[论文解读] Wavelet-Based Semantic Features for Hyperspectral Signature Discrimination

Siwei Feng, Yuki Itoh+2 more|arXiv (Cornell University)|Feb 11, 2016

Remote-Sensing Image Classification参考文献 28被引用 6

一句话总结

本文提出一种基于小波的语义特征提取方法，利用非齐次隐马尔可夫链（NHMCs）对多尺度下的高光谱特征结构进行建模，实现材料的自动、无规则判别。该方法在分类任务中优于光谱匹配和基于小波系数的方法，尤其在高数据模型参数（DMP）条件下，通过小波系数的统计建模捕捉诊断性光谱特征（如吸收带）。

ABSTRACT

Hyperspectral signature classification is a quantitative analysis approach for hyperspectral imagery which performs detection and classification of the constituent materials at the pixel level in the scene. The classification procedure can be operated directly on hyperspectral data or performed by using some features extracted from the corresponding hyperspectral signatures containing information like the signature's energy or shape. In this paper, we describe a technique that applies non-homogeneous hidden Markov chain (NHMC) models to hyperspectral signature classification. The basic idea is to use statistical models (such as NHMC) to characterize wavelet coefficients which capture the spectrum semantics (i.e., structural information) at multiple levels. Experimental results show that the approach based on NHMC models can outperform existing approaches relevant in classification tasks.

研究动机与目标

• 开发一种自动、无规则的方法，从高光谱特征中提取具有科学意义的结构特征（语义特征）。
• 克服在材料识别中依赖专家输入且需重新配置的定制诊断规则的局限性，尤其在新增材料时。
• 通过在多尺度下对小波系数进行统计建模，实现对光谱语义的建模，从而提升高光谱分类性能。
• 实现鲁棒分类，保留关键光谱特征（如吸收带和不连续性），而无需依赖临时设计的相似性度量。
• 证明基于NHMC的特征可优于现有特征提取方法和直接光谱匹配方法，在分类准确率方面表现更优。

提出的方法

• 使用冗余小波变换（UWT）将高光谱特征分解为多尺度和多偏移的小波系数，保持完整的光谱分辨率。
• 应用非齐次隐马尔可夫链（NHMCs）对相邻尺度间小波系数的统计依赖关系进行建模。
• 每个光谱波段均被建模为独立的NHMC，将原始信号映射到二值状态空间，以编码显著与非显著的光谱波动。
• 利用隐马尔可夫树（HMT）框架捕捉小波系数的多尺度相关性，突出显示如陡峭跃迁和吸收带等结构特征。
• 采用小波系数的二值表示（显著或不显著）来编码语义内容，实现高效特征提取与分类。
• 在大规模光谱数据库上训练NHMC模型，以学习多样化材料中具有意义的光谱结构的统计模式。

实验结果

研究问题

• RQ1 基于小波系数的统计模型是否能有效编码高光谱特征的语义特征，而无需依赖手工规则？
• RQ2 与直接光谱匹配和基于小波系数的分类相比，基于NHMC的特征提取在准确率方面表现如何？
• RQ3 当每类的训练样本数量减少时（即低DMP），该方法是否仍保持高性能？
• RQ4 该模型是否能在未在训练中见过的新矿物种类上实现泛化，而无需重新配置规则？
• RQ5 在概率HMM框架中使用小波系数，在多大程度上提升了对吸收带等光谱特征的判别能力？

主要发现

• 基于NHMC的特征提取方法在分类准确率方面优于直接光谱匹配和基于小波系数的分类方法，尤其在高数据模型参数（DMP）值下表现更优。
• 随着DMP降低，NHMC方法的性能下降幅度小于MOG和GMM基线方法，表明其对数据稀疏性具有更强鲁棒性。
• 即使在低DMP条件下，最佳的NHMC特征与最近邻（NN）分类组合仍优于基线方法，证明其具备强大的泛化能力。
• 该方法通过小波系数的统计建模，成功捕捉并保留了关键诊断性光谱特征，如吸收带和不连续性。
• 使用UWT确保了在尺度和偏移选择上的最大灵活性，可精确定位光谱中各处的结构特征。
• 该方法实现了自动、无规则的特征提取，无需为新材料定义专家规则，支持对未见矿物种类的可扩展性。