后提取的超像素。通过利用合适的嵌入窗口提取这些局部区域的空间特征，从而获得空间趋势信息，消除噪声，改进特征提取。
图2 Super-2DSSA的流程。
2) Super-1DSSA
2D-SSA虽然可以从超像素中提取空间信息，但无法处理小的超像素，嵌入窗口太小，无法提取足够的空间信息分量。因此，对于这样小的超像素使用一维嵌入窗口。也就是说，我们用1D-SSA代替2D-SSA来处理小超像素的情况，形成了一种新的方案，即Super-1DSSA。Super-1DSSA的工作方式如图3所示，将小超像素区域内的所有像素拉伸成一维空间向量，并在该向量上应用一维嵌入窗口。经过SSA处理后，这些像素被返回到它们原来的位置。这种处理可以有效地减少小的均匀区域的差异。
图3 Super-1DSSA的流程。
3) 自适应准则
SpaSSA被进一步用于结合Super-2DSSA和Super-1DSSA来进行有效的特征提取。这种方法的适应性包括两个方面，即为给定的超级像素区域自适应选择Super-2DSSA和Super-1DSSA方法，以及自适应确定嵌入窗口的大小，为此提出了自适应选择SSA方法和相关参数的标准：
其中T1和T2为定义的两个阈值(满足T2>T1)，决定不同SSA方法的嵌入窗口大小；Ssp为衡量超像素大小的参数，LSpaSSA表示窗口大小，L1-D表示Super-1DSSA的一维嵌入窗口的长度，Lx×Ly是Super-2DSSA的二维嵌入窗口；floor(Ssp/2)表示取不大于Ssp/2的最大整数。
(3) 分类
在特征提取之后，支持向量机(SVM)分类器被用于对HSI进行基于像素的分类。基于边际标准，SVM对维度问题显示出高鲁棒性。此外，SVM支持不同类型的核函数，因此它可以灵活地应用于广泛的数据分类问题。因此，我们也使用SVM来评估提取的特征的功效，采用了RBF核函数。
3.研究结果
(1) 阈值分析
阈值T1和T2主要决定SpaSSA的嵌入窗口，直接影响提取的空间信息。参数的不同组合对精度的影响如图4所示。阈值T2是影响所提方法相对于T1性能的关键参数。三个数据集的最优参数组合有一个相同的区间，本文将阈值T1和T2分别固定为3和11，以在高分类精度和快速实现之间取得平衡。
图4 阈值T1和T2在(a) Indian Pines, (b) Pavia University, 和 (c) Salinas数据集上的精度。
(2) 分类精度对比
在分类精度上，对比了多种SSA方法：SSA、Super-1DSSA、2D-SSA和Super-2DSSA，分类精度如表1所示，可以看出提出的SpaSSA在绝大多数类别都取得最高的分类精度，优于传统的SSA、2DSSA，并且其自适应的方式要好于单独的Super-1DSSA和Super-2DSSA。
表1 Indian Pines数据集的分类精度(%)(10%训练样本)。
(3) 分类图展示
通过图5的分类图可知，SpaSSA方法可以得到更加平滑的分类图，消除了对比算法中存在的分类“椒盐噪声”和分类斑块的问题，在不同地物的边界处具有良好的区分性。
图5 Indian Pines数据集分类图。(a)真值图；(b)SVM；(c)SSA；(d)Super-1DSSA；(e)2DSSA(5*5)；(f) 2DSSA(10*10)；(g)Super-2DSSA；(h)SpaSSA。
(4) 运行效率对比
在运行时间上，Super-1DSSA比SSA节省了较多的计算时间。Super-2DSSA中超像素的数量增加了2DSSA的处理次数，SpaSSA比Super-2DSSA需要更多的时间，进一步提高SpaSSA的效率还有待进一步研究。
表2 不同对比算法的运行时间对比。
(5) 对比其他先进方法
提出的SpaSSA方法与PCA进一步结合（SpaSSA-PCA），旨在实现更有效的光谱空间特征提取。实验结果证明，该方法可以与当前先进的流形学习、深度学习方法相媲美。
表3 Indian Pines数据集不同先进方法的分类精度(%)(约10%训练样本)
4.研究结论
特征提取是高光谱数据分类的重要环节，它可以深入挖掘光谱和空间两方面的数据特征。近年来研究人员提出了许多光谱和空间特征提取技术，如SSA及其二维版本(2D-SSA)。然而，2D-SSA只考虑全局空间信息，而忽略了像素点的局部空间上下文，即类物区域，这限制了其适用性和效率。为此，提出了一种新的SpaSSA来解决这些问题。
超像素分割可以将像素分组为同质区域，即类对象超像素。通过适当的参数设置，自适应SSA方法可以有效地提取空间特征，提高识别能力。SpaSSA方法可以有效地减小超像素内的类内方差，增强不同超像素之间的辨别能力，从而提高分类精度。在三个公开的高光谱数据集上进行的实验充分验证了所提出的SpaSSA方法优于现有的SSA和2DSSA。此外，结合SpaSSA-PCA可以进一步提高分类精度，并优于几种最先进的方法.
未来的工作将集中于SpaSSA更有效的实现及其在遥感图像分析中的新应用，包括:1) 弱监督学习和上下文感知学习; 2) 各种深度学习，包括旋转不变CNN、自编码器和深度融合; 3) 显著性检测和波段选择等。
5.文章引用格式
SUN, G., FU, H., REN, J., ZHANG, A., ZABALZA, J., JIA, X. and ZHAO, H. 2022. SpaSSA: superpixelwise adaptive SSA for unsupervised spatial-spectral feature extraction in hyperspectral image. IEEE transactions on cybernetics, 52(7), 6158-6169.
转自：“科研圈内人”微信公众号
如有侵权，请联系本站删除！
