基于馬氏距離聚類的高光譜圖像波段選擇方法

吳 青,徐 杰

(西安郵電大學 自動化學院,陜西 西安 710121)

遙感技術是自20世紀60年代發展起來的一種對地探測技術,該技術可以獲取到更多的相關遙感數據,以用于分析地物特征和變化規律[1]。隨著成像光譜儀的快速發展,遙感圖像的光譜分辨率日益提高。高光譜遙感技術通過范圍較大且間隔較窄的電磁波段獲取感興趣的地物信息[2]。與傳統的彩色圖像以及多光譜遙感圖像相比,高光譜遙感圖像(Hyperspectral Image,HSI)可以提供更加豐富的光譜信息,能更好地描述地物特征[3-4],為地物的識別與檢測提供較大的便利。目前,高光譜遙感在環境監測、農業林業地面探測、城市建設、軍事目標探測等各個領域均得到了廣泛關注,成為遙感領域的前沿技術[5]。

近年來對HSI的研究大多是針對地物的分類與識別[6-7]。HSI為地物分類提供豐富光譜信息的同時,也帶來了一些問題。例如,根據HSI成像原理,相鄰光譜波段間存在較高的相關性,當處理高維的HSI數據時,大幅增加了時間和空間復雜度,容易導致“維數災難”問題,因此,對HSI數據進行降維成為不可或缺的預處理步驟。

常用的HSI降維方法主要有特征提取[8-9]和波段選擇[7]兩種方式。特征提取方法主要是找到一種轉換策略,將原數據映射到新的低維特征空間,以達到信息綜合、特征增強以及光譜降維的效果。然而,一方面,特征提取方法是采用原始數據的所有波段進行數據轉換,一些冗余或者噪聲波段會對數據轉換的結果造成一定程度的干擾;另一方面,該方法采取的是數據轉換策略。該策略使得HSI原始數據的數值發生變化,數據丟失了原有的物理意義,導致關鍵信息丟失。波段選擇方法的主要原理是從原始HSI數據中選取一個具有代表性的波段子集,以達到既能降低數據維度的目的,也可以保留原始數據固有的特性,這樣更有利于后續與空間信息相結合。相對而言,目前主要通過波段選擇方法對高維HSI數據進行降維。

依據使用先驗信息的多少,可以將現有的波段選擇方法分為無監督方法、半監督方法和監督方法等3類方法。無監督方法更適用于HSI波段選擇。無監督的波段選擇方法主要包括基于排序的方法[10]、基于子空間劃分的方法[11]和基于聚類的方法[12]等3種方法。

基于排序的方法主要根據某個度量準則來評價每個波段的重要性,然后,根據度量準則對所有波段進行排序,從而選出排名靠前的波段。例如,文獻[13]提出一種基于特征分析的波段優先級劃分標準,即最大方差主成分分析(Maximum-Variance Programmable Counter Array,MVPCA),利用協方差矩陣的特征值和特征向量構建負載因子矩陣確定波段的信息含量。文獻[14]提出了最佳指數法(Optimum Index Factor,OIF)。文獻[15]提出一種正交投影波段選擇方法(Orthogonal Projection Band Selection,OPBS),將最大橢圓體算法與序列前向搜索算法相結合來尋找有關波段。但是,總體而言,基于排序的波段選擇方法大多數僅考慮到波段質量,并沒有考慮波段間相關性,導致最終分類結果的準確性較低。

基于子空間劃分的波段選擇方法對波段之間的相關性和減小計算量均有所考慮。例如,文獻[16]結合聯合熵波段選擇算法,提出了一種自動子空間劃分(Auto-Subspace Partition,ASP)的改進方法,該方法實現了在刪減冗余信息的同時選擇出含有主要信息的特征波段組合,可以有效地減少相關性較高的波段。但是,基于子空間劃分的波段選擇方法通常沒有考慮噪聲波段對實驗結果的影響,影響了最終分類結果的準確性。

基于聚類的波段選擇方法可以有效減少波段間的相似性,例如,文獻[17]提出一種基于密度峰值聚類的算法(Enhanced Fast Density Peak Clustering,E-FDPC),該算法對歸一化局部密度和簇內距離進行加權計算,具有較高的分類精度。文獻[18]提出一種最優聚類框架(Optimal Clustering Framework,OCF),該方法提供了一種自動確定所需波段數的方法,具有良好的魯棒性。但是,經典的波段選擇聚類方法大多利用波段間的歐氏距離作為相似性判別指標。利用歐氏距離來判別波段間的相似性往往容易受到各像素數據相關性的影響,在高維數據中應用容易失效,使得最終分類結果不夠準確。

