CN104463224B - 基于丰度显著性分析的高光谱图像解混方法及系统 - Google Patents
基于丰度显著性分析的高光谱图像解混方法及系统 Download PDFInfo
- Publication number
- CN104463224B CN104463224B CN201410817202.5A CN201410817202A CN104463224B CN 104463224 B CN104463224 B CN 104463224B CN 201410817202 A CN201410817202 A CN 201410817202A CN 104463224 B CN104463224 B CN 104463224B
- Authority
- CN
- China
- Prior art keywords
- abundance
- end member
- pixel
- mixed
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供基于丰度显著性分析的高光谱图像解混方法及系统,包括建立待处理的高光谱遥感图像的端元光谱库;用基于稀疏回归的混合像元分解方法对每个像元进行初步混合像元分解并按照丰度值的大小降序排列,对排序后的丰度序列进行显著性分析,得到显著性丰度的临界值,然后根据预设的显著性丰度阈值进行判断组成该像元的稀疏表示端元子集;最后采用丰度约束的最小二乘法再次进行混合像元分解,将结果作为最终的混合像元分解结果。本发明可以得到更为稀疏和准确的像元表示端元子集,并且提高高光谱遥感图像混合像元分解的精度,在基于高光谱遥感图像的高精度地物分类以及地面目标检测和识别方面具有重要的应用价值。
Description
技术领域
本发明属于遥感图像处理技术领域,涉及一种基于丰度显著性分析的高光谱遥感图像混合像元分解方法。
背景技术
高光谱遥感图像具有较高的光谱分辨率,能更为细致精确地分析地物的物质成分,因而受到国内外学者的极大关注并被广泛应用于地物分类、异常检测、目标的识别等。然而高光谱图像的空间分辨率一般较低,一个像元内通常包含了多种地物的光谱,这些像元被称为混合像元。混合像元的普遍存在极大地阻碍了高光谱遥感图像的应用。高光谱遥感图像的混合像元分解是高光谱遥感图像分析的核心问题之一,有效地进行混合像元分解可以得到图像的亚像元级信息,对于亚像元目标探测、岩矿识别、精细农业等方面都具有非常重要的意义。混合像元分解过程是从混合像元中识别出它包含的不同地物类型的光谱(端元)和这些地物在混合像元中占有的比例(丰度)。
像元的线性混合模型假设像元的光谱反射率是其中含有的所有地物的光谱反射率的线性组合。该模型表达简洁、物理意义明确、具有较强的普适性,因而得到了广泛的应用。混合像元分解首先需要提取图像中所含有的地物的光谱信息(端元提取)。然而我们很难自动并且准确的估计图像中含有的端元数目和提取端元的特征光谱。近年来,随着很多光谱库(例如美国地质勘测局的矿物光谱库,美国航天航空局的ASTER光谱库等)的公开,使得我们可以直接利用已经建成的端元光谱库而不需要从图像中提取端元,避免了端元提取过程中产生的误差。利用现有的光谱库解混也不要求图像中每个端元必须有纯净像元对应,在像元普遍混合程度较高时仍能取得较好的效果。端元光谱库要尽量完备,以包含图像中的所有端元,所以通常光谱库中端元的数量很大。另一方面一个像元含有的端元数目通常小于整幅图像所含有的端元数目,更远远小于端元光谱库中端元的数目,即像元用端元线性表示时丰度值具有很强的稀疏性。鉴于用光谱库进行高光谱遥感图像解混时混合像元表示的稀疏性,基于稀疏回归的方法被引入到线性解混问题中,并取得了较好的效果。基于稀疏回归的混合像元分解方法是一种半监督的解混方法,它利用已有的端元光谱库作为先验信息,将像元表示成端元光谱库中某些端元的线性组合。基于稀疏回归的混合像元分解方法在解混过程中加入了丰度的稀疏性约束,可以得到较为稀疏的解混丰度,得到的结果更符合实际情况。
基于稀疏回归的混合像元分解方法是在端元光谱库中找到一组最佳的端元子集来线性表示混合像元。一般称这个端元子集为该像元的表示端元子集。
下面介绍现有技术中与本发明相关的一些概念:
1.线性光谱混合模型
线性光谱混合模型假设像元的光谱反射率是其中含有的所有地物的光谱反射率的线性组合,混合像元的线性表示模型可以表示为
y=Mα+n (1)
其中y是一个L维的列向量,表示观测到的混合像元反射光谱(L是图像的光谱波段数);这个像元中含有q个端元,每一个端元的特征光谱也是一个L维的列向量,它们组成一个L×q维矩阵M,即像元包含的端元信息;α=(α1,α2,…,αq)T是一个q维列向量,表示每个端元在混合像元中所占的丰度,αi为第i个端元在混合像元中所占的丰度,i的取值为1,2,…,q,T是向量的转置符号;n是L维的加性噪音。
