CN103208118A - 一种高光谱遥感影像端元提取方法 - Google Patents

Abstract

本发明公开了一种高光谱遥感影像端元提取方法，包括以下步骤：选择需进行降维的高光谱影像S，提供光谱空集S₁，设定端元光谱相似性阈值β；利用线性预测（Linear Prediction,LP）方法从S中选择某一光谱x，放入光谱空集S₁中；将S中所有像元逐一移出并进行光谱相似性比较，若与S₁中任一光谱的相似值低于设定的阈值β，则直接删除，否则将该像元放入S₁中；不断重复步骤2和步骤3，直到S为空或者满足预先设定的波段数目；得到最终提取的端元信息数据集合S_l'。本发明进一步提高高光谱遥感端元提取的效果，为混合像元分解提供高质量的端元。

Description

一种高光谱遥感影像端元提取方法

技术领域

本发明属于高光谱遥感图像处理技术领域，具体涉及一种高光谱遥感影像端元提取方法，更具体涉及一种改进型最大光谱筛选（Maximum Spectral Screening，MSS）的高光谱遥感影像端元提取方法。 

背景技术

随着空间技术的不断发展，卫星遥感已成为人们获取对地观测信息的重要手段。遥感对地观测要解决的两个重要问题，一是几何问题，二是物理问题。前者正是摄影测量的目标，后者则要回答观测的对象是什么？这就是遥感问题。遥感(Remote Sensing)，从字面上理解就是“遥远的感知”。在广义上是指一种远离目标，通过非直接接触而判定、测量并分析目标性质的技术；狭义上则指在航天或航空平台上，运用各种传感器(如可见光、红外、微波等)对地球进行观测，接收并记录电磁波信号，根据电磁波与地表物体的作用机理及对探测目标的电磁特性进行分析，进而获取物体特征性质及其变化信息的技术。在现代遥感系统中，最经常测量的量是由被测目标发射出来的电磁波能量。遥感是建立在电磁辐射理论基础上，涉及信息科学、环境科学、地球科学、空间科学、生物科学等众多科学领域，其发展受到各个部门的格外关注。经过几十年的发展，无论是遥感平台、传感器方面，还是遥感信息处理、遥感应用方面，都获得了飞速的发展。遥感已经成为当今最活跃的科技领域之一，在国民经济的各个领域有着广泛的应用和深远的意义。 

高光谱遥感是当前遥感技术的前沿领域，它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。高光谱遥感的出现是遥感界的一场革命，它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。但由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在遥感图像中，对地面地物分布比较复杂的区域尤其如此。如果将该像元归为一类，势必会带来分类误差，导致精度下降，不能反映真实的地物覆盖情况。如果每一混合像元能够分解而且它的端元组分占像元的丰度能够求得的话，分类将更精确。混合像元分解技术，就是假设某一像元的光谱是由有限几 种地物的光谱曲线按某种函数关系和比例混合而成，分解的目的就是通过某种分析和计算，估计出光谱混合方式和混合像元包含的光谱成分及相应比例，从而真实反映出地物覆盖情况并精确分类。当前虽然在混合像元分解领域已经取得了若干进展，但是由于高光谱数据的复杂性，混合像元问题仍需要更加深入的研究。 

从上世纪七、八十年代研究人员开始注意到混合像元的问题，九十年代以后这方面的研究逐渐增多，通过确定不同地物类在混合像元中的类比例或类丰富度来确定混合像元的类型。混合像元分解的研究起源于上世纪70年代，并且一直是遥感信息处理的重要研究方向。作为一种最基本的遥感信息处理技术，混合像元分解是遥感信息的深度挖掘和应用的基础。混合像元分解成地物组份信息后，就能够进一步运用到遥感信息处理的其他方向，如图像融合、图像增强、亚像元目标探测等。 

从遥感应用方面看，利用像元的组分值可以建立植被指数、进行生物量估计。多年来，混合像元分解技术在提高从遥感分类精度上已经取得了有效的进展。对地表覆盖进行有效的分类和变化检测、对四种城郊变化监测方法进行了比较。一般来说，对于一幅影像而言，混合像元分解后计算机分类识别的精度得到了大幅提高，其效果从理论上讲要优于传统的分类方法。因此，尽管单个像元的分解精度不尽如人意，但是混合像元分解后整幅图像的估计精度还是令人满意的。 

在过去的十多年中提出一些以光谱混合建模为概念的算法，用来完成寻找适当的终端像元分解多/高光谱数据的复杂任务。由于线性混合模型的简单性及其良好的物理意义，它是目前应用最为广泛，也是研究最为彻底的模型。借助于线性光谱混合模型，通过该模型反演，就从像元的表观光谱特性(辐亮度或反射率)分离和提取各像元组分的光谱，分别分析和评价像元组分。 

随着对光谱混合特性研究的推广，线性光谱混合模型正在受到人们的进一步关注，相应的光谱解混技术和基于线性光谱混合模型的分类和目标检测技术也正在逐步应用到高光谱数据处理中。高光谱数据端元的提取是理解高光谱数据、继而对数据进行进一步分析(比如解混、填图等)的前提条件，也一直是研究热点的问题。由于端元的选取直接影响分类的精度，因而在建立线性光谱混合模型并对其进行光谱分解操作之前，选择端元光谱是非常必要的，端元光谱选择的好坏是混合像元光谱解混效果的关键。 

目前，如何从高光谱遥感图像上提取端元一直是一个热点问题，在这方面国际上已经发展了一些半自动、全自动的基于线性模型的端元提取的算法，比较成熟的算法如纯像元指数法(PPI)、N-FINDR、迭代误差分析(IEA)等。这些方法各有优点，但这些算法均没有利用空间信息，降低了信息量的利用率。 

发明内容

发明目的：针对上述现有技术存在的问题和不足，本发明的目的是提供一种高光谱遥感影像端元提取方法，进一步提高高光谱遥感端元提取的效果，为混合像元分解提供高质量的端元。 

技术方案：为实现上述发明目的，本发明采用的技术方案为一种高光谱遥感影像端元提取方法，包括以下步骤： 

步骤1，选择需进行降维的高光谱影像S，提供光谱空集S1，设定端元光谱相似性阈值β； 

步骤2，利用线性预测（Linear Prediction,LP）方法从S中选择某一光谱x，放入光谱空集S₁中； 

步骤3，将S中所有像元逐一移出并进行光谱相似性比较，若与S₁中任一光谱的相似值低于设定的阈值β，则直接删除，否则将该像元放入S₁中； 

步骤4，不断重复步骤2和步骤3，直到S为空或者满足预先设定的波段数目； 

步骤5，得到最终提取的端元信息数据集合S_l'。 

进一步的，所述步骤3中，光谱相似性的度量采用正射投影散度（OPD）。 

更进一步的，所述步骤3中，光谱相似性的度量采用以下公式： 

$\mathrm{OPD}(c_i,c_j)={(c_i^T{P}_{c_j}^{\⊥}{c}_i+c_j^T{P}_{c_i}^{\⊥}{c}_j)}^{1/2}$

式中，c_i和c_j分别为第i个和第j个端元光谱，OPD表示正射投影散度(Orthogonal Projection Divergence)，

k=i、j,I为单位矩阵.

为c_j的正交子空间，

为c_i在

上的归一化平方投影，

为c_j在

上的归一化平方投影。OPD的值越大意味着c_i和c_j的差异越大。 

进一步的，所述步骤2中，利用线性预测方法对影像进行典型光谱的选择，包括 如下步骤： 

步骤A），选择一个L维度的大小为M×N的影像数据； 

步骤B），选择B₁和B₂作为初始的光谱对，并形成一个光谱子集Φ＝{B₁,B₂}； 

步骤C），选择与现有光谱子集最不相似的光谱B₃，得到更新后的光谱子集Φ'＝Φ∪{B₃}； 

步骤D），重复上一步骤，直到得到k个具体光谱。 

更进一步的，所述步骤C）中利用线性预测作为光谱相似性度量的标准，步骤如下： 

步骤a），假定在集合Φ中有N个像元的B₁和B₂两个光谱，利用B₁和B₂对与B₁和B₂最不同的一个光谱B进行估计： 

a₀+a₁B₁+a₂B₂＝B' 

其中B'为B₁和B₂对B的估计值或者线性预测值，a₀、a₁和a₂为能够最小化线性预测误差e＝||B-B'||的参数； 

步骤b），设参数向量为a＝(a₀,a₁,a₂)^T，采用最小二乘法求解， 

a＝(X^TX)^-1X^Ty 

式中，X为N×3的矩阵，其第一行值为1，第二行包括B₁中所有N个像元，第三行包括B₂中所有像元；y为N×1的向量，它包括了B的所有像元； 

步骤c），将能够使线性预测误差e最大的光谱，选作B₃放入集合Φ中。 

进一步的，还包括步骤6，采用光谱相似性指标对所选择的端元进行评估，采用混合像元分解模型对所提取的端元进行进一步的评价。 

有益效果：本发明根据非相似性波段选择算法得到的光谱数据来代替传统Spectral Screening算法中随机生成的初始中心，改善了算法对初始中心敏感的缺点；同时针对高光谱遥感数据的特点，改进了Maximum Spectral Screening算法的相似性函数，即采用OPD算法作为光谱数据的相似性测度函数。本发明端元提取速度快，得到的端元数据含有最大的信息量，其后续分析效果大大高于同类算法。 

附图说明

图1为基于改进型MSS的高光谱遥感影像端元提取流程图； 

图2（a）、图2（b）和图2（c）分别为利用N-FINDR、MSS和本发明MSS-OPD算法提取的30个端元； 

图3（a）、图3（b）和图3（c）分别为基于N-FINDR、MSS和本发明MSS-OPD三种算法提取的端元，采用线性分解模型（LSMM）分解后的端元丰度分布图（Cuprite数据，从左向右端元分别为A,B,C,K和M）。 

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。 

本发明的思路是：利用Spectral Screening在数据压缩方面选择代表性光谱的优势，采用OPD信息测度方法改进其信息测度评估方法，进而对高光谱遥感影像端元进行选取；利用线性预测方法的优势，提出基于线性预测的初始光谱优选方法。本发明提出的高光谱影像端元提取方法（MSS-OPD），对于推进高光谱影像混合像元分解方面的研究具有重要理论和现实意义。 

实施例：实验数据为AVIRIS传感器于1997年6月19日获取的内华达地区224波段的高光谱影像Cuprite数据，子图像大小为350×350像素，数据空间分辨率为20m。在删除了水吸收和低SNR波段后，保留了189个波段，该影像含有五种矿物：明矾石（Alunite）、水铵长石（Buddingtonite）、方解石（Calcite）、高岭石（Kaolinite）和白云母（Muscovite）。根据实地调查，该影像实际上含有20种以上的矿物。 

具体实现步骤为： 

步骤1，选择需进行降维的高光谱影像S，光谱空集S1，设定端元光谱相似性阈值β； 

步骤2，利用线性预测（Linear Prediction,LP）方法从S中选择某一光谱x，放入光谱空集S₁中；初始光谱的选择采用如下步骤： 

步骤A），假定在集合Φ中有N个像元的B₁和B₂两个光谱，利用B₁和B₂对与B₁和B₂最不同的一个光谱B进行估计： 

a₀+a₁B₁+a₂B₂＝B' 

其中B'为B₁和B₂对B的估计值或者线性预测值，a₀、a₁和a₂为能够最小化线性预测误差e＝||B-B'||的参数； 

步骤B），设参数向量为a＝(a₀,a₁,a₂)^T，采用最小二乘法求解， 

a＝(X^TX)^-1X^Ty 

式中，X为N×3的矩阵，其第一行值为1，第二行包括B₁中所有N个像元， 

第三行包括B₂中所有像元；y为N×1的向量，它包括了B的所有像元； 

步骤C），将能够使线性预测误差e最大的光谱，选作B₃放入集合Φ中。 

步骤3，将S中所有像元逐一移出并进行光谱相似性比较，若与S₁中任一光谱相似值低于设定的阈值β，则直接删除，否则将该像元放入S₁中； 

其中，光谱相似性的度量采用正射投影散度（OPD）： 

$\mathrm{OPD}(c_i,c_j)={(c_i^T{P}_{c_j}^{\⊥}{c}_i+c_j^T{P}_{c_i}^{\⊥}{c}_j)}^{1/2}$

式中，c_i和c_j分别为第i个和第j个端元光谱，OPD表示正射投影散度(Orthogonal Projection Divergence)，

（k=i,j）,I为单位矩阵.

为c_j的正交子空间，

为c_i在上的归一化平方投影；相似地，为c_j在

上的归一化平方投影。OPD的值越大意味着c_i和c_j的差异越大。 

步骤4，不断重复步骤2和步骤3，直到S为空或者满足预先设定的波段数目；步骤5，得到最终提取的端元信息数据集合S_l'； 

步骤6，采用光谱相似性等指标对所选择的端元进行评估，采用混合像元分解模型对所提取的端元进行进一步的评价。 

采用以上端元提取方法对Cuprite数据进行了实验分析，并与其他类似算法进行了比较，对比算法主要有N-FINDR、MSS等算法。在混合像元分解时利用线性分解模型（LSMM）。表1列出了不同端元提取算法提取的端元与USGS光谱库光谱之间的光谱角度对比结果，可见本发明提出的方法提取的端元与USGS光谱库光谱之间的相似性最高且最多。图2为不同算法提取到的端元光谱曲线。 图3为利用不同端元提取方法提取到的端元进行混合像元分解的效果图，可以看出，相比其他端元提取方法，本发明方法得到的混合像元分解效果是最高的。 

表1不同端元提取算法提取的端元与USGS光谱库光谱之间的光谱角度 

	N-FINDR	MSS	MSS-OPD
				明矾石（Alunite GDS84）	3.1688	3.5219	3.3233
水铵长石（Budding GDS85）	2.6383	3.5563	2.6383
				方解石（Calcite WS272）	2.8362	2.6328	2.8196
高岭石（Kaolinite KGa-1）	2.5722	3.6877	2.8942
				白云母（Muscovite GDS107）	3.3867	3.1825	1.8306
均值	2.92044	3.31624	2.7012

Claims (6)

1.一种高光谱遥感影像端元提取方法，其特征在于，包括以下步骤：

步骤1，选择需进行降维的高光谱影像S，提供光谱空集S1，设定端元光谱相似性阈值β；

步骤2，利用线性预测方法从S中选择某一光谱x，放入光谱空集S₁中；

步骤3，将S中所有像元逐一移出并进行光谱相似性比较，若与S₁中任一光谱的相似值低于设定的阈值β，则直接删除，否则将该像元放入S₁中；

步骤4，不断重复步骤2和步骤3，直到S为空或者满足预先设定的波段数目；

步骤5，得到最终提取的端元信息数据集合S_l'。

2.根据权利要求1所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤3中，光谱相似性的度量采用正射投影散度。

3.根据权利要求2所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤3中，光谱相似性的度量采用以下公式：

$\mathrm{OPD}(c_i,c_j)={(c_i^T{P}_{c_j}^{\⊥}{c}_i+c_j^T{P}_{c_i}^{\⊥}{c}_j)}^{1/2}$

式中，c_i和c_j分别为第i个和第j个端元光谱，OPD表示正射投影散度，

k=i、j,I为单位矩阵.

为c_j的正交子空间，

为c_i在

上的归一化平方投影，

为c_j在

上的归一化平方投影。

4.根据权利要求1所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤2中，利用相似性非监督算法对影像进行典型光谱的选择，包括如下步骤：步骤A），选择一个L维度的大小为M×N的影像数据；

步骤B），选择B₁和B₂作为初始的光谱对，并形成一个光谱子集Φ＝{B₁,B₂}；

步骤C），选择与现有光谱子集最不相似的光谱B₃，得到更新后的光谱子集Φ'＝Φ∪{B₃}；

步骤D），重复上一步骤，直到得到k个光谱。

5.根据权利要求4所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤C）中利用线性预测作为光谱相似性度量的标准，步骤如下：

步骤a），假定在集合Φ中有N个像元的B₁和B₂两个光谱，利用B₁和B₂对与B₁和B₂最不同的一个光谱B进行估计：

a₀+a₁B₁+a₂B₂＝B'

其中B'为B₁和B₂对B的估计值或者线性预测值，a₀、a₁和a₂为能够最小化线性预测误差e＝||B-B'||的参数；

步骤b），设参数向量为a＝(a₀,a₁,a₂)^T，采用最小二乘法求解，

a＝(X^TX)^-1X^Ty

式中，X为N×3的矩阵，其第一行值为1，第二行包括B₁中所有N个像元，第三行包括B₂中所有像元；y为N×1的向量，它包括了B的所有像元；

步骤c），将能够使线性预测误差e最大的光谱，选作B₃放入集合Φ中。

6.根据权利要求1所述一种高光谱遥感影像端元提取方法，其特征在于，还包括步骤6，采用光谱相似性指标对所选择的端元进行评估，采用混合像元分解模型对所提取的端元进行进一步的评价。

Images