由于馬氏距離考慮特征之間的相關性,在區分不同類別數據時更為準確[19],為了有效地提高高光譜圖像波段的分類準確率,本文擬提出一種基于馬氏距離聚類的波段選擇方法(Band Selection Method Based on Mahalanobis Distance Clustering,BS-MDC)應用于高光譜圖像的波段選擇。首先,根據選擇的波段數量對HSI數據全部波段進行粗分割;其次,利用基于馬氏距離聚類的方法進行精細子空間劃分,采用波段間的馬氏距離來描述波段間的相似度,通過求每一個波段的噪聲等級進行排序,選擇出每一組中噪聲等級最低的波段,組成最終的波段選擇結果。該方法結合了基于子空間劃分、基于馬氏距離聚類和排序的波段選擇方法,以減小聚類過程中的計算量,避免樣本特征之間相關性對波段選擇結果產生的影響,同時,也考慮了噪聲波段對降維結果的影響。最后,分別使用支持向量機(Support Vector Machine,SVM)、K最近鄰(K-nearest Neighbor,KNN)、極限學習機(Extreme Learning Machine,ELM)等3個分類器在兩個真實數據集上進行實驗驗證。

1 背景知識

1.1 高光譜圖像

HSI數據是一個光譜分辨率較高的三維立方體[20]。HSI的數據形式示意圖如圖1所示。在空間維度上,HSI數據可以看作是同一場景對應的上百個不同波段的光譜反射率所形成的二維圖像的疊加,光譜維度可以看作反映像素光譜信息的光譜曲線。

圖1 HSI的數據形式示意圖

1.2 基于聚類的波段選擇方法

考慮到波段之間的冗余性,基于聚類的波段選擇方法需要首先確定一個相似性度量準則來衡量波段之間的相似性,然后,利用聚類算法將相似度較高的波段圖像分為一組,在每一組中選擇一個最有代表性的波段圖像作為聚類中心,以選擇出相似性較低的波段組合。其中,所使用的最經典的聚類算法便是K-means算法[21]。

K-means算法是一種無監督的聚類方法,其原理是,在樣本總數為N的數據集X中隨機選取K個樣本點作為初始聚類中心,依據剩余N-K個樣本到每個聚類中心的距離,將這N-K個樣本點劃分到最近的聚類中心所對應的類中。劃分完成后,計算每一類樣本的均值向量,判斷是否需要重新確定聚類中心,重新把樣本點分配到各個聚類中,通過迭代重新劃分類別,直到類中心不再改變或達到最大迭代次數為止。

基于K-means聚類的波段選擇方法通過聚類算法對高光譜遙感圖像數據進行聚類分析,得到K個簇,然后從每個簇中選取簇中心波段,組成波段子集,將其作為輸入特征用于遙感圖像的分類與識別。假設已知一個波段集合X,即

X={xi|xi=xi1,xi2,…,xim;i=1,2,…,l}

(1)

式中：l為高光譜圖像波段數量;xi=xi1,xi2,…,xim為第i個波段數據;xim表示第i個波段數據中m個像素的值。

設置初始的聚類中心波段為

C={ci|ci=ci1,ci2,…,cim;i=1,2,…,k}

(2)

式中：k為聚類數目;ci=ci1,ci2,…,cim表示第i個聚類中心波段數據中m個像素的值。

第i個波段xi與第j個聚類中心波段cj之間的歐式距離的計算表達式為

(3)

迭代過程中的聚類中心j波段數據cj的計算表達式為

(4)

式中：nj表示第j個聚類中心的波段數量;xj表示j波段相關數據。

1.3 馬氏距離

馬氏距離[19]由印度統計學家Mahalanobis提出。馬氏距離表示服從某種分布并且其協方差矩陣為C的樣本集X中的樣本點x與y的差異程度,與歐氏距離不同的是,馬氏距離考慮各特征之間的相關性,在高維空間中仍然具有較好的應用效果,適合應用于分類問題中。設樣本集X中的元素均為n維向量,其均值向量為μ,協方差矩陣為C,則單個樣本點x與均值的馬氏距離可以表示為

(5)

樣本集X中兩個樣本點x、y之間的馬氏距離的計算表達式為

(6)

馬氏距離與歐氏距離對比示意如圖2所示。圖中,黑點為屬于樣本M的一系列點,隨機點A和點B相對于樣本中心,即坐標原點O的直線距離d1和d2相等?？紤]歐氏距離,A、B兩點屬于該樣本集M的概率一樣。但是,從整個樣本分布來看,明顯可以看出B點相對于A點更有可能是屬于樣本集M中的點。而在使用馬氏距離進行計算的過程中,對協方差進行歸一化處理,可以避免歐氏距離對于數據特征方差不同的影響,使其計算的距離結果更符合數據的分布特征及實際情況。

圖2 馬氏距離與歐氏距離對比示意

2 基于馬氏距離聚類的波段選擇方法

為了降低算法復雜度,提出的基于馬氏距離聚類的波段選擇方法的主要思路為：首先,根據要選擇的波段數量對HSI數據進行粗子空間劃分;其次,基于馬氏距離聚類對HSI數據進行細子空間劃分,相對于歐氏距離,馬氏距離考慮特征之間的相關性,為此,利用馬氏距離聚類得到的波段分組更符合高光譜圖像波段的物理特性;最后,在每個波段組合中選取噪聲最小的波段組成最終的波段子集。

2.1 粗子空間的劃分

設X∈RW×H×L表示高光譜圖像數據立方體,其中,L為總的波段數,W和H分別為每個波段的寬度和高度。由于連續波段之間的數據具有較高的冗余性,因此,在進行波段聚類之前根據選擇的波段數量將HSI數據立方體分為有限的子立方體。將每個子立方體的波段數定義為

z=L/k

(7)

式中,k表示要選擇的波段數量。經過粗子空間劃分得到k個子立方體Pi,i∈[1,k]。

2.2 基于馬氏距離聚類的細子空間劃分

2.2.1 波段間馬氏距離

將高光譜數據立方體X∈RW×H×L展開為N×L維的二維矩陣S。其中,N=W×H,Si中每一行元素表示第i個波段的所有像素點的信息,每一列元素表示第i個像素在不同波段下的響應值。高光譜圖像波段i、j間的馬氏距離可以表示為

(8)

式中,C表示高光譜圖像整體數據的協方差矩陣。

2.2.2 基于馬氏距離的聚類

設k個子立方體為初始的k組,將第c組的所有波段數據的平均值作為初始的聚類中心mc(c=1,2,…,k),聚類中心的計算表達式為

(9)

式中：i表示第c組數據中的所有波段的波段編號;nc表示第c組數據的波段個數。

根據HSI的特性,相鄰組之間數據的相關性較高,因此,只需要對相鄰組波段的分組情況進行調整。計算相鄰兩組的所有波段到這兩組的聚類中心之間的馬氏距離,其計算表達式為

(10)

式中：下標i表示波段編號;下標c表示組編號。

根據式(10),分別按照組別為(1,2)、(2,3)、…、(k-1,k)的順序,將相鄰兩組中的波段歸類到距離最短的聚類中心所在類中。重復上述過程,直到每一組的聚類中心不再發生改變時為止,得到最終的聚類結果。

2.3 波段子集的選取

經典的波段選擇方法往往通過信息散度來選擇代表波段,選出的波段不可避免地會存在噪聲信息,從而無法獲得較為可靠的結果,影響后續的數據分析[17],為此,選擇每個組中噪聲最小的波段作為代表波段。計算噪聲的方法通常是將圖像分為干凈圖像和噪聲圖像兩個部分[12]。為了避免直接的圖像分解,利用局部方差估計每個波段圖像的噪聲水平,然后,選擇每個子立方體中噪聲最小的波段圖像作為所選波段,組成最終選擇的波段子集,具體步驟如下。

首先,將每一個波段圖像分割為大小為B×B像素的小塊。對于無法完全分割的波段圖像,刪掉波段圖像中最靠近邊緣的行或者列,以便于將整個圖像分割為相同大小的塊,這樣操作不會影響實驗結果。

由于一些塊具有相似的頻譜特征,為了加快算法的處理速度,從原始的塊中隨機選擇M個塊,這種處理方式能夠大大縮短處理時間。每個塊的局部平均值M和局部方差V的計算表達式分別為

(11)

(12)

式中：B2為數據塊中像素的數量;Si表示數據塊中第i個像素的值。

然后,計算出每個波段圖像中M個數據塊的方差之后,根據小塊的方差來估計圖像的噪聲。圖像劃分的小塊中存在一部分同質塊和一部分非同質塊,同質塊的方差較小,非同質塊的方差較大,如果直接通過計算所有小塊方差的平均值來處理這些結果,就會導致噪聲的估計值不準確。針對該問題,采取將小塊分組的策略,將每個圖像的M個數據塊,分為k組,將每個波段的M個數據塊分別放到對應的組中,計算數據塊數量最多的分組方差的平均值作為該波段圖像的噪聲估計值。

k的計算表達式為

(13)

式中：Vmax表示該波段圖像的M塊中方差的最大值;Vmin表示該波段圖像的M塊中方差的最小值;α為區分粒度。

2.4 基于馬氏距離聚類的波段選擇方法

對于一幅高光譜圖像X∈RN×L,L表示波段個數,N表示單波段的像素個數,提出的基于馬氏距離聚類的波段選擇方法可分為以下幾步。

第一步,確定選擇的波段數k,將高光譜波段平均分為k組,經過粗子空間劃分得到k個子立方體Pi,其中,i=1,2,…,k。

第二步,根據式(9),求出每一組所有波段數據的均值向量作為該組數據的聚類中心mc,其中,c=1,2,…,k。

第三步,根據式(10),計算相鄰兩組的所有波段到這兩組的聚類中心之間的馬氏距離,波段與哪個聚類中心之間的馬氏距離越小,就分到對應的波段子集中。重復第二步和第三步的操作,直到每個波段組合的聚類中心不再發生變化,得到最終的聚類結果。

第四步,根據式(12),計算每個波段圖像的噪聲級Ni,其中i=1,2,…,L。選出每組波段中噪聲級最小的波段,組成最終的波段子集。

第五步,將最終選出的波段子集分別利用SVM、KNN和ELM分類器進行地物分類,得出分類結果。

提出的BS-MDC方法流程圖如圖3所示。

圖3 BS-MDC方法流程圖

3 仿真結果及分析

為了驗證BS-MDC算法的有效性,采用Matlab R2018a軟件進行仿真,并與MVPCA[13]、OPBS[15]、E-FDPC[17]和OCF[18]算法等幾種經典的波段選擇算法進行對比。

實驗使用的計算機CPU版本為Intel(R)Core(TM) i5-7300HQ,操作系統為64位,主頻2.50 GHz,內存容量為8.0 GB。

3.1 參數設置

BS-MDC算法的參數設置為,對每個波段圖像進行分割的尺寸設置為3×3像素,隨機選擇的像素塊數量M設置為200,區分粒度α的值設置為3,分別使用SVM、KNN和ELM等3個分類器進行分類。對于SVM、KNN和ELM這3個分類器,均選擇最優的參數組合進行實驗,以確保實驗的準確性。選擇多項式核作為SVM的核函數,SVM分類器中的懲罰系數C等參數使用Matlab中的libsvm工具包的fitcsvm進行自動超參數尋優;KNN分類器中的最近鄰數字K通過交叉驗證方法在[1,15]范圍內以步長為2選取出最優的K值;ELM分類器隨機生成輸入權植w和輸入閾值b;波段選擇的個數為5～50。

4種對比算法中,OPBS算法、E-FDPC算法以及OCF算法均為無參數算法。文獻[13]中MVPCA算法的發散閾值設置為1.5。4種對比算法所用到的分類器的KNN分類器中的最近鄰數字K設置為3,SVM分類器的核函數采用線性核函數,使用Matlab中的libsvm工具包的fitcsvm進行自動超參數尋優確定SVM分類器的懲罰系數C。

3.2 數據集

主要采用高光譜遙感圖像公開數據集印第安松(Indian Pines)和肯尼迪航天中心(Kennedy Space Center,KSC)進行實驗。Indian Pines數據集由機載可見光/紅外成像光譜儀(Airborne Visible Infrared Imaging Spectrometer,AVIRIS)高光譜儀在印第安納州農業實驗場采集,該數據集包含224個145×145像素的高光譜圖像,其中包含16種地物類別,空間分辨率為20 m。去掉含噪聲以及水汽影響的24個波段,其余200個波段作為用來實驗分析的數據集。KSC數據集由AVIRIS高光譜儀在佛羅里達州肯尼迪航天中心采集,該數據集包含512×614像素的高光譜圖像,其中包含13種地物類別,空間分辨率為18 m。去除水汽影響的波段后,保留176個波段作為用來實驗分析的數據集。Indian Pines數據集包含的地物類型較多,數據中的混合像元較多,分類難度較大,更能檢驗出降維方法的優越性;KSC數據集受噪聲污染較為嚴重,也為地物分類造成了很大的干擾,更能檢驗出降維方法的魯棒性。

Indian Pines數據集和KSC數據集中的偽彩色圖像以及真實分類圖像示例分別如圖4和圖5所示。偽彩色圖像可以直觀地看出地面物體的地貌,真實分類圖像則可以看出代表每種地物類型的顏色及位置。

圖4 Indian Pines數據集圖像示例

圖5 KSC數據集圖像示例

實驗中,利用SVM、KNN和ELM等3個分類器進行高光譜分類。由于高光譜數據集的規模比較龐大,如果訓練集占比過大則消耗資源多,訓練時間也會過長,因此,仿真實驗中選取總數據集的10%為訓練集,剩下90%為測試集。

3.3 定量評價指標

高光譜圖像降維的目的一般是為了能夠更好地進行地物分類,采用高光譜圖像分類常用的整體正確率(Overall Accuracy,OA)和卡帕(Kappa)系數這兩個評價指標作為算法的評價指標[22]。OA為被正確分類的類別像元數與總的類別個數的比值,OA值能較好地表征分類精度,但是,對類別像元個數極度不平衡的多類地物來說,其值受到像元數據較多類別的影響較大。Kappa系數同樣被常用于衡量分類精度,且適用于各類別樣本數量不平衡的分類問題。因此,常用這兩個評價指標來判斷分類效果的優劣。OA和Kappa系數這兩個指標的取值范圍都在[0,1]之間,且數值越大越好,說明降維后的數據更有利于高光譜圖像的地物分類。

3.4 仿真結果

使用所提BS-MDC算法對兩個數據集進行波段選擇,基于ELM、KNN和SVM 3個分類器對地物進行分類,選擇不同波段數量得出的分類整體正確率實驗結果如圖6所示。從圖6中可以看出,在Indian Pines數據集和KSC數據集兩個數據集上,KNN、SVM和ELM等3種分類器的實驗結果有一個共同特點,即KNN分類器的分類精度都是最低的。對于SVM分類器和ELM分類器,在選擇波段較少的情況下,即低于20個波段時,利用ELM分類器對BS-MDC算法進行降維后的高光譜數據處理,得到的分類精度相對較高;當選擇波段數量較多時,ELM分類器的分類精度比SVM的分類精度更低,由此可以得出結論,利用BS-MDC算法進行高光譜圖像的波段選擇,在選擇較少波段的情況下,ELM的分類效果更好。

圖6 3種分類器的分類整體正確率

使用所提BS-MDC算法、MVPCA算法、OPBS算法、E-FDPC算法和OCF算法等5種算法對Indian Pines和Kennedy Space Center兩個高光譜數據集進行波段選擇,由于對比算法中常用的分類器為SVM和KNN,因此,采用這兩種分類器進行實驗。當采用KNN和SVM兩種分類器進行分類時,5種算法分別對Indian Pines數據集和Kennedy Space Center數據集分類的分類整體正確率實驗結果分別如圖7和圖8所示,圖中,Baseline為用原始圖像作為分類器的輸入時得到的整體準確率。

圖7 Indian Pines數據集的分類整體正確率

圖8 KSC數據集的分類整體正確率

從圖7可以看出,針對Indian Pines數據集,當采用KNN和SVM兩種分類器進行分類時,在5種波段選擇算法的分類整體正確率實驗結果中,所提BS-MDC算法的分類整體正確率明顯優于OCF、MVPCA、OPBS和E-FDPC這4種波段選擇方法。使用SVM和KNN分類器時,在選擇波段較少的條件下,BS-MDC算法即達到了較高的整體正確率。盡管當使用KNN分類器進行分類時,BS-MDC算法在選擇39個波段時,OA雖有一個大幅度的降低,但是,也優于其他4種算法的分類整體正確率。

從圖8可以看出,針對KSC數據集,當采用KNN和SVM兩種分類器進行分類時,在5種波段選擇算法的分類整體正確率實驗結果中,所提BS-MDC算法的分類整體正確率較優。其中,當利用KNN分類器進行分類時,BS-MDC算法的精度曲線明顯優于OCF、MVPCA、OPBS和E-FDPC算法這4種波段選擇算法,在精度方面具有明顯的優勢,同時,OA值穩定且較高。當利用SVM分類器進行分類時,雖然所提BS-MDC算法相對于OCF算法具有的優勢較小,但是,精確度也略高于OCF算法。由于KSC數據集被鹽噪聲嚴重污染,因此,在KSC數據集上的實驗結果從另一方面也表明了所提BS-MDC算法在噪聲較強的情況下具有較好的魯棒性。

從圖7和圖8的實驗結果還可以看出,5種分類算法對Indian Pines數據集和Kennedy Space Center數據集兩個數據集的分類結果中,MVPCA算法的分類整體正確率表現最差,這是因為,一方面,MVPCA算法只是利用方差排序,未考慮波段之間的相關性;另一方面,基于方差的MVPCA算法對噪聲相對比較敏感,所以表現較差。而所提BS-MDC算法在地物類型較多且復雜的Indian Pines數據集以及受噪聲污染較為嚴重的KSC數據集上的表現明顯較好,體現出BS-MDC算法在處理復雜且噪聲污染嚴重的高光譜圖像時仍具優勢,比其他的算法更有效,對不同分類器的魯棒性更強。

使用5種不同算法,對Indian Pines數據集和KSC數據集兩個數據集進行波段選擇,選擇5～50個波段,使用KNN和SVM兩種分類器,5種算法分類性能對比結果如表1所示。其中,使用地物分類的整體正確率的平均值 (Average Overall Accuracy,AOA) 以及Kappa系數的平均值(Average Kappa,AK)兩個精度指標,對5種算法的性能進行對比。

表1 5種算法分類性能對比

由表1可以看出,對于Indian Pines數據集和KSC數據集兩個高光譜數據集,所提BS-MDC算法對高光譜圖像降維后利用KNN和SVM進行分類的整體分類精度AOA以及平均Kappa系數AK的值均高于其他4種波段選擇方法,說明所提BS-MDC方法選出的波段更有利于進一步地物分類。

為了進一步驗證5種不同波段選擇算法的性能,5種算法均使用SVM分類器,在Indian Pines數據集和KSC數據集兩個數據集上選擇同樣波段數目(以20個波段為例),仿真5種不同算法對地物的分類準確率,5種算法對Indian Pines數據集和KSC數據集的分類效果分別如圖9和圖10所示。Indian Pines數據集和KSC數據集兩種數據集中不同地物類型的分類整體正確率分別如圖11和圖12所示。

圖9 Indian Pines數據集分類效果

圖10 KSC數據集分類效果

圖11 Indian Pines數據集各地物分類精度

圖12 KSC數據集各地物分類精度

從圖9和圖10中可以看出,在兩個不同數據集的不同地物類型的分類中,BS-MDC算法得到的波段組合在SVM分類中表現最好,分類結果圖中的椒鹽噪聲最少,且錯分現象不嚴重。而在4種對比算法中,MVPCA算法得到的分類結果圖中的椒鹽噪聲最多,錯分現象最嚴重。從圖11和圖12中可以看出,BS-MDC算法在Indian Pines數據集和KSC數據集兩種數據集中大多數地物類型上的分類整體正確率最高。

4 結語

為了減少高光譜圖像在對其波段進行分組時受到數據分布特征的影響,提出了一種基于馬氏距離聚類的高光譜圖像波段選擇方法。該方法在波段子空間劃分的基礎上進行聚類,有效減少了算法的運行時間,另外,利用馬氏距離作為波段間相似度的度量準則,以選擇出相似度低的波段組合。從兩個真實數據集的實驗結果可以看出,BS-MDC算法在不同波段數的情況下都有較好的分類性能,比其他算法有明顯的優勢,對地物類別較為復雜的Indian Pines數據集和受噪聲污染較為嚴重的KSC數據集都有較好的表現,分類精度較高,且具有較好的魯棒性。