端元的丰度是指端元在像元中所占有的比重,因此丰度值要满足以下和为一约束条件(Abundance Sum-to-one Constraint,ASC)和非负约束条件(Abundance NonnegativeConstraint,ANC):
(ANC):αi≥0 (3)
2.基于丰度约束最小二乘法的线性解混
在线性光谱混合模型的假设条件下,已知像元的观测光谱y和像元包含的端元信息M,求解端元对应的丰度值α是一个线性回归问题,可以用基于丰度约束的最小二乘法求解。基于丰度约束的最小二乘法要求解混丰度满足一定的约束条件下,对观测光谱拟合的重构误差最小。
在高光谱图像的混合像元线性分解问题中,丰度满足(ANC)约束和(ASC)约束。由于端元光谱的可变性在解混过程中通常释放(ASC)约束条件而只保留(ANC)约束条件。
基于丰度非负性约束最小二乘法(NCLS)可以表示为求解:
要求丰度满足(ASC)和(ANC)约束的最小二乘法又叫全条件约束的最小二乘法(FCLS),可以表示为求解:
3.基于稀疏回归的解混模型
基于稀疏回归的解混模型将高光谱遥感图像的端元光谱库作为先验信息,端元光谱库包含了图像中所有地物类型的端元。假设端元光谱库中有m个端元,记实数集为令为L×m的向量空间,A的每一列是一个端元光谱,令x=(x1,x2,…,xm)T表示光谱库中端元在像元中对应的丰度值组成的列向量,xi为第i个端元在混合像元中所占的丰度,i的取值为1,2,…,m。则混合像元y可以用光谱库中端元线性表示:
y=Ax+n (6)
将混合像元分解问题通过稀疏回归模型表示,(7)式是其中一种等价的稀疏回归模型[7]
其中||Ax-y||2 2项反映回归的Ax对观测值y的拟合程度,称之为图像的重构误差;||x||1项反映解混丰度的稀疏性程度;λ是调整目标函数中两项的权值。由于光谱的可变性,通常丰度的(ASC)条件并不能被满足,模型中只加入了丰度的非负性条件约束,即:
基于稀疏回归对的混合像元分解问题可以通过正交匹配追踪方法(OrthogonalMatching Pursuit,OMP)、迭代光谱分析方法(Iterative Spectral Mixture Analysis,ISMA)、基于变量分离和增光拉格朗日的稀疏解混方法(Sparse Unmixing via VariableSplitting and Augmented Lagrangian,SUnSAL)等及其变形方法求解,可参见IordacheM.D.,Bioucas-Dias J.M.,Plaza A.Sparse Unmixing of Hyperspectral Data.IEEETransactions on Geoscience and Remote Sensing,2011,49(6):2014-2039.可见SUnSAL从整体上得到了最好的解混效果。
虽然基于稀疏回归的混合像元分解方法强调了解的稀疏性,但是由于噪音的干扰、光谱库端元光谱有较强的相干性、算法误差等原因,解混丰度仍然远没有像元的真实丰度稀疏,像元的表示端元子集中端元的数目通常远远大于像元包含的真实端元数目。像元的表示端元子集中并不真实存在于混合像元中的端元称之为伪端元。基于稀疏回归的混合像元分解得到的解混丰度中含有大量的伪端元,这些端元对应的丰度值较小。
发明内容
本发明的目的在于针对高光谱遥感图像混合像元分解稀疏性和解混丰度的端元分布特点提供一种基于丰度显著性分析的高光谱遥感图像混合像元分解方法,提高解混丰度的稀疏性和端元识别的准确性,并且提高混合像元分解精度。
本发明技术方案提供一种基于丰度显著性分析的高光谱图像解混方法,包括以下步骤:
步骤a,建立待处理的高光谱遥感图像的端元光谱库;
步骤b,用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混合像元分解;
步骤c,对高光谱遥感图像中每个像元,分别将步骤b所得初步解混丰度按照丰度值的大小降序排列,对排序后的丰度序列进行显著性分析,得到显著性丰度的临界值xt,实现如下,
设对某个像元初步解混后,丰度值不为0的端元有p个,记重新排序后的非0丰度序列为{xi},i的取值为1,2,…,p,xi为重新排序后的第i个非0丰度值;
当p>3时,令变量di=xi-xi+1,i的取值为1,2,…,p-1;变量ci=1-di+1/di,i的取值为1,2,…,p-2,记{ci}中最大值对应的序号为临界序号it,it对应的丰度值为显著性丰度的临界值,记为xt;
当p≤3时,直接令最小的非0丰度值为显著性丰度值的临界值,记为xt;
步骤d,对高光谱遥感图像中每个像元,分别根据预设的显著性丰度阈值x0进行判断,如果xt>x0则将所有大于x0的丰度值对应端元组成该像元的稀疏表示端元子集,否则将所有大于xt的丰度值对应端元组成该像元的稀疏表示端元子集;
步骤e,对高光谱遥感图像中每个像元,基于步骤d得到的稀疏表示端元子集,采用丰度约束的最小二乘法再次进行混合像元分解,将结果作为最终的混合像元分解结果。
而且,步骤a中,利用已有的端元光谱库建立高光谱遥感图像的端元光谱库,实现如下,
