CN109035199B - 高光谱数据端元提取方法、存储介质和电子设备 - Google Patents
高光谱数据端元提取方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN109035199B CN109035199B CN201810643807.5A CN201810643807A CN109035199B CN 109035199 B CN109035199 B CN 109035199B CN 201810643807 A CN201810643807 A CN 201810643807A CN 109035199 B CN109035199 B CN 109035199B
- Authority
- CN
- China
- Prior art keywords
- pixel
- end member
- member extraction
- hyperspectral data
- extraction method
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种高光谱数据端元提取方法、存储介质和电子设备,适用于高光谱遥感数据解混合方法和应用技术研究,主要解决现有端元提取方法提取精度不高、运行时间较长的问题。基于空间特征的高光谱数据端元提取方法,包括以下步骤:1)初步计算高光谱数据中含有的端元数量;2)光谱相似度s的计算;3)端元提取候选像元集的获取;4)在获得的候选像元集J中,并根据步骤1)中估计的端元数量,进行端元提取。
Description
技术领域
本发明涉及光谱遥感数据处理方法与应用技术领域,具体涉及基于空间特征的高光谱数据端元提取方法、计算机可读存储介质、电子设备,适用于高光谱遥感数据解混合方法和应用技术研究。
背景技术
混合像元的存在是制约传统像元级遥感分类和目标探测精度的主要原因,而成像光谱仪的数据获取方式使得混合像元在高光谱遥感图像中更加普遍。混合像元指当一个像元对应的瞬时视场角内存在多种不同地物类型,则该像元的光谱特征由这些地物的光谱信息共同构成。为了提高遥感应用的精度,就必须进行混合像元分解,使高光谱遥感应用由像元级达到亚像元级。光谱解混合通常分为两个步骤:一是进行端元提取,二是反演每个端元对应的丰度。
如何从高光谱数据中提取端元一直是热点研究问题,目前已有不少成熟的端元提取方法被国内外学者提出和引用。其中,基于线性光谱混合模型的方法由于符合光谱混合过程的物理原理、形式简单被广泛使用,如纯像元指数(PPI)、内部最大体积法(N-FINDR)、顶点成分分析(VCA)、最大距离法、单形体体积法、顺序最大角凸锥(SMACC)等。然而,这些方法的设计思想均是利用高光谱数据的凸面几何特性,即包含m个端元的最小凸集是一个m-1维空间的凸面单形体,这m个端元即为凸面单形体的m个端点,而每个像元均为端元的凸组合,分布于此凸面单形体的内部。因此,这类方法容易受噪声和异常点的干扰,端元提取精度不高。此外,这些方法主要是从光谱特征角度出发进行端元提取、忽视了像元在空间上的相关性,且每求一个端元都需遍历图像中的所有像元,导致运行时间较长。
发明内容
本发明的目的是解决现有端元提取方法提取精度不高、运行时间较长的问题,提供一种基于空间特征的高光谱数据端元提取方法、计算机可读存储介质、电子设备。该方法合理有效地结合了高光谱数据的光谱特征和空间相关性,大幅提高了抗干扰性,同时缩短了运行时间,是一种可靠性高、运行快、精度高的端元提取方法。
本发明的技术方案是:
一种基于空间特征的高光谱数据端元提取方法,包括以下步骤:
1)输入图像,初步计算图像中高光谱数据中含有的端元数量,记为M;
2)光谱相似度s的计算;
2.1)计算两个像元光谱之间的夹角θ,计算两个像元之间的距离d;
2.2)定义光谱相似度s;
其中,θ′、d′分别为θ和d的归一化值,X和Y分别表示两个像元光谱向量;
3)端元提取候选像元集的获取;
3.1)计算空间场景中每个像元的SPI值;
设当前像元光谱为Xi,j,i和j分别表示该像元在图像空间中的横坐标和纵坐标,并选取以当前像元为中心的N×N大小窗口T;则
SPIi,j=max{s(Xi,j,Xm,n)} (4)
(i-N/2+1≤m≤i+N/2-1,j-N/2+1≤n≤j+N/2-1)
3.2)在以当前像元为中心的Q×Q大小窗口L范围内,若当前像元的SPI值是最小值,则该像元参与端元提取运算;否则,该像元不参与端元提取运算,依次遍历所有空间像元后,获得端元提取候选像元集J;
4)在步骤3.2)中获得的候选像元集J中,并根据步骤1)中估计的端元数量M,进行端元提取;
5)输出提取的端元。
