專利名稱：一種高光譜遙感影像端元提取方法
一種高光譜遙感影像端元提取方法技術(shù)領(lǐng)域
本發(fā)明屬于高光譜遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種高光譜遙感影像端元提 取方法，更具體涉及一種改進(jìn)型最大光譜篩選(Maximum Spectral Screening,MSS)的高光 譜遙感影像端元提取方法。
背景技術(shù)：
隨著空間技術(shù)的不斷發(fā)展，衛(wèi)星遙感已成為人們獲取對(duì)地觀測(cè)信息的重要手段。 遙感對(duì)地觀測(cè)要解決的兩個(gè)重要問題，一是幾何問題，二是物理問題。前者正是攝影測(cè)量的 目標(biāo)，后者則要回答觀測(cè)的對(duì)象是什么？這就是遙感問題。遙感(Remote Sensing)，從字 面上理解就是“遙遠(yuǎn)的感知”。在廣義上是指一種遠(yuǎn)離目標(biāo)，通過非直接接觸而判定、測(cè)量 并分析目標(biāo)性質(zhì)的技術(shù)；狹義上則指在航天或航空平臺(tái)上，運(yùn)用各種傳感器(如可見光、紅 夕卜、微波等)對(duì)地球進(jìn)行觀測(cè)，接收并記錄電磁波信號(hào)，根據(jù)電磁波與地表物體的作用機(jī)理 及對(duì)探測(cè)目標(biāo)的電磁特性進(jìn)行分析，進(jìn)而獲取物體特征性質(zhì)及其變化信息的技術(shù)。在現(xiàn)代 遙感系統(tǒng)中，最經(jīng)常測(cè)量的量是由被測(cè)目標(biāo)發(fā)射出來的電磁波能量。遙感是建立在電磁輻 射理論基礎(chǔ)上，涉及信息科學(xué)、環(huán)境科學(xué)、地球科學(xué)、空間科學(xué)、生物科學(xué)等眾多科學(xué)領(lǐng)域， 其發(fā)展受到各個(gè)部門的格外關(guān)注。經(jīng)過幾十年的發(fā)展，無論是遙感平臺(tái)、傳感器方面，還是 遙感信息處理、遙感應(yīng)用方面，都獲得了飛速的發(fā)展。遙感已經(jīng)成為當(dāng)今最活躍的科技領(lǐng)域 之一，在國(guó)民經(jīng)濟(jì)的各個(gè)領(lǐng)域有著廣泛的應(yīng)用和深遠(yuǎn)的意義。
高光譜遙感是當(dāng)前遙感技術(shù)的前沿領(lǐng)域，它利用很多很窄的電磁波波段從感興趣 的物體獲得有關(guān)數(shù)據(jù)，它包含了豐富的空間、輻射和光譜三重信息。高光譜遙感的出現(xiàn)是遙 感界的一場(chǎng)革命，它使本來在寬波段遙感中不可探測(cè)的物質(zhì)，在高光譜遙感中能被探測(cè)。但 由于傳感器空間分辨率的限制以及地物的復(fù)雜多樣性，混合像元普遍存在遙感圖像中，對(duì) 地面地物分布比較復(fù)雜的區(qū)域尤其如此。如果將該像元?dú)w為一類，勢(shì)必會(huì)帶來分類誤差，導(dǎo) 致精度下降，不能反映真實(shí)的地物覆蓋情況。如果每一混合像元能夠分解而且它的端元組 分占像元的豐度能夠求得的話，分類將更精確。混合像元分解技術(shù)，就是假設(shè)某一像元的光 譜是由有限幾種地物的光譜曲線按某種函數(shù)關(guān)系和比例混合而成，分解的目的就是通過 某種分析和計(jì)算，估計(jì)出光譜混合方式和混合像元包含的光譜成分及相應(yīng)比例，從而真實(shí) 反映出地物覆蓋情況并精確分類。當(dāng)前雖然在混合像元分解領(lǐng)域已經(jīng)取得了若干進(jìn)展，但 是由于高光譜數(shù)據(jù)的復(fù)雜性，混合像元問題仍需要更加深入的研究。
從上世紀(jì)七、八十年代研究人員開始注意到混合像元的問題，九十年代以后這方 面的研究逐漸增多，通過確定不同地物類在混合像元中的類比例或類豐富度來確定混合像 元的類型。混合像元分解的研究起源于上世紀(jì)70年代，并且一直是遙感信息處理的重要研 究方向。作為一種最基本的遙感信息處理技術(shù)，混合像元分解是遙感信息的深度挖掘和應(yīng) 用的基礎(chǔ)?；旌舷裨纸獬傻匚锝M份信息后，就能夠進(jìn)一步運(yùn)用到遙感信息處理的其他方 向，如圖像融合、圖像增強(qiáng)、亞像元目標(biāo)探測(cè)等。
從遙感應(yīng)用方面看，利用像元的組分值可以建立植被指數(shù)、進(jìn)行生物量估計(jì)。多年來，混合像元分解技術(shù)在提高從遙感分類精度上已經(jīng)取得了有效的進(jìn)展。對(duì)地表覆蓋進(jìn)行有效的分類和變化檢測(cè)、對(duì)四種城郊變化監(jiān)測(cè)方法進(jìn)行了比較。一般來說，對(duì)于一幅影像而言，混合像元分解后計(jì)算機(jī)分類識(shí)別的精度得到了大幅提高，其效果從理論上講要優(yōu)于傳統(tǒng)的分類方法。因此，盡管單個(gè)像元的分解精度不盡如人意，但是混合像元分解后整幅圖像的估計(jì)精度還是令人滿意的。
在過去的十多年中提出一些以光譜混合建模為概念的算法，用來完成尋找適當(dāng)?shù)慕K端像元分解多/高光譜數(shù)據(jù)的復(fù)雜任務(wù)。由于線性混合模型的簡(jiǎn)單性及其良好的物理意義，它是目前應(yīng)用最為廣泛，也是研究最為徹底的模型。借助于線性光譜混合模型，通過該模型反演，就從像元的表觀光譜特性(輻亮度或反射率)分離和提取各像元組分的光譜，分別分析和評(píng)價(jià)像元組分。
隨著對(duì)光譜混合特性研究的推廣，線性光譜混合模型正在受到人們的進(jìn)一步關(guān)注，相應(yīng)的光譜解混技術(shù)和基于線性光譜混合模型的分類和目標(biāo)檢測(cè)技術(shù)也正在逐步應(yīng)用到高光譜數(shù)據(jù)處理中。高光譜數(shù)據(jù)端元的提取是理解高光譜數(shù)據(jù)、繼而對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步分析(比如解混、填圖等)的前提條件，也一直是研究熱點(diǎn)的問題。由于端元的選取直接影響分類的精度，因而在建立線性光譜混合模型并對(duì)其進(jìn)行光譜分解操作之前，選擇端元光譜是非常必要的，端元光譜選擇的好壞是混合像元光譜解混效果的關(guān)鍵。
目前，如何從高光譜遙感圖像上提取端元一直是一個(gè)熱點(diǎn)問題，在這方面國(guó)際上已經(jīng)發(fā)展了一些半自動(dòng)、全自動(dòng)的基于線性模型的端元提取的算法，比較成熟的算法如純像元指數(shù)法(PPI)、N-FINDR、迭代誤差分析(IEA)等。這些方法各有優(yōu)點(diǎn)，但這些算法均沒有利用空間信息，降低了信息量的利用率。發(fā)明內(nèi)容
發(fā)明目的:針對(duì)上述現(xiàn)有技術(shù)存在的問題和不足，本發(fā)明的目的是提供一種高光譜遙感影像端元提取方法，進(jìn)一步提高高光譜遙感端元提取的效果，為混合像元分解提供高質(zhì)量的端元。
技術(shù)方案:為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為一種高光譜遙感影像端元提取方法，包括以下步驟:
步驟1，選擇需進(jìn)行降維的高光譜影像S，提供光譜空集SI，設(shè)定端元光譜相似性閾值β ;
步驟2,利用線性預(yù)測(cè)(Linear Prediction, LP)方法從S中選擇某一光譜x,放入光譜空集S1中；
步驟3，將S中所有像元逐一移出并進(jìn)行光譜相似性比較，若與S1中任一光譜的相似值低于設(shè)定的閾值β，則直接刪除，否則將該像元放入S1中；
步驟4，不斷重復(fù)步驟2和步驟3，直到S為空或者滿足預(yù)先設(shè)定的波段數(shù)目；
步驟5，得到最終提取的端元信息數(shù)據(jù)集合S/。
進(jìn)一步的，所述步驟3中，光譜相似性的度量采用正射投影散度(OPD)。
更進(jìn)一步的，所述步驟3中，光譜相似性的度量采用以下公式:0018] OPD (c, ,Ci) = (cf Pc^ci + c] Pc^c, Y
式中，Ci和Cj分別為第i個(gè)和第j個(gè)端元光譜，OPD表示正射投影散度(Orthogonal Projection
權(quán)利要求
1.一種高光譜遙感影像端元提取方法，其特征在于，包括以下步驟:步驟1，選擇需進(jìn)行降維的高光譜影像S，提供光譜空集SI，設(shè)定端元光譜相似性閾值β ;步驟2，利用線性預(yù)測(cè)方法從S中選擇某一光譜X，放入光譜空集S1中；步驟3，將S中所有像元逐一移出并進(jìn)行光譜相似性比較，若與S1中任一光譜的相似值低于設(shè)定的閾值β，則直接刪除，否則將該像元放入S1中；步驟4，不斷重復(fù)步驟2和步驟3，直到S為空或者滿足預(yù)先設(shè)定的波段數(shù)目；步驟5，得到最終提取的端元信息數(shù)據(jù)集合S/。
2.根據(jù)權(quán)利要求1所述一種高光譜遙感影像端元提取方法，其特征在于，所述步驟3 中，光譜相似性的度量采用正射投影散度。
3.根據(jù)權(quán)利要求2所述一種高光譜遙感影像端元提取方法，其特征在于，所述步驟3 中，光譜相似性的度量采用以下公式:OPD(c,:，Cy) = (cf Pc^ci + Pc1Xj f2式中，Ci和&分別為第i個(gè)和第j個(gè)端元光譜，OPD表示正射投影散度， Pc^ =1-Cfr(c[ct) 1C^，k=1、j, I為單位矩陣.P彳為Cj的正交子空間，CfPc^Ci為Ci在Pi上的歸一化平方投影，為&在P上的歸一化平方投影。
4.根據(jù)權(quán)利要求1所述一種高光譜遙感影像端元提取方法，其特征在于，所述步驟2 中，利用相似性非監(jiān)督算法對(duì)影像進(jìn)行典型光譜的選擇，包括如下步驟:步驟A)，選擇一個(gè) L維度的大小為MXN的影像數(shù)據(jù)；步驟B)，選擇B1和B2作為初始的光譜對(duì)，并形成一個(gè)光譜子集Φ = (B1, BJ ；步驟C)，選擇與現(xiàn)有光譜子集最不相似的光譜B3,得到更新后的光譜子集Φ’ = Φ U (B3I ；步驟D)，重復(fù)上一步驟，直到得到k個(gè)光譜。
5.根據(jù)權(quán)利要求4所述一種高光譜遙感影像端元提取方法，其特征在于，所述步驟C) 中利用線性預(yù)測(cè)作為光譜相似性度量的標(biāo)準(zhǔn)，步驟如下:步驟a)，假定在集合Φ中有N個(gè)像元的B1和B2兩個(gè)光譜，利用B1和B2對(duì)與B1和B2 最不同的一個(gè)光譜B進(jìn)行估計(jì):其中B’為B1和B2對(duì)B的估計(jì)值或者線性預(yù)測(cè)值，a0, B1和a2為能夠最小化線性預(yù)測(cè)誤差e=Μ的參數(shù)；步驟b),設(shè)參數(shù)向量為a = (a。，a。a2)T,采用最小二乘法求解， a = (XtX) _1XTy式中，X為NX3的矩陣,其第一行值為1，第二行包括B1中所有N個(gè)像元,第三行包括 B2中所有像元；y為NX I的向量,它包括了 B的所有像元；步驟C)，將能夠使線性預(yù)測(cè)誤差e最大的光譜，選作B3放入集合Φ中。
6.根據(jù)權(quán)利要求1所述一種高光譜遙感影像端元提取方法，其特征在于，還包括步驟 6，采用光譜相似性指標(biāo)對(duì)所選擇的端元進(jìn)行評(píng)估，采用混合像元分解模型對(duì)所提取 的端元進(jìn)行進(jìn)一步 的評(píng)價(jià)。
全文摘要
本發(fā)明公開了一種高光譜遙感影像端元提取方法，包括以下步驟選擇需進(jìn)行降維的高光譜影像S，提供光譜空集S1，設(shè)定端元光譜相似性閾值β；利用線性預(yù)測(cè)(Linear Prediction,LP)方法從S中選擇某一光譜x，放入光譜空集S1中；將S中所有像元逐一移出并進(jìn)行光譜相似性比較，若與S1中任一光譜的相似值低于設(shè)定的閾值β，則直接刪除，否則將該像元放入S1中；不斷重復(fù)步驟2和步驟3，直到S為空或者滿足預(yù)先設(shè)定的波段數(shù)目；得到最終提取的端元信息數(shù)據(jù)集合Sl'。本發(fā)明進(jìn)一步提高高光譜遙感端元提取的效果，為混合像元分解提供高質(zhì)量的端元。
文檔編號(hào)G06T7/00GK103208118SQ20131009748
公開日2013年7月17日 申請(qǐng)日期2013年3月25日 優(yōu)先權(quán)日2013年3月25日
發(fā)明者蘇紅軍, 曹陳霞 申請(qǐng)人:河海大學(xué)