1)从已有的端元光谱库中提取相应端元,提取结果包含整个高光谱遥感图像中所有的地物类型;
2)将提取的端元进行光谱重采样,使得重采样后端元的特征光谱与高光谱图像的光谱具有相同的波段数,每个波段对应的波长相同;将重采样后的端元组成高光谱遥感图像的端元光谱库。
或者,步骤a中,采用最小体积单形体分析法从高光谱遥感图像中提取端元建立图像的端元光谱库。
而且,步骤b中,基于稀疏回归的混合像元分解方法采用SUnSAL算法。
而且,步骤e中,丰度约束的最小二乘法法采用非负约束的最小二乘法或全条件约束的最小二乘法。
一种基于丰度显著性分析的高光谱图像解混系统,包括以下模块:
端元光谱库构建模块,用于建立待处理的高光谱遥感图像的端元光谱库;
初步解混模块,用于用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混合像元分解;
显著性分析模块,用于对高光谱遥感图像中每个像元,分别将初步解混模块所得初步解混丰度按照丰度值的大小降序排列,对排序后的丰度序列进行显著性分析,得到显著性丰度的临界值xt,实现如下,
设对某个像元初步解混后,丰度值不为0的端元有p个,记重新排序后的非0丰度序列为{xi},i的取值为1,2,…,p,xi为重新排序后的第i个非0丰度值;
当p>3时,令变量di=xi-xi+1,i的取值为1,2,…,p-1;变量ci=1-di+1/di,i的取值为1,2,…,p-2,记{ci}中最大值对应的序号为临界序号it,it对应的丰度值为显著性丰度的临界值,记为xt;
当p≤3时,直接令最小的非0丰度值为显著性丰度值的临界值,记为xt;
稀疏表示端元子集建立模块,用于对高光谱遥感图像中每个像元,分别根据预设的显著性丰度阈值x0进行判断,如果xt>x0则将所有大于x0的丰度值对应端元组成该像元的稀疏表示端元子集,否则将所有大于xt的丰度值对应端元组成该像元的稀疏表示端元子集;
最终解混模块,用于对高光谱遥感图像中每个像元,基于稀疏表示端元子集建立模块得到的稀疏表示端元子集,采用丰度约束的最小二乘法再次进行混合像元分解,将结果作为最终的混合像元分解结果。
而且,端元光谱库构建模块中,利用已有的端元光谱库建立高光谱遥感图像的端元光谱库,实现如下,
1)从已有的端元光谱库中提取相应端元,提取结果包含整个高光谱遥感图像中所有的地物类型;
2)将提取的端元进行光谱重采样,使得重采样后端元的特征光谱与高光谱图像的光谱具有相同的波段数,每个波段对应的波长相同;将重采样后的端元组成高光谱遥感图像的端元光谱库。
或者,端元光谱库构建模块中,采用最小体积单形体分析法从高光谱遥感图像中提取端元建立图像的端元光谱库。
而且,初步解混模块中,基于稀疏回归的混合像元分解方法采用SUnSAL算法。
而且,最终解混模块中,丰度约束的最小二乘法法采用非负约束的最小二乘法或全条件约束的最小二乘法。
本发明提供的技术方案的有益效果为:当遥感图像的场景复杂时,很难准确的从图像中提取端元,当可以利用已有的端元光谱库时,从已有端元光谱库中提取端元可以避免解混结果依赖于端元提取算法的准确性;SUnSAL算法不论是从算法时间效率还是从算法的解混精度来看,在基于稀疏回归的混合像元分解算法中都较高,采用SUnSAL算法对高光谱遥感图像进行初步解混,使得初步解混的结果较为接近真实结果,有利于后续丰度的显著性分析得到更为准确的像元表示端元子集;通过对初步解混丰度进行丰度显著性分析,可以从表示端元子集中剔除大量的伪端元,得到更为准确的表示端元子集,提高了端元识别的准确率;最后基于稀疏表示端元子集的解混在初步解混的基础上进一步提高了解混精度。本发明在基于高光谱遥感图像的高精度地物分类以及地面目标检测和识别方面具有重要的应用价值。
附图说明
图1为本发明实施例方法基于已有端元光谱库的流程图。
图2为本发明实施例方法基于建立端元光谱库的流程图。
图3为真实高光谱遥感图像解混实验的结果对比图,其中图3a是对实验区用本发明实施例方法解混后明矾石的丰度分布图,图3b为矿物分类图中实验区明矾石的分类图。
具体实施方式
为了更好地理解本发明的技术方案,以下结合实施例和附图说明具体实施方式。
本发明方法技术方案具体实施时可由本领域技术人员采用计算机软件技术实现自动运行。本发明提出的一种基于丰度显著性分析的高光谱遥感图像混合像元分解方法,流程图如图1、2所示,其中图1为基于已有端元光谱库建立待处理图像的端元光谱库的流程图,图2为从待处理图像中提取端元建立端元光谱库的流程图。本发明方法实施例具体包括以下步骤:
步骤1、建立待处理的高光谱遥感图像的端元光谱库:利用已有的端元光谱库建立待处理高光谱遥感图像的端元光谱库,如果待处理的高光谱遥感图像没有合适的可利用端元光谱库,则从该高光谱遥感图像中提取端元建立图像的端元光谱库。
实施例实现如下:
参见图1,如果有合适的端元光谱库包含待处理的高光谱遥感图像中所有的地物类型,从该端元光谱库中提取子库,使其包含整个图像中所有的地物类型。将提取的端元光谱子库进行光谱重采样,使得端元的特征光谱与高光谱图像的光谱具有相同的波段数,每个波段对应的波长相同。
具体实施时,可采用以下步骤:
1)从已有的端元光谱库中提取一定数量的端元,使其包含整个图像中所有的地物类型,从而提取出整个图像中所有的地物类型相应端元光谱;
2)将提取的端元进行光谱重采样,使得重采样后端元的特征光谱与高光谱图像的光谱具有相同的波段数,每个波段对应的波长相同;将重采样后的端元组成图像的端元光谱库。
参见图2,如果待处理的高光谱遥感图像没有合适的可利用端元光谱库,则采用最小体积单形体分析法从该高光谱遥感图像中提取端元建立图像的端元光谱库。最小体积单形体分析法为现有技术,本发明不予赘述。
后续步骤相同。
步骤2、基于稀疏回归的初步解混:用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混合像元分解。
实施例中基于稀疏回归的混合像元分解方法采用SUnSAL算法,即采用SUnSAL算法对高光谱遥感图像进行初步混合像元分解。此处采用传统的SUnSAL算法即可,本发明不予赘述。
步骤3、初步解混丰度的显著性分析:对高光谱遥感图像中每个像元,分别按照步骤2中的初步解混丰度,对丰度值不为0的端元按照丰度值的大小降序排列,对排序后的丰度序列进行显著性分析,得到显著性丰度的临界值xt和临界序号it,所有排在临界序号以及之前的端元被认为是显著端元,它们被认为真实存在于该像元中,而排在临界序号后面的端元被认为是由于噪音而产生的伪端元。
实施例对高光谱图像的每个像元,按照步骤2中的初步解混丰度,对丰度值不为0的端元按照丰度值的大小降序排列。不妨设某个像元初步解混后,丰度值不为0的端元有p个,记重新排序后的非0丰度序列为{xi},i的取值为1,2,…,p,xi为重新排序后的第i个非0丰度值。令变量di=xi-xi+1,i的取值为1,2,…,p-1;变量ci=1-di+1/di,i的取值为1,2,…,p-2,记{ci}中最大值对应的序号为临界序号it,it对应的丰度值为显著性丰度的临界值,记为xt。当p≤3时,无法通过以上步骤确定显著性丰度值,但是此时解混丰度已经足够稀疏了。所以当p≤3,可认为所有非0丰度对应的端元都是显著端元,直接令最小的非0丰度值为显著性丰度值的临界值,记为xt。
步骤4、显著性丰度阈值判断
一些像元中真实存在的显著端元,它们对应的丰度值可能很接近。不妨设一个像元通过步骤2初步解混后,非0丰度重新排序后{xi},i的取值为1,2,…,p。其中重新排序后的两个相邻的非0丰度值和对应的端元都是真实存在于像元中的显著端元,并且和的值很接近,这就导致相应变量很小,很大,在进行步骤3的丰度的显著性分析时,会错误地将临界序号定为i0-1并且将序号排在临界序号i0-1后的端元(包括丰度值为和的端元)误认为是由于噪音产生的伪端元。
所以在本发明方法中,实施例对高光谱遥感图像中每个像元,分别根据预先设定的显著性丰度阈值x0进行判断,如果xt>x0则将所有大于x0的丰度值对应端元组成该像元的稀疏表示端元子集,否则将所有大于xt的丰度值对应端元组成该像元的稀疏表示端元子集。具体实施时,本领域技术人员可自行预设显著性丰度阈值x0的取值。
步骤5、基于稀疏表示端元子集的混合像元分解:对高光谱遥感图像中每个像元,基于步骤d得到的稀疏表示端元子集,采用丰度约束的最小二乘法再次进行混合像元分解,将结果作为最终的混合像元分解结果。
实施例基于步骤4得到的稀疏表示端元子集,采用丰度的非负约束最小二乘法或者丰度的全条件约束最小二乘法对像元再次进行混合像元分解,将结果作为最终的混合像元分解结果。丰度的非负约束最小二乘法或者丰度的全条件约束最小二乘法采用传统的SUnSAL算法即可,本发明不予赘述。
为便于理解本发明技术方案效果起见,采用实施例所提供技术方案进行真实数据实验:
1、真实赤铜矿高光谱遥感图像介绍
真实数据实验使用的是公开的赤铜矿,该份机载高光谱数据有224个波段。从USGS的矿物光谱库(http://speclab.cr.usgs.gov/spectral-lib.html.)中提取498个端元作为该份数据的端元光谱库,记为A。光谱库A包含了该份真实高光谱图像的所有端元,并且端元的波段数和对应的波长与这份高光谱遥感图像一致。该份真实高光谱遥感图像对应一份美国地质勘测局提供的1995年矿物分类图(http://speclab.cr.usgs.gov/cuprite95.tgif.2.2um_map.gif),可以用于定性的解混结果分析。本实验选取了一个250×191个像元的实验区,并且剔除数据集中低信噪比的波段,剩下188个波段令Y表示该份真实赤铜矿高光谱遥感图像的真实图像数据,则对光谱库A中的端元对应剔除相应的波段。
2、基于本发明方法的真实高光谱遥感图像解混
步骤1:因为光谱库A包含了该份图像的所有端元,并且端元的波段数和对应的波长与这份高光谱遥感图像一致,所以将A中每个端元对应真实高光谱遥感图像剔除相应的波段,作为该份高光谱遥感图像的端元光谱库。