进一步地,步骤1)中,根据给定的虚警率PF,利用HFC或NWHFC算法,初步计算高光谱数据中含有的端元数量。
进一步地,步骤2.1)中,通过光谱角度填图法计算两个像元光谱之间的夹角θ,通过欧式距离法计算两个像元之间的距离d,
其中,X和Y分别表示两个像元光谱向量,xi、yi分别表示X和Y的第i个波段幅值,p表示波段数。
进一步地,步骤3.2)中通过以下方法获得当前像元的SPI最小值;
以当前像元为中心,大小为Q×Q的窗口L,对步骤3.1)获取的二维SPI矩阵进行最小值滤波,获得当前像元的SPI最小值。
进一步地,步骤4)中,采用VCA、SMACC端元提取方法进行端元提取。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明还提供了一种电子设备,所述电子设备包括:
处理器;
计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行上述方法的步骤。
本发明与现有技术相比,具有以下技术效果:
1.本发明方法合理有效地结合了高光谱数据的光谱特征和空间相关性,大幅提高了抗干扰性,同时缩短了运行时间,是一种可靠性高、运行快、精度高的端元提取方法。
2.本发明方法提供了一种候选像元集,由于候选集中像元的光谱纯度均较高,因此有助于提高端元提取精度,同时由于参与端元提取运算的像元数量减少,可大幅缩短运算时间。
附图说明
图1为本发明方法流程图;
图2为本发明实施例模拟高光谱数据示意图;
图3a中是模拟高光谱数据的原始端元光谱图;
图3b是利用本发明端元提取方法提取的端元光谱图;
图3c是直接采用VCA方法时提取的端元光谱。
具体实施方式
以下结合附图和具体实施例对本发明的内容作进一步详细描述:
本发明是一种有效结合光谱特征和空间相关性的高光谱数据端元提取方法。首先,对于高光谱图像中的每个空间像元,根据给定窗口大小,利用相邻像元计算其光谱纯度指数SPI(spectral purity index);然后,对于每个像元,根据其光谱纯度指数在给定窗口大小范围内的排序,判定是否参与端元提取运算,从而形成参与端元提取运算的候选像元集;最后,采用VCA、SMACC等经典端元提取算法,在候选像元范围内进行端元提取。
由于地物在图像空间分布的连续性,使得某一地物周围同样为此种地物的可能性最大,即在同质区域内相邻像元的光谱特征很相似,而端元光谱往往分布在同质区域内。因此,可认为对于某一个空间像元,该像元与其相邻像元的光谱特征越相似,说明该局部区域的同质性越高,从而该像元成为端元光谱的可能性越高。
光谱角度填图法(SAD)和欧式距离法(ED)是测量光谱相似度的2个常用方法。光谱角度填图法是通过计算两个像元光谱之间的夹角θ来测量二者的光谱相似度,如公式(1)所示。θ值越小,说明二者越相似,θ值与光谱向量的莫是无关的,因此SAD法主要测量的是光谱形状的差异。欧式距离法是通过计算两个像元之间的欧式距离d来测量二者的光谱相似度,如公式(2)所示。d值越小,说明二者越相似,与SAD法不同,ED法主要测量的是各波段幅值差异的累积,公式(1)和公式(2)中,X和Y分别表示两个像元光谱向量,xi、yi分别表示X和Y的第i个波段幅值,p表示波段数;
同种地物的两个像元光谱,其幅值和光谱形状均应很相似,因此本发明中将综合考虑光谱角度填图法和欧氏距离法,定义新的光谱相似度s,如公式(3)所示。为了避免θ和d的数值差异影响,公式(3)中分别用θ和d的归一化值θ′和d′来计算,由于s既考虑了光谱形状差异,又考虑了光谱幅值差异,从而提高光谱相似性测量准确度;
本发明中利用公式(3)中给出的光谱相似度s来定义像元光谱纯度指数SPI,如公式(4)所示。假设当前像元光谱为Xi,j,i和j分别表示该像元在图像空间中的横坐标和纵坐标,并选取以当前像元为中心的N×N大小窗口T,
SPIi,j=max{s(Xi,j,Xm,n)} (4)
(i-N/2+1≤m≤i+N/2-1,j-N/2+1≤n≤j+N/2-1)
可以看出,SPI值越大,说明对应像元的局部区域窗口同质性越低,也就是光谱纯度越低,从而成为端元光谱的可能性也越低;反之,SPI值越小,说明对应像元的局部区域窗口同质性越高,也就是光谱纯度越高,从而成为端元光谱的可能性也越高。
如前所述,某一地物周围同样为此种地物的可能性最大,而作为端元光谱,只需要此地物中一个纯度最高的像元作为代表。因此,基于计算得出的SPI值,判定每个像元是否需要参与端元提取运算,而端元提取候选像元集由判定为参与端元提取运算的所有像元组成。具体判定方法如下:在以当前像元为中心的Q×Q大小窗口L范围内,如果当前像元的SPI值是最小值,则该像元参与端元提取运算;否则,该像元不参与端元提取运算。该判定过程拟采用Q×Q大小窗口的最小值滤波器,对二维空间SPI矩阵进行滤波的方式来实现。
获得端元提取候选像元集后,采用已有的经典端元提取方法,如顶点成分分析(VCA)、顺序最大角凸锥(SMACC)等,在候选像元集范围内进行端元提取处理。候选像元集的优势是:一是,由于候选集中像元的光谱纯度均较高,有助于提高端元提取精度;二是由于参与端元提取运算的像元数量减少,可大幅缩短运算时间。
本发明提供的一种基于空间特征的高光谱数据端元提取方法,具体步骤如下:
步骤1:输入图像,根据给定的虚警率PF,利用HFC(基于Neyman-Pearson探测理论的特征阈值分析方法,简称HFC方法)或NWHFC算法(基于噪声白化的HFC方法),初步计算图像中高光谱数据中含有的端元数量,记为M;
步骤2:根据公式(3),计算每个像元与以其为中心的N×N大小窗口T内所有像元的光谱相似度s;
步骤3:利用步骤2中计算得出的s,根据公式(4)计算空间场景中每个像元的SPI值;
步骤4:如果当前像元的SPI值是对应窗口范围内的最小值,则当前像元参与端元光谱运算;否则,不参与,依次遍历所有空间像元后,获得端元提取候选像元集J;
本步骤可采用以当前像元为中心,大小为Q×Q的窗口L,对步骤3获取的二维SPI矩阵进行最小值滤波,来获取当前像元的SPI值是对应窗口范围内的最小值;
步骤5:以步骤4中获得的候选像元集J为分析研究对象,并根据步骤1中估计的端元数量M,采用VCA、SMACC等经典端元提取方法,进行端元提取;
步骤6:输出提取的端元。
为了更好地说明本发明有效结合光谱特征和空间相关性的高光谱数据端元提取方法,利用模拟高光谱数据进行端元提取。图2是模拟的高光谱数据,空间大小为64×64,波段数为420,含有5个端元,信噪比为30dB,图像中包含两个异常点。
本发明一种基于空间特征的高光谱数据端元提取方法,具体实现步骤如下:
(1)输入图像,设定虚警率PF为10-5,利用HFC算法估计模拟数据中端元数量,记为NUM(计算结果为5,与实际符合);
(2)根据公式(3),计算每个像元与以其为中心的3×3大小窗口内所有像元的光谱相似度s;
(3)利用(2)中计算得出的s,根据公式(4)计算空间场景中每个像元的SPI值;
(4)如果当前像元的SPI值是对应窗口范围内的最小值,则当前像元参与端元光谱运算;否则,不参与,依次遍历所有空间像元后,获得端元提取候选像元集J(最终候选集中含有207个像元,参与端元提取运算的像元数量大幅缩减);采用以当前像元为中心,大小为3×3的窗口,对步骤(3)中获取的二维SPI矩阵进行最小值滤波;
(5)以步骤(4)中获得的候选像元集J为分析研究对象,并根据步骤(1)中估计的端元数量NUM(=5),采用VCA方法进行端元提取;
(6)输出提取的端元。
图3a中是模拟高光谱数据的5个原始端元光谱,图3c是直接采用VCA方法时提取的5个端元光谱,图3b是利用本发明端元提取方法提取的5个端元光谱,可以看出利用本发明端元提取方法时,提取的5个端元光谱与原始端元光谱均一致,而直接采用VCA方法时,提取的5个端元光谱中有2个是异常点的光谱。
本发明实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现基于空间特征的高光谱数据端元提取方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述方法部分中描述的根据本发明各种示例性实施方式的步骤。
用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (7)
1.一种基于空间特征的高光谱数据端元提取方法,其特征在于,包括以下步骤:
1)输入图像,初步计算图像中高光谱数据中含有的端元数量,记为M;
2)光谱相似度s的计算;
2.1)计算两个像元光谱之间的夹角θ,计算两个像元之间的距离d;
2.2)定义光谱相似度s;
其中,θ′、d′分别为θ和d的归一化值,X和Y分别表示两个像元光谱向量;
3)端元提取候选像元集的获取;
3.1)计算空间场景中每个像元的SPI值;
设当前像元光谱为Xi,j,i和j分别表示该像元在图像空间中的横坐标和纵坐标,并选取以当前像元为中心的N×N大小窗口;则
SPIi,j=max{s(Xi,j,Xm,n)} (4)
(i-N/2+1≤m≤i+N/2-1,j-N/2+1≤n≤j+N/2-1)
3.2)在以当前像元为中心的Q×Q大小窗口L范围内,若当前像元的SPI值是最小值,则该像元参与端元提取运算;否则,该像元不参与端元提取运算,依次遍历所有空间像元后,获得端元提取候选像元集J;
4)在步骤3.2)中获得的候选像元集J中,并根据步骤1)中估计的端元数量M,进行端元提取;
5)输出提取的端元。
2.根据权利要求1所述的基于空间特征的高光谱数据端元提取方法,其特征在于:步骤1)中,根据给定的虚警率PF,利用HFC或NWHFC算法,初步计算高光谱数据中含有的端元数量。
4.根据权利要求1或2或3所述的基于空间特征的高光谱数据端元提取方法,其特征在于:步骤3.2)中通过以下方法获得当前像元的SPI最小值;
以当前像元为中心,大小为Q×Q的窗口L,对步骤3.1)获取的二维SPI矩阵进行最小值滤波,获得当前像元的SPI最小值。
5.根据权利要求4所述的基于空间特征的高光谱数据端元提取方法,其特征在于:步骤4)中,采用VCA、SMACC端元提取方法进行端元提取。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1-5任一所述方法的步骤。
7.一种电子设备,其特征在于,所述电子设备包括:
处理器;
计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行权利要求1至5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810643807.5A CN109035199B (zh) | 2018-06-21 | 2018-06-21 | 高光谱数据端元提取方法、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810643807.5A CN109035199B (zh) | 2018-06-21 | 2018-06-21 | 高光谱数据端元提取方法、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035199A CN109035199A (zh) | 2018-12-18 |
CN109035199B true CN109035199B (zh) | 2021-06-18 |
Family
ID=64610265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810643807.5A Active CN109035199B (zh) | 2018-06-21 | 2018-06-21 | 高光谱数据端元提取方法、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035199B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853062B (zh) * | 2019-11-20 | 2023-05-26 | 中国科学院遥感与数字地球研究所 | 一种多光谱光学遥感图像的快速分割方法 |
CN114780904B (zh) * | 2022-06-17 | 2022-09-27 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种端元自适应的山地植被覆盖度遥感反演方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568034A (zh) * | 2011-12-30 | 2012-07-11 | 中国科学院长春光学精密机械与物理研究所 | 空间光学遥感器对实际地物成像的计算机仿真系统 |
CN102663402A (zh) * | 2012-04-21 | 2012-09-12 | 西北工业大学 | 基于修正扩展形态学算子的高光谱遥感图像端元提取方法 |
CN105427319A (zh) * | 2015-11-27 | 2016-03-23 | 杭州电子科技大学 | 一种基于自动形态学端元提取的高光谱图像数据解混方法 |
CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AUPS155202A0 (en) * | 2002-04-05 | 2002-05-16 | Commonwealth Scientific And Industrial Research Organisation | Methods of identifying endmember spectral values for hyperspectral image data |
-
2018
- 2018-06-21 CN CN201810643807.5A patent/CN109035199B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568034A (zh) * | 2011-12-30 | 2012-07-11 | 中国科学院长春光学精密机械与物理研究所 | 空间光学遥感器对实际地物成像的计算机仿真系统 |
CN102663402A (zh) * | 2012-04-21 | 2012-09-12 | 西北工业大学 | 基于修正扩展形态学算子的高光谱遥感图像端元提取方法 |
CN105427319A (zh) * | 2015-11-27 | 2016-03-23 | 杭州电子科技大学 | 一种基于自动形态学端元提取的高光谱图像数据解混方法 |
CN106408034A (zh) * | 2016-10-17 | 2017-02-15 | 大连海事大学 | 一种基于空间特征迭代的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109035199A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Collaborative representation for hyperspectral anomaly detection | |
CN108768562B (zh) | 一种基于遥控与图传信号的非法无人机识别方法 | |
US20130279762A1 (en) | Adaptive search window control for visual search | |
CN111179230A (zh) | 遥感影像对比变化检测方法、装置、存储介质及电子设备 | |
CN109035199B (zh) | 高光谱数据端元提取方法、存储介质和电子设备 | |
CN111192239A (zh) | 遥感影像变化区域检测方法、装置、存储介质及电子设备 | |
CN114398948A (zh) | 一种基于空-谱联合注意力网络的多光谱影像变化检测方法 | |
CN115115855A (zh) | 图像编码器的训练方法、装置、设备及介质 | |
CN111597951A (zh) | 一种面向目标检测的高光谱图像特征选择方法 | |
Akbari et al. | PRNU-net: a deep learning approach for source camera model identification based on videos taken with smartphone | |
Yang et al. | Infrared small target detection based on a group image-patch tensor model | |
CN113569687A (zh) | 基于双流网络的场景分类方法、系统、设备及介质 | |
CN113446998A (zh) | 一种基于高光谱目标探测数据的动态解混方法 | |
CN112395924B (zh) | 一种遥感监测方法及装置 | |
CN108492283B (zh) | 一种基于带约束稀疏表示的高光谱图像异常检测方法 | |
CN111076817B (zh) | 基于光学多维信息一体化感知系统的异常目标检测方法 | |
CN114449362B (zh) | 视频封面的选取方法、装置、设备及存储介质 | |
CN114821482A (zh) | 一种基于鱼眼探头的矢量拓扑一体化客流计算方法及系统 | |
CN114821333A (zh) | 一种高分辨率遥感影像道路材质识别方法及装置 | |
Shen et al. | A holistic image segmentation framework for cloud detection and extraction | |
CN108984601B (zh) | 一种基于概率直方图面积相似度的图像检索方法及系统 | |
CN109471106B (zh) | 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法 | |
KR20140104789A (ko) | 정지영상의 식별자 생성 방법 및 이를 수행하는 영상 처리 장치 | |
WO2015128302A1 (en) | Method and apparatus for filtering and analyzing a noise in an image | |
Zare-Baghbidi et al. | Improving the RX anomaly detection algorithm for hyperspectral images using FFT |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |