半監督多圖嵌入的高光譜影像特征提取

黃 鴻，唐玉梟，段宇樂

(重慶大學 光電技術與系統教育部重點實驗室，重慶 400044)

1 引 言

高光譜遙感影像包含從可見光到紅外光譜區域數十數百個狹窄且連續的光譜波段，其每個像素點包含幾十到幾百維的光譜反射數據，已廣泛應用于資源勘探、精細農業、災害評估以及目標識別等領域[1-2]。高光譜影像盡管給地物精確分類帶來了機遇，但是存在維數高、波段相關性強、標記樣本較少等問題[3-5]。因此如何降低數據冗余，實現鑒別特征提取是高光譜遙感影像研究的前沿與熱點[6]。

維數約簡方法可以降低數據維數，得到高維數據有意義的低維表征，有利于解決“維數災難”問題[7]。常用的維數約簡算法主要有主成分分析(Principle Component Analysis, PCA)[8]、線性判別分析(Linear Discriminant Analysis, LDA)[9]、局部線性嵌入(Local Linear Embedding, LLE)[10]、拉普拉斯特征映射(Laplacian Eigenmaps, LE)[11]、等距映射(Isometric Mapping, ISOMAP)[12]、鄰域保持嵌入(Neighborhood Preserving Embedding, NPE)[13]以及局部保持投影(Locality Preserving Projections, LPP)[14]等。上述方法可統一到圖嵌入框架(Graph Embedding, GE)下，學者們基于該框架提出了邊界Fisher分析(Marginal Fisher Analysis, MFA)[15]、局部線性判別分析(Losal Fisher Discriminant Analysis, LFDA)[16]、局部幾何結構Fisher分析(Local Geometric Structure Fisher Analysis, LGSFA)[17]等監督學習方法，通過有效利用樣本數據的類別信息提高低維嵌入特征的可分性，提升分類性能。但在實際應用中，標記樣本往往非常有限，或者需消耗大量的人力財力去進行標記，同時存在大量的無標記樣本可供利用。學者們提出采用半監督學習方法提出通過利用標記樣本和無標記樣本來實現半監督特征提取，如半監督鑒別分析(Semi-supervised Discriminant Analysis, SDA)[18]、半監督局部判別分析(Semi-supervised Local Discriminant Analysis, SELD)[19]和半監督稀疏流形嵌入(Semi-supervised Sparse Manifold Embedding, S3ME)[20]等，可進一步提升分類性能。

上述圖嵌入方法僅考慮了點與點之間結構關系，而觀測數據在高維空間往往具有復雜的多元結構[21]，因此學者們提出構建超圖模型以表達數據間復雜結構關系。Huang等[22]結合超圖結構與判別局部保留投影的思想提出判別超-拉普拉斯投影(Discriminant Hyper-laplacian Dproiection, DHLP)方法，使投影后的同類數據聚集、不同類數據遠離。Sun等[23]提出空-譜超圖嵌入(SS Hypergraph, SSHG)方法，采用擴展形態特征和光譜特征并聯合超圖嵌入模型的方法學習高光譜圖像數據的幾何結構，同時引入超邊權重的正則化約束來保持有效的超邊界。Wang等[24]通過空間鄰域內的相關像素來構造約束字典并激活相關點、抑制不相關點，提出一種空-譜局部約束彈性網超圖學習模型并應用于高光譜圖像地物聚類。在超圖方法中，超邊由多頂點連接構成，使超邊更易連接成圖，有效表征數據間的多元結構關系。超邊權重為其所包含頂點之間兩兩相似度的和，兩點之間的相似關系同時也受超邊內其他頂點的影響，這種“平均”效應削弱了兩點之間的直接聯系。因此，如何有效聯合簡單圖和超圖模型，以有效表征高維數據本質結構，成為高光譜數據維數約簡過程中的關鍵所在。

針對上述問題，本文提出一種半監督多圖嵌入(Semi-Supervised Multi-Graph Embedding, SSMGE)的維數約簡方法，以兩類圖的協同結構表征數據在高維空間中的結構，實現高光譜數據鑒別特征提取。該方法通過樣本數據的歐式近鄰點以尋找數據在高維空間的位置關系，利用有標記樣本和無標記樣本分別構建監督、非監督超圖以表征其多元關系，并使用有標記樣本構建普通圖，然后通過多圖協同方式來表征數據間的復雜幾何結構。在低維嵌入空間中，加強類內圖和本征圖的結構，抑制類間圖和懲罰圖的關系，實現鑒別特征提取，進而有效改善地物的分類性能。在PaviaU和Urban高光譜數據集上的實驗結果證明了本文方法的有效性。

2 本文方法

本文中，高光譜數據集表示為X=[Xl,Xu]∈RB×n，B為波段數，n為樣本總數，其中標記樣本集為Xl=[(xl,1,l1),(xl,2,l2),...,(xl,nl,lnl)]∈RB×nl，li∈{1,2,...,m}，m為樣本類別數，無標記樣本集為Xu=[xu,1,xu,2,...,xu,nu]∈RB×nu，nl為有標記樣本數，nu為無標記樣本數，n=nl+nu。低維嵌入特征表示為Y=[yl,1,yl,2,...,yl,nl,yu,1,yu,2,...,yu,nu]∈Rd×n，其中d為低維特征的嵌入維數，Y=PTX，P∈RB×d為投影矩陣。

2.1 圖嵌入模型

為更好地理解PCA，LDA，LLE，LE，ISOMAP，NPE，LPP等維數約簡算法，YAN等[25]提出圖嵌入模型并將上述算法統一到該框架下。在圖嵌入模型中，需構建本征圖G={V,W}以表征數據的統計及幾何特性，其中V=[v1,v2,...,vn]∈RB×n為頂點集，W=[wij]∈Rn×n為權重矩陣，wij為頂點vi和vj之間的權值。

圖嵌入模型的主要目的是使圖中的頂點在低維嵌入過程中保持頂點間的相似關系，實際應用中可能會加入懲罰圖使不相似數據盡量遠離。因此，其目標函數可表示如下：

(1)

2.2 超圖嵌入模型

超圖與普通圖的區別主要在于邊與超邊內頂點的數量不同，普通圖的邊僅表示兩點之間的關系，而超圖的邊包含多個頂點，多點連接的不同超邊共享更多的頂點，使超邊更易連接成圖，兩類圖從不同角度來表征高維數據中的結構關系。超圖模型可表示為GH={VH,EH,WH}，其中EH為超邊集，VH為超邊集，超邊ei∈EH，其權值w(eH)∈WH。關聯矩陣H=[h(vi,ej)]i,j∈R|VH|×|EH|表示頂點vi與超邊ej的關系，頂點的度d(vi)表示連接頂點的超邊權重之和，超邊的度d(ei)表示為每條超邊上頂點的個數，其定義如下：

(2)

(3)

(4)

超圖與普通圖的邊主要區別在于頂點連接成邊的方式不同，如圖1(a)所示，該圖共包含3條超邊和15條普通邊，普通圖的每個邊僅僅連接兩個頂點，而超圖的邊由多個頂點構成，例如超邊e1,e2分別由頂點子集{v1,v2,v5},{v2,v3,v4}構成。由于超邊間的頂點子集有重疊部分，因此可以連接超邊構成超圖，相比普通圖，超圖更能更高

圖1 普通圖與超圖結構對比Fig.1 Example of simple graph and hypergraph

效的揭示頂點間復雜的多元幾何關系。圖1(b)，{e4,...,e18}為普通圖的邊，超邊集{e1,e2,e3}構成超圖關聯矩陣H，H表示為每條超邊所包含的頂點，1表示某超邊包含對應的頂點，0表示不包含相應的頂點。

2.3 SSMGE算法

為有效利用高光譜數據中少量的標記樣本和數量較多的無標記樣本，并解決單一構圖方法表征結構不足等問題，提出一種半監督多圖嵌入(Semi-supervised Multi-graph Embedding, SSMGE)算法，實現鑒別特征提取。該算法首先利用標記樣本計算得到其近鄰點，構建有監督類內超圖、類間超圖和類內普通圖、類間普通圖，并利用無標記樣本的近鄰點和遠離點分別構造無監督本征超圖和懲罰超圖，以實現多圖協同表征高光譜數據的本征結構。在低維嵌入空間中，使類內圖和本征圖中的數據盡量聚集，類間圖和懲罰圖內中的數據盡可能遠離，以提取低維鑒別特征，進而提升分類器分類性能。該算法流程如圖2所示。

圖2 SSMGE算法流程圖Fig.2 Flowchart of proposed SSMGE method

2.3.1 有監督普通圖與超圖構建

在高光譜遙感數據中，同類地物對各個波段光譜的反射能力具有相似性，因此可利用光譜數據的歐氏距離來度量其近鄰關系。普通圖和超圖主要結構差異在于圖的連接方式不同，普通圖僅僅是兩點構成邊，超圖多點構成超邊。

根據樣本的類別信息與樣本間的歐式距離來構建普通圖和超圖，包括類內普通圖、類間普通圖Gw={Vw,Ww},Gb={Vb,Wb}和類內超圖GHw={Vw,EHw,WHw}、類間超圖GHb={Vb,EHb,WHb}，其中Vw，Vb為類內、類間圖頂點集，VHw，VHb為類內、類間超圖頂點集，EHw，EHb為類內、類間超邊集，Ww，Wb為類內、類間圖Gw,Gb的權重矩陣，WHw,WHb為超邊集EHw,EHb對應的權重矩陣。

類內超邊權值定義為：

類內超圖的關聯矩陣Hw定義如下：

(6)

基于超邊權值WHw和關聯矩陣Hw可計算頂點vi∈Vw的度：

(7)

(8)

與此同時，類間超圖的超邊權值可表示為：

(9)

其相應的類間超圖的關聯矩陣Hb表示為：

(10)

(11)

(12)

為提取出數據在低維空間的投影特征，使類內圖盡量靠近，類間圖盡量遠離，由式(5)～式(12)可計算出超圖的目標函數：

(13)

(14)

(15)

(16)

(17)

(18)

在低維嵌入空間中，為提取低維鑒別特征，應使類內圖和類內超圖更加緊密，類間圖和類間超圖更加遠離。基于此，可聯合式(15)和式(18)構建以下目標函數：

(19)

式中：α為平衡類內超圖和普通圖權衡系數，β為平衡類類間超圖和普通圖的權衡系數。

2.3.2 無監督超圖構建

由于在實際應用中，標記樣本往往非常有限，僅通過標記樣本不足以有效表征高維數據的復雜結構，因此可通過無標記樣本構建非監督超圖來進一步表征其多元結構關系。為此，選取每個樣本的近鄰點構建無監督本征圖，使其盡量靠近，選取遠離點構建無監督懲罰圖，使其盡量遠離。無監督超圖的超邊權重、關聯矩陣、頂點的度和超邊的度定義如下：

(20)

(22)

(23)

(24)

(25)

(26)

(27)

由此，可得到無監督超圖的目標函數：

(28)

進一步優化上述目標函數為：

(29)

結合式(19)與式(29)，本文提出的半監督多圖融合嵌入(SSMGE)算法的目標函數可表示為：

(30)

根據拉格朗日乘子法，式(30)中的最優化問題可被轉換為求解如下廣義特征值問題：

(31)

2.4 SSMGE算法步驟

算法:半監督多圖融合嵌入(SSMGE)輸入:高光譜數據集X=[Xl,Xu]∈RB×n,無標簽樣本Xu=[xu,1,xu,2,...,xu,nu]∈RB×nu,帶標簽樣本Xl=[(xl,1,l1),(xl,2,l2),...,(xl,nl,lnl)]∈RB×nl,有監督圖和超圖類內、類間近鄰點數intraK,interK,無監督超圖近鄰點和遠離點數uK,低維嵌入維度d,平衡參數α,β。輸出:低維嵌入特征Y=PTX∈Rd×n,PT∈RB×n為投影矩陣 1.將高光譜數據集X進行歸一化處理,并隨機選取一定數量標記樣本和無標記樣本進行訓練;2.計算并選取帶標簽樣本的intraK個類內近鄰點、interK個類間近鄰點,構建監督普通圖和超圖;3.計算監督普通圖的拉普拉斯矩陣Lw=Dw-Ww,Lb=Db-Wb;4.計算監督超圖的拉普拉斯矩陣LwH=Dwv-HwWHwDwe-1HwT,LbH=Dbv-HbWHbDbe-1HbT;5.計算并選取無標簽樣本近鄰點和遠離點各uK個,構建無監督超圖;6.計算無監督超圖的拉普拉斯矩陣LwHu=Dwvu-HwuWHwuDweu-1HwuT,LbHu=Dbvu-HbuWHbuDbeu-1HbuT;7.由式(30)構建多圖融合優化目標函數;8.求解式(31)廣義特征值問題,得到特征投影向量P,低維嵌入特征Y=PTX∈Rd×n。

3 實驗結果與分析

為驗證SSMGE算法的有效性，本文在PaviaU和Urban高光譜數據集上進行地物分類實驗，并與相關算法進行對比。

3.1 實驗數據集

University of Pavia (PaviaU)數據集于2002年由ROSIS傳感器拍攝意大利北部Pavia大學的高光譜圖像。該圖像大小為610×340 pixel，空間分辨率為1.3 m，共有115個光譜波段，去除其中12個受噪聲影響的波段，剩余103個波段用于實驗。該圖像包含瀝青、草地、碎石、樹和裸土等9類地物及其相應的標簽信息，其假彩色圖像和真實地物圖像如圖3所示。

圖3 PaviaU高光譜圖像Fig.3 University of Pavia hyperspectral image

Urban數據集于1995年由HYDICE傳感器拍攝美國德克薩斯州胡德堡附近地區的高光譜圖像，該圖像大小為307×307 pixel，空間分辨率為4 m，共有210個波段，去除其中1～4，76，87，101～111，136～153，198～210共48個受噪聲影響的波段，剩余162個波段用于實驗。該圖像包含建筑、陰影、瀝青路、混凝土路、草地和樹6類地物，其假彩色圖像和真實地物圖像如圖4所示。

圖4 Urban高光譜圖像Fig.4 Urban hyperspectral image

3.2 實驗設置

實驗中，在數據集中隨機選取一定數量標記樣本和無標記樣本作為訓練集，其余作為測試集，其中無/半監督算法采用整個訓練集進行學習，而監督算法只利用其中的標記樣本。首先采用各種維數簡約算法計算得到投影矩陣，然后得到測試樣本的低維嵌入特征，最后采用最近鄰分類器(1-NN)進行分類，每組實驗均進行10次重復實驗，并用總體分類精度(Overall Accuracy, OA)、平均分類精度(Average Accuracy, AA)和Kappa系數(κ)作為評價指標。實驗中選取了RAW，PAC，LDA，MFA，LGSFA，DHLP和S3ME與本文提出的SSMGE方法進行對比，其中RAW為直接對原始數據進行分類。各算法參數均通過交叉驗證調到最佳，MFA的類內、類間近鄰數分別選取為3，60，LGSFA中參數k和β設為9和20，S3ME的加權參數β和系數平衡參數λ設為5和20。LDA低維嵌入維數為c-1，c為類別數，其余算法嵌入維數為30。

為探究本算法中類內、類間近鄰點數目intraK和interK對總體分類精度的影響，從數據集中每類選取80個標記樣本、400個無標記樣本進行訓練，其余作為測試樣本。在實驗中，在PaviaU數據集中intraK和interK參數區間設置為{5,10,...,50}，在Urban中設為{3,5,...,25}，且α=β=0.5，uK=60。圖5為SSMGE算法在不同類內、類間近鄰點數下的分類結果。

由圖5可知，分類精度隨類內近鄰點數的增加先有所提升后下降，這是由于隨著類內近鄰點增加可更有效的表征高光譜數據結構，有利于鑒別特征提取，但是近鄰點過多，會導致相似度低的數據點引入構建類內圖，導致不能有效表征同類數據間本征結構；而類間點增加有利于表征不同類數據之間區別，但是過多類間點會導致計算復雜度增加。根據圖5中的實驗結果，將PaviaU，Urban數據集上(intraK,interK)分別設置為(25, 20)和(11, 7)。

為探究平衡參數α和β對結果的影響，繼續下一步實驗，其它參數不變，在兩數據集中將α和β均設置為{0,0.01,0.1,0.2,...,0.9,1}。圖6為不同α，β參數值下的分類結果。

由圖6可知，本文提出的多圖協同表征方法的分類性能均優于普通圖/超圖此類單一圖嵌入方法，這表明簡單圖和超圖具有互補性，有益于高光譜數據復雜結構表征。同時，本文方法在取得較好分類性能時，α往往要大于β，這說明超圖模型在提取鑒別特征時更為重要。依據圖6 中實驗結果，本文在PaviaU，Urban數據集上將平衡參數(α,β)分別設定為(0.7, 0.7)和(0.3, 0.4)。

圖5 SSMGE在不同intraK和interK參數下的OAFig.5 OAs of SSMGE with different values of parameters intraK and interK on PaviaU and Urban data sets

圖6 SSMGE在不同α和β參數下的OAFig.6 OAs of SSMGE with different values of parametersαandβon PaviaU and Urban data sets

為探究無標記樣本的近鄰點和遠離點數對實驗的影響，隨機選取無標記訓練樣本400個。為簡化實驗過程，在此將無標記樣本的近鄰點與遠離點均設置為uK，其在兩個高光譜數據集上調試范圍為{20,40,...,200,250,300}，具體分類結果如圖7所示。同時，為分析無標記樣本數量對分類性能的影響，設置無標記樣本數為{50,100,200,400,...,4 000}進行測試，其分類結果如圖8所示。

由圖7可知，OA和kappa隨無標記樣本近鄰點數和遠離點數的增加先有所提升后開始下降，這是由于利用適量的無標記樣本的近鄰點和遠離點可更有效表征數據間的本征結構。由圖8可知，無標記樣本的增加可它提供更多信息，有利于特征提取，分類精度也隨之增加，但是過多無標記樣本不僅會存在冗余信息，且會增加計算復雜度。因此，選擇合適的其近鄰點、遠離點數和無標記樣本數可以在分類精度和計算復雜度之間取得平衡。基于圖7和8的實驗結果，在PaviaU和Urban數據集上uK分別設置為120和140，無標簽樣本數分別設置為600和800。

圖7 SSMGE在不同uK參數下的OAFig.7 OAs of SSMGE with different values of parameters unK on PaviaU and Urban data sets

圖8 SSMGE在不同無標記樣本數下的OAFig.8 OAs of SSMGE with different numbers of unlabeled samples on PaviaU and Urban data sets

3.3 PaviaU實驗結果與分析

在實驗中，從PaviaU數據集中每類隨機選取5，10，20，40，60，80個有標記樣本和600個無標記樣本作為訓練集，剩余樣本作為測試集。采用1-NN分類器進行分類，每次實驗重復10次。表1表示不同維數約簡方法算法的分類結果。

由表1可知，各算法的分類精度隨訓練樣本數的增加而增加，是由于訓練樣本數增加，其中的信息就越豐富，越利于特征提取，可改善分類效果。在標記樣本較少的情況下，LDA，LGSFA，DHLP監督方法由于過擬合導致分類精度較低，但隨著標記樣本的增多逐漸表現出其優勢，而半監督算法S3ME利用無標記樣本解決標記樣本不足的問題，利用半監督圖有效表征數據的內部結構，獲得較好的分類效果。本文提出的SSMGE算法基于多圖協同表征的思想，通過充分利用有標記和無標記樣本構建簡單圖和超圖，實現高光譜數據中復雜結構表征。該方法不僅解決DHLP算法在標記樣本較少時情況下超圖模型構建不準確問題，同時比S3ME方法中單一圖模型更有效表示數據中多元結構關系，其低維嵌入特征可分性更好，可獲得更優的分類精度。

表1 不同算法在PaviaU數據集上的分類結果(總體分類準確度±標準差(%) (kappa系數))

Tab.1 Classification results with different numbers of training samples on the PaviaU data set(OA ± std (%) (KC))

算法1020406080RAW64.30±5.26(0.558)67.27±1.90(0.592)71.21±1.78(0.637)73.60±1.57(0.664)75.55±0.74(0.688)PCA64.30±5.56(0.558)67.27±2.00(0.592)71.22±1.89(0.637)73.56±1.66(0.664)75.54±0.81(0.688)LDA29.51±5.12(0.171)59.48±2.03(0.493)71.19±1.61(0.634)74.63±1.62(0.675)78.37±0.78(0.721)MFA67.66±3.64(0.598)71.76±2.03(0.645)75.25±2.84(0.686)76.58±2.92(0.702)78.08±1.83(0.719)LGSFA52.17±5.29(0.419)64.58±3.58(0.556)70.71±3.11(0.630)75.45±1.63(0.686)78.72±1.44(0.725)DHLP63.52±2.99(0.544)64.02±2.69(0.551)69.53±2.12(0.616)74.32±1.74(0.673)78.34±0.98(0.721)S3ME67.28±3.29(0.592)73.46±3.22(0.664)78.49±2.33(0.725)82.58±1.33(0.775)83.74±1.06(0.789)SSMGE68.46±2.89(0.607)75.08±2.32(0.684)80.64±1.74(0.752)83.61±1.04(0.788)85.42±0.95(0.810)

為探索各算法在各類地物上的分類性能，從PaviaU數據集中每類隨機選取80個的標記樣本、600個的無標記樣本作為訓練集，剩余樣本作為測試集。表2為各類算法采用1-NN分類器測試各類樣本的結果，包含總體分類精度、平均分類精度、kappa系數和降維時間(DR Time)，圖9為各算法在整個數據集上的分類結果圖。

由表2可知，SSMGE在大多數地物類別中都具有較好的分類效果，具有最好的OA，AA和kappa系數。相比于S3ME算法，本文方法在訓練時間上具有明顯的優勢，這是由于S3ME采用稀疏表示的方法表征數據之間聯系，計算復雜較高。在圖9中，本文方法在“Meadows”，“Bitumen”，“Bricks” 等地物中分類效果較好，錯分點少，這是由于多圖結構更能協同表征出數據的本征屬性，去除冗余信息，提取出更有利于區分不同地物的鑒別特征，有利于分類。

表2 各類算法對PaviaU數據集每類地物的分類結果

圖9 各類算法在PaviaU數據集上降維后的分類結果圖Fig.9 Classification maps of different DR methods with 1-NN for the PaviaU data set

3.4 Urban實驗結果與分析

從Urban數據集中每類地物隨機選取10，20，40，60，80個有標記樣本和800個無標記樣本作為訓練集，剩余樣本作為測試集進行實驗，表3為各維數簡約算法在不同標記樣本下采用1-NN分類器進行分類的實驗結果。

表3 不同算法在Urban數據集上的分類結果(總體分類準確度±標準差(%)(kappa系數))

Tab.3 Classification results with different numbers of training samples on the Urban data set(OA ± std (%) (KC))

算法1020406080RAW69.92±3.68(0.547)71.84±2.93(0.571)73.36±2.20(0.592)75.20±1.61(0.616)75.69±0.98(0.623)PCA69.92±3.86(0.547)71.84±3.09(0.571)73.37±2.31(0.592)75.18±1.68(0.615)75.69±1.04(0.623)LDA67.03±4.14(0.513)57.77±3.32(0.397)66.67±3.34(0.507)76.29±2.07(0.633)78.18±1.31(0.660)MFA73.16±2.65(0.592)74.48±2.65(0.609)75.79±1.37(0.628)76.54±2.16(0.637)77.09±1.39(0.645)LGSFA65.40±5.21(0.500)74.95±1.74(0.612)76.48±1.87(0.637)78.36±2.31(0.662)78.65±1.00(0.666)DHLP73.14±2.87(0.592)74.91±1.20(0.616)75.16±2.39(0.619)77.51±3.14(0.650)77.45±1.09(0.650)S3ME73.49±3.20(0.594)76.73±2.12(0.639)76.36±2.39(0.636)78.36±2.81(0.664)79.04±1.29(0.673)SSMGE74.14±2.90(0.606)77.16±1.92(0.645)78.09±1.37(0.659)79.38±2.30(0.678)80.07±0.81(0.687)

由表3可知，MFA，LGSFA，DHLP等圖嵌入算法要明顯優于PCA，LDA等傳統算法，說明圖嵌入能更有效表征數據的幾何結構；半監督圖嵌入算法S3ME，SSMGE優于其他監督算法，這是由于半監督方法可充分利用標記樣本和無標記樣本間的信息，提升了地物分類性能；本文SSMGE方法在各種訓練條件下分類結果均優于其他方法，這是由于其通過融合普通圖和超圖中的有用信息，從而可更充分表征高光譜數據的復雜結構關系，并增強同類數據的聚集性和不同類數據的遠離性，改善特征提取效果，提升地物分類精度。

為進一步研究各算法對各類地物的特征提取性能，從Urban數據集每類中隨機選取80個有標記樣本和800個無標記樣本作為訓練樣本，其余作為測試樣本。表4為不同算法在每類地物上維數約簡后采用1-NN分類器分類的結果，包含OA，AA，Kappa和降維時間，圖10為各種算法在整個Urban數據集上分類結果圖。由表4可知，相對其他算法，SSMGE在該數據集大部分類別地物上都均能獲取更好的分類效果，且在圖10中“Grass”，“Concrete”等地物具有較為光滑的分類結果，錯分點少，表明多圖協同嵌入方法比單圖嵌入方法更能表征數據的內部結構，提取出更有利于提高分類效果的低維嵌入特征。

表4 各類算法對Urban數據集每類地物的分類結果

圖10 各類算法在Urban數據集上降維后的分類結果圖Fig.10 Classification maps of different DR methods with 1-NN for the Urban data set

4 結 論

針對普通圖或超圖嵌入高光譜數據過程中表達形式單一，并為解決較少標記樣本下特征提取問題，本文提出一種結合圖和超圖聯合表征的半監督多圖嵌入(SSMGE)維數簡約方法，以提取低維鑒別特征。該方法通過標記樣本的近鄰點構建類內圖、類間圖和類內超圖、類間超圖，以多圖協同表征的形式挖掘高光譜影像中的數據關系，同時通過無標記樣本的近鄰點與遠離點構建無監督本征超圖和無監督懲罰超圖，增加更多有利于分類的鑒別信息，同時加強超圖結構在整個數據集中的結構關系。在低維嵌入空間中，加強數據的類內結構和本征結構，遠離數據的類間結構和懲罰結構，以實現特征提取。在PaviaU和Urban高光譜數據集上的實驗表明，相比于其他對比方法，SSMGE的總體分類精度分別可達到85.92%和79.74%，說明本文提出的SSMGE方法相比于單圖嵌入方法能明顯提升地物分類性能，有利于實際應用。由于本文方法僅利用高光譜數據的光譜信息，下一步工作將利用空間信息構建空-譜超圖，進一步提升分類性能。