步骤2:对高光谱遥感图像用SUnSAL算法进行初步解混,在本实验中令该算法中稀疏性约束的权重参数λ=10-4。
步骤3:对SUnSAL算法得到的解混丰度按照丰度值的大小降序排列,记重新排序后的丰度序列为{xi},计算序列{di}和{ci},其中di=xi-xi+1,ci=1-di+1/di,记{ci}中最大值对应的序号为it,it对应的丰度值记为xt。
步骤4:预设的显著性丰度阈值x0=0.01,如果xt>x0则将所有丰度值大于x0的丰度对应的端元组成该像元的稀疏表示端元子集,否则将所有丰度大于xt的丰度对应的端元组成该像元的稀疏表示端元子集。
步骤5:由于真实高光谱遥感图像中端元具有较强的可变性,所以基于步骤4得到的稀疏表示端元子集,采用丰度的非负约束最小二乘法的对像元再次进行混合像元分解,将结果作为最终的混合像元分解结果。
3、真实高光谱图像解混实验结果及评价
图3a是对实验区用本发明方法解混后明矾石的丰度分布图,真实高光谱遥感图像有191×250个像元,图3a的横纵坐标表示像元位置,右边显示色条中图像的灰度值代表丰度值;图3b为矿物分类图中实验区明矾石的分类图,是一个(0,1)二值分类图。由于分类图不能提供图像的亚像元信息,只能定性的验证解混算法的有效性。可见本发明方法面对真实环境下数据的复杂性也可以有效的进行混合像元分解,并且解混结果比SUnSAL算法更稀疏。
本发明还相应提供一种基于丰度显著性分析的高光谱图像解混系统,包括以下模块:
端元光谱库构建模块,用于建立待处理的高光谱遥感图像的端元光谱库;
初步解混模块,用于用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混合像元分解;
显著性分析模块,用于对高光谱遥感图像中每个像元,分别将初步解混模块所得初步解混丰度按照丰度值的大小降序排列,对排序后的丰度序列进行显著性分析,得到显著性丰度的临界值xt,实现如下,
设对某个像元初步解混后,丰度值不为0的端元有p个,记重新排序后的非0丰度序列为{xi},i的取值为1,2,…,p,xi为重新排序后的第i个非0丰度值;
当p>3时,令变量di=xi-xi+1,i的取值为1,2,…,p-1;变量ci=1-di+1/di,i的取值为1,2,…,p-2,记{ci}中最大值对应的序号为临界序号it,it对应的丰度值为显著性丰度的临界值,记为xt;
当p≤3时,直接令最小的非0丰度值为显著性丰度值的临界值,记为xt;
稀疏表示端元子集建立模块,用于对高光谱遥感图像中每个像元,分别根据预设的显著性丰度阈值x0进行判断,如果xt>x0则将所有大于x0的丰度值对应端元组成该像元的稀疏表示端元子集,否则将所有大于xt的丰度值对应端元组成该像元的稀疏表示端元子集;
最终解混模块,用于对高光谱遥感图像中每个像元,基于稀疏表示端元子集建立模块得到的稀疏表示端元子集,采用丰度约束的最小二乘法再次进行混合像元分解,将结果作为最终的混合像元分解结果。
优选地,端元光谱库构建模块中,利用已有的端元光谱库建立高光谱遥感图像的端元光谱库,实现如下,
1)从已有的端元光谱库中提取相应端元,提取结果包含整个高光谱遥感图像中所有的地物类型;
2)将提取的端元进行光谱重采样,使得重采样后端元的特征光谱与高光谱图像的光谱具有相同的波段数,每个波段对应的波长相同;将重采样后的端元组成高光谱遥感图像的端元光谱库。
或者,端元光谱库构建模块中,采用最小体积单形体分析法从高光谱遥感图像中提取端元建立图像的端元光谱库。
优选地,初步解混模块中,基于稀疏回归的混合像元分解方法采用SUnSAL算法。
优选地,最终解混模块中,丰度约束的最小二乘法法采用非负约束的最小二乘法或全条件约束的最小二乘法。
各模块具体实现和各步骤相应,本发明不予赘述。
以上内容是结合最佳实施方案对本发明所做的进一步详细说明,不能认定本发明的具体实施只限于这些说明。本领域的技术人员应能理解,在不脱离由所附权利要求书限定的情况下,可以在细节上进行各种修改,都应当视为本发明的保护范围。
Claims (10)
1.一种基于丰度显著性分析的高光谱图像解混方法,其特征在于,包括以下步骤:
步骤a,建立待处理的高光谱遥感图像的端元光谱库;
步骤b,用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混合像元分解;
步骤c,对高光谱遥感图像中每个像元,分别将步骤b所得初步解混丰度按照丰度值的大小降序排列,对排序后的丰度序列进行显著性分析,得到显著性丰度的临界值xt,实现如下,
设对某个像元初步解混后,丰度值不为0的端元有p个,记重新排序后的非0丰度序列为{xi},i的取值为1,2,…,p,xi为重新排序后的第i个非0丰度值;
当p>3时,令变量di=xi-xi+1,i的取值为1,2,…,p-1;变量ci=1-di+1/di,i的取值为1,2,…,p-2,记{ci}中最大值对应的序号为临界序号it,it对应的丰度值为显著性丰度的临界值,记为xt;
当p≤3时,直接令最小的非0丰度值为显著性丰度值的临界值,记为xt;
步骤d,对高光谱遥感图像中每个像元,分别根据预设的显著性丰度阈值x0进行判断,如果xt>x0则将所有大于x0的丰度值对应端元组成该像元的稀疏表示端元子集,否则将所有大于xt的丰度值对应端元组成该像元的稀疏表示端元子集;
步骤e,对高光谱遥感图像中每个像元,基于步骤d得到的稀疏表示端元子集,采用丰度约束的最小二乘法再次进行混合像元分解,将结果作为最终的混合像元分解结果。
2.根据权利要求1所述基于丰度显著性分析的高光谱图像解混方法,其特征在于:步骤a中,利用已有的端元光谱库建立高光谱遥感图像的端元光谱库,实现如下,
1)从已有的端元光谱库中提取相应端元,提取结果包含整个高光谱遥感图像中所有的地物类型;
2)将提取的端元进行光谱重采样,使得重采样后端元的特征光谱与高光谱图像的光谱具有相同的波段数,每个波段对应的波长相同;将重采样后的端元组成高光谱遥感图像的端元光谱库。
3.根据权利要求1所述基于丰度显著性分析的高光谱图像解混方法,其特征在于:步骤a中,采用最小体积单形体分析法从高光谱遥感图像中提取端元建立图像的端元光谱库。
4.根据权利要求1或2或3所述基于丰度显著性分析的高光谱图像解混方法,其特征在于:步骤b中,基于稀疏回归的混合像元分解方法采用SUnSAL算法。
5.根据权利要求1或2或3所述基于丰度显著性分析的高光谱图像解混方法,其特征在于:步骤e中,丰度约束的最小二乘法法采用非负约束的最小二乘法或全条件约束的最小二乘法。
6.一种基于丰度显著性分析的高光谱图像解混系统,其特征在于,包括以下模块:
端元光谱库构建模块,用于建立待处理的高光谱遥感图像的端元光谱库;
初步解混模块,用于用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混合像元分解;
显著性分析模块,用于对高光谱遥感图像中每个像元,分别将初步解混模块所得初步解混丰度按照丰度值的大小降序排列,对排序后的丰度序列进行显著性分析,得到显著性丰度的临界值xt,实现如下,
设对某个像元初步解混后,丰度值不为0的端元有p个,记重新排序后的非0丰度序列为{xi},i的取值为1,2,…,p,xi为重新排序后的第i个非0丰度值;
当p>3时,令变量di=xi-xi+1,i的取值为1,2,…,p-1;变量ci=1-di+1/di,i的取值为1,2,…,p-2,记{ci}中最大值对应的序号为临界序号it,it对应的丰度值为显著性丰度的临界值,记为xt;
当p≤3时,直接令最小的非0丰度值为显著性丰度值的临界值,记为xt;
稀疏表示端元子集建立模块,用于对高光谱遥感图像中每个像元,分别根据预设的显著性丰度阈值x0进行判断,如果xt>x0则将所有大于x0的丰度值对应端元组成该像元的稀疏表示端元子集,否则将所有大于xt的丰度值对应端元组成该像元的稀疏表示端元子集;
最终解混模块,用于对高光谱遥感图像中每个像元,基于稀疏表示端元子集建立模块得到的稀疏表示端元子集,采用丰度约束的最小二乘法再次进行混合像元分解,将结果作为最终的混合像元分解结果。
7.根据权利要求6所述基于丰度显著性分析的高光谱图像解混系统,其特征在于:端元光谱库构建模块中,利用已有的端元光谱库建立高光谱遥感图像的端元光谱库,实现如下,
1)从已有的端元光谱库中提取相应端元,提取结果包含整个高光谱遥感图像中所有的地物类型;
2)将提取的端元进行光谱重采样,使得重采样后端元的特征光谱与高光谱图像的光谱具有相同的波段数,每个波段对应的波长相同;将重采样后的端元组成高光谱遥感图像的端元光谱库。
8.根据权利要求6所述基于丰度显著性分析的高光谱图像解混系统,其特征在于:端元光谱库构建模块中,采用最小体积单形体分析法从高光谱遥感图像中提取端元建立图像的端元光谱库。
9.根据权利要求6或7或8所述基于丰度显著性分析的高光谱图像解混系统,其特征在于:初步解混模块中,基于稀疏回归的混合像元分解方法采用SUnSAL算法。
10.根据权利要求6或7或8所述基于丰度显著性分析的高光谱图像解混系统,其特征在于:最终解混模块中,丰度约束的最小二乘法法采用非负约束的最小二乘法或全条件约束的最小二乘法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817202.5A CN104463224B (zh) | 2014-12-24 | 2014-12-24 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410817202.5A CN104463224B (zh) | 2014-12-24 | 2014-12-24 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463224A CN104463224A (zh) | 2015-03-25 |
CN104463224B true CN104463224B (zh) | 2017-06-27 |
Family
ID=52909238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410817202.5A Active CN104463224B (zh) | 2014-12-24 | 2014-12-24 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463224B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046188A (zh) * | 2015-04-13 | 2015-11-11 | 中南林业科技大学 | Modis混合像元分解森林信息提取方法 |
CN104966085B (zh) * | 2015-06-16 | 2018-04-03 | 北京师范大学 | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 |
CN104933425B (zh) * | 2015-07-10 | 2018-04-27 | 中国地质大学(武汉) | 一种高光谱数据处理方法 |
CN105224915A (zh) * | 2015-09-07 | 2016-01-06 | 河海大学 | 一种高光谱图像混合像元分解方法 |
CN106780424A (zh) * | 2017-01-12 | 2017-05-31 | 清华大学 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
CN107590800A (zh) * | 2017-09-04 | 2018-01-16 | 东华理工大学 | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 |
CN107644393B (zh) * | 2017-09-28 | 2020-03-06 | 大连海事大学 | 一种基于gpu的丰度估计算法的并行实现方法 |
CN107832793B (zh) * | 2017-11-08 | 2021-08-06 | 深圳大学 | 一种高光谱图像的分类方法及系统 |
CN109086655B (zh) * | 2018-06-06 | 2020-08-11 | 中国农业科学院农业资源与农业区划研究所 | 基于对称初始化和聚集度优化的亚像元定位方法和系统 |
CN109840544B (zh) * | 2018-12-19 | 2023-05-16 | 国网浙江省电力有限公司嘉兴供电公司 | 一种高光谱图像多端元光谱混合分析方法及装置 |
CN109886897B (zh) * | 2019-03-04 | 2023-04-18 | 重庆工商大学 | 一种高光谱图像解混设备 |
CN110766655A (zh) * | 2019-09-19 | 2020-02-07 | 北京航空航天大学 | 一种基于丰度的高光谱图像显著性分析方法 |
CN111899300B (zh) * | 2020-07-30 | 2022-05-31 | 北京航空航天大学 | 一种面向光场光谱数据亚像元定位的丰度修正方法及装置 |
CN112396029B (zh) * | 2020-12-03 | 2022-02-18 | 宁波大学 | 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 |
CN113933275B (zh) * | 2021-10-13 | 2023-10-24 | 季华实验室 | 基于生物成像的定量分析方法、分离方法、装置及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540271A (zh) * | 2011-12-27 | 2012-07-04 | 南京理工大学 | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 |
-
2014
- 2014-12-24 CN CN201410817202.5A patent/CN104463224B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102540271A (zh) * | 2011-12-27 | 2012-07-04 | 南京理工大学 | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 |
Non-Patent Citations (3)
Title |
---|
Hyperspectral Unmixing Overview:Geometrical,Statistical,and Sparse Regression-Based Approaches;JoseM.Bioucas-Dias 等;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20120515;第5卷(第2期);354-379 * |
基于光谱特征的高光谱丰度估计模型研究;谢红叶;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130915;I140-203 * |
高光谱影像稀疏解混的空间同质分析法;王毓乾 等;《测绘学报》;20140615;第43卷(第6期);607-612 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463224A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104463224B (zh) | 基于丰度显著性分析的高光谱图像解混方法及系统 | |
Sun et al. | Spectral–spatial feature tokenization transformer for hyperspectral image classification | |
CN109145992B (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
Yue et al. | A deep learning framework for hyperspectral image classification using spatial pyramid pooling | |
CN107451614B (zh) | 基于空间坐标与空谱特征融合的高光谱分类方法 | |
CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
Sermanet et al. | Convolutional neural networks applied to house numbers digit classification | |
Liu et al. | Unsupervised change detection in multispectral remote sensing images via spectral-spatial band expansion | |
CN109948693A (zh) | 基于超像素样本扩充和生成对抗网络高光谱图像分类方法 | |
CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
CN111027509B (zh) | 一种基于双流卷积神经网络的高光谱图像目标检测方法 | |
CN110929080B (zh) | 基于注意力和生成对抗网络的光学遥感图像检索方法 | |
CN106354735A (zh) | 一种图像中目标的检索方法和装置 | |
Qi et al. | Global–local 3-D convolutional transformer network for hyperspectral image classification | |
CN102903114A (zh) | 一种基于改进型层次聚类的高光谱遥感数据降维方法 | |
CN114821164A (zh) | 基于孪生网络的高光谱图像分类方法 | |
CN104268561B (zh) | 基于结构先验低秩表示的高光谱图像解混方法 | |
Ge et al. | Adaptive hash attention and lower triangular network for hyperspectral image classification | |
CN107590800A (zh) | 一种基于地物光谱库的高光谱遥感图像混合像元分解方法 | |
Zhang et al. | Attention-aware dynamic self-aggregation network for satellite image time series classification | |
CN105184314A (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
CN104715266A (zh) | 基于src-dp与lda相结合的图像特征提取方法 | |
Zhao et al. | Hyperspectral target detection method based on nonlocal self-similarity and rank-1 tensor | |
CN106529472A (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
CN116883873A (zh) | 一种面向空地应用的红外小目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |