CN109063537B - 针对异常小目标解混的高光谱图像预处理方法 - Google Patents

Abstract

本发明公开了一种针对异常小目标解混的高光谱图像预处理方法。使用本发明能够解决服务于解混任务的高光谱图像预处理方法易忽略异常小目标的弊端。本发明充分针对目标空间尺度小的特征，利用滑窗判定空间维度上的疑似目标，并根据邻域像元位置设立相似性度量权重，区别对待窗口内不同邻域像元对待测像元空间特异性判定的影响；同时，利用目标光谱与背景光谱相比具有特异性的特征，利用PCA变换在特征维度进行疑似目标判定；最后结合K‑means方法和正交子空间投影(OSP)法，对高光谱数据进行筛选，有效减少待处理数据量并提升解混精度，在工程应用上具有很大的提升空间。本发明无需对后续的端元提取阶段进行任何修改，算法应用灵活。

Description

针对异常小目标解混的高光谱图像预处理方法

技术领域

本发明涉及遥感图像处理技术领域，具体涉及一种针对光谱特性异常、小空间尺度目标(即异常小目标)解混任务的空间光谱信息联合高光谱图像预处理方法。

背景技术

高光谱图像由于其光谱分辨率高、波段范围广，在军事、民用领域都得到了广泛的应用。然而受其空间分辨率的局限，采集场景中不同地物之间的光谱相互混合，造成混合像元。混合像元分解是高光谱遥感技术中独特而重要的研究内容，其在高光谱图像精细化处理、定量化分析方面具有重要意义。为了提升解混精度，基于几何、统计等不同特性的解混算法被不断提出，各自适合不同的场景。然而，很多关于高光谱解混的研究仅仅利用高光谱图像的光谱信息，没有充分探究高光谱图像中蕴含的空间信息，为解混精度带来局限。为了解决这个问题，融合空间光谱信息的解混算法成为了研究热点，其中针对解混任务的高光谱图像预处理技术因为可以在不改动现有解混算法的情况下有效筛选候选像元，从而提升解混精度、减少运算负担而受到关注。

近年来，越来越多的高光谱图像预处理技术被研究和提出。然而，这些技术在处理高光谱图像时，通常不考虑不同地物之间光谱特性和空间特性的差异，统一进行无差别处理，极易忽略图像中的异常小目标，为场景中含有异常小目标情况下的图像解混任务带来了困难。

在面向高光谱图像解混任务的图像预处理领域里，主要包括以下两类方法：一类是空间预处理类方法，这类方法利用高光谱图像中蕴含的空间信息，判断像元是否存在于端元更易出现的光谱特性大面积相似区域(即均质区域)，并根据像元与邻域像元间的光谱相似程度为像元设置权重，引导端元提取过程，从而提升解混精度。这类方法可以增强对图像中均质区域的端元搜索，适用于图像存在大片均质地物的情况，但是不适合于存在异常小目标的情况。另一类是光谱预处理类方法，这类方法主要是在空间临近区域内依据光谱特征筛选像元用于后续的端元提取过程。在线性混合模型下，端元通常出现在光谱特征空间的边缘位置，依据像元在光谱特征空间内的位置对其进行初步筛选可以有效减少运算量，但是在筛选的过程中极易遗漏空间尺度小、占据像元数少的小目标，所以不适用于存在异常小目标情况下的解混任务。

发明内容

有鉴于此，本发明提供了一种针对异常小目标解混的高光谱图像预处理方法，能够解决服务于解混任务的高光谱图像预处理方法易忽略异常小目标的弊端。

本发明的针对异常小目标解混的高光谱图像预处理方法，包括如下步骤：

步骤1，提取疑似目标的像元：

步骤1.1，从空间维度提取疑似目标的像元：

对高光谱图像进行滑窗处理，分别计算滑窗中中心像元与其他邻域像元之间的相似性程度，并根据邻域像元与中心像元之间的距离，设定该邻域像元与中心像元相似性程度的权重；以中心像元与滑窗内所有领域像元的相似性程度的加权和作为该中心像元的空间特异程度值；移动滑窗，得到高光谱图像中所有像元的空间特异程度值；提取空间特异程度值大于或等于设定的阈值A的像元，组成疑似目标像元集P₁；

步骤1.2，从特征维度提取疑似目标的像元：

对高光谱图像进行主成分分析，得到特征空间矩阵；将高光谱图像中的所有像元分别投影到特征空间上，提取所有投影值中最大的1％～5％及最小的1％～5％的像元，组成疑似目标像元集P₂；

步骤1.3，取P₁和P₂的交集，得到疑似目标的像元集P_target；

步骤2，提取背景像元：

步骤2.1，采用K-means算法对高光谱图像进行聚类，得到m个区域以及各区域的代表光谱；

步骤2.2，采用正交子空间投影算法，从步骤2.1获得的m个区域代表光谱中挑选出c个彼此最正交的区域代表光谱；所述c个彼此最正交的区域代表光谱所对应的区域的像元即组成背景像元集；

步骤3，取步骤1获得的疑似目标的像元集和步骤2获得的背景像元集的并集，即为预处理后的高光谱像元。

进一步的，所述步骤1.1中，对中心像元的空间特异程度进行修正，中心像元r(i,j)的空间特异程度值ρ(i,j)为：

其中，α(i,j)为中心像元r(i,j)与滑窗内所有领域像元的相似性程度的加权和。

进一步的，所述阈值A为：

A＝max_spatial-(max_spatial-min_spatial)×α

其中，α＝5％～10％，max_spatial和min_spatial分别为高光谱图像中所有像元的空间特异程度值中的最大值和最小值。

进一步的，所述步骤1.2中，挑选高光谱图像像元r_i在特征空间的投影

满足下式的像元组成疑似目标像元集P₂：

或者

其中，β＝1％～5％，max_project和min_project分别为所有投影值中的最大值和最小值。

进一步的，所述步骤2.1中，m＝2p，其中，p为步骤1.2主成分分析中根据场景复杂程度设定的特征向量数。

有益效果：

本发明方法在针对解混任务的高光谱图像预处理领域提出了一种基于空谱信息联合的高光谱图像预处理方法，重点针对场景中存在异常小目标情况下的解混任务，解决了预处理过程中易忽略、遗漏异常小目标光谱的难题，具体为：

(1)本发明方法充分针对目标空间尺度小的特征，利用滑窗处理判定空间维度上的疑似目标，且根据邻域像元距离中心像元的位置远近设立相似性度量权重，有差别地对待窗口内不同邻域像元对待测像元空间特异性判定的影响，使本方法具有鲁棒性，有效从空间维度定位疑似目标，防止遗漏。

(2)本发明方法充分利用目标光谱与背景光谱相比具有特异性的特征，利用PCA变换将高光谱图像投影到特征空间，去除光谱信息冗余。在特征维度进行疑似目标判定，可以有效减弱噪声干扰并减少计算量，从光谱维度定位疑似目标，避免遗漏。

(3)本发明方法充分利用基于线性混合模型的解混任务下端元光谱彼此应具有最大差异的特点，结合K-means方法和正交子空间投影(OSP)法，对高光谱数据进行筛选，有效减少待处理数据量并提升解混精度，在工程应用上具有很大的提升空间。

(4)在预处理阶段实现对高光谱图像光谱信息和空间信息的利用和结合，不需要对后续的端元提取阶段进行任何修改，算法应用灵活。

附图说明

图1为本发明实施的总体流程图。

图2为本发明空间特异性计算的滑窗示意图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种针对异常小目标解混的高光谱图像预处理方法，方法流程图如图1所示，包括如下步骤：

具体分析如下：

步骤一、基于高光谱图像蕴含的空间信息，估计图像中每个像元在空间尺度上特异性，从空间维度进行疑似目标判定，获得疑似目标像元集P₁。

其中，可以通过设定一定的窗口大小，对高光谱图像进行滑窗处理，设置滑窗内中心像元与其邻域像元(滑窗内除中心像元之外的其他像元)的相似性度量，用以衡量中心像元与邻域像元之间的光谱相似程度；并根据邻域像元与中心像元间的距离为相似性度量添加权重，计算每一个像元与其邻域像元间的相似性度量加权和，作为该像元的空间特异程度，从而有差别地对待窗口内不同邻域像元对待测像元空间特异性判定的影响，从而有效从空间维度定位疑似目标，防止遗漏，并具有鲁棒性。

具体的，对待处理的高光谱图像进行滑窗处理，具体空间特异性计算过程如图2所示。以待测像元r(i,j)为中心，滑窗窗口半径定为d＝(ws-1)/2个像元，其中ws是一个奇数，定义滑窗内中心像元r(i,j)的空间特异程度ρ(i,j)为该中心像元与滑窗内其他领域像元的相似性度量的加权和α(i,j)，并根据邻域像元距离中心像元的位置远近设立相似性度量权重，即中心像元r(i,j)的空间特异程度值ρ(i,j)的表达式为：

式中，γ(z-i,s-j)＝γ(r(z,s),r(i,j))，是中心像元r(i,j)和邻域像元r(z,s)的相似性度量，可以选用欧式距离或者光谱角距离；β(z-i,s-j)是邻域像元r(z,s)与中心像元r(i,j)的相似性度量值的权重，β(z-i,s-j)与像元r(z,s)与中心像元r(i,j)的距离成比例，并且对所有邻域像元的相似性度量值的权重进行归一化，使得所有领域像元的相似性度量值权重之和为1，即：

进一步，为增大不同像元之间空间特异性的差异，可以将空间特异程度值ρ(i,j)的计算方法改写为：

移动滑窗，得到高光谱图像中每个像元的空间特异程度值，将像元的空间特异程度值与设定的阈值A进行比较，若大于或等于阈值A，则判定该像元为疑似目标像元。记录空间特异程度大于阈值A的疑似像元点坐标，得到疑似目标像元集P₁。

其中，可以根据目标空间差异的大小，设定阈值A，也可以根据所得到的所有像元空间特异程度ρ(i,j)的最大值max_spatial和最小值min_spatial，设定阈值A为：

A＝max_spatial-(max_spatial-min_spatial)×α

其中，α＝5％～10％，这样筛选出的像元为整张高光谱图像中空间特异程度最大的5％～10％的像元，符合异常小目标空间尺度小、与周围邻域光谱差异明显的特点。

步骤二、基于原高光谱图像蕴含的光谱信息，对原高光谱图像进行主成分分析(PCA)变换，将原高光谱图像投影到特征空间，对原高光谱图像各像元在特征空间的投影进行分析，在特征维度进行疑似目标判定，获得疑似目标像元集P₂。

PCA是一种基本的高光谱数据降维方法，具体步骤如下：

输入高光谱图像

其中，r_i为高光谱图像中第i个像元，i＝1,2,3,…,n，其中，n为高光谱图像像元总个数；计算：

计算Γ的特征值并按从大到小的顺序排序，得到特征值λ₁>λ₂>…>λ_L以及各特征值对应的单位特征向量

则Q＝[a₁,a₂,…,a_L]。对每一个像元i＝1,…,n进行在特征空间的投影，得到：

由于像元的大部分能量都集中在最大的前几个特征值所对应的单位特征向量上，因此，依据场景复杂程度，选取最大的前p个特征值对应的单位特征向量。计算得到原高光谱图像中所有像元在由p个特征向量组成的特征空间上的投影值

记录该特征空间上的最大投影值max_project和最小投影值min_project。根据目标像元在特征空间中处于所有像元组成的数据云的边界位置，即其光谱具备特异性的目标特点，筛选出投影值位于特征向量上所有投影值中最大的1％～5％及最小的1％～5％的像元P₂；即若

满足：

或者

其中，β＝1％～5％，则认为像元r_i在该特征空间上的投影位置处于该特征空间的两端，代表像元r_i在特征空间中处于所有像元组成的数据云的边界位置，即其光谱具备特异性，挑选出所有满足上述条件的r_i，得到像元集P₂。

这样筛选出的像元既符合线性混合模型中端元处于特征空间中边界位置的光谱特性，也满足异常小目标光谱相比大多数背景光谱具备特异性的特点，可以有效筛选出疑似目标。

步骤三、对步骤一和步骤二得到的像元集取交集：

P_target＝P₁∩P₂

得到既与周围邻域具备差异性，又在光谱维度具有特殊性的疑似目标像元集P_target。

步骤四、提取疑似目标像元集中的背景像元集。

具体的，可以利用K-means算法对原高光谱图像进行聚类，得到m个区域，m大小通常为步骤二主成分分析中特征向量个数p的两倍，即m＝2p。首先从n个像元中任意选择m个像元作为初始聚类中心；对于剩下的其他像元，则根据它们与这些聚类中心的相似度(距离)，分别将每个像元分配给与其最相似的(聚类中心所代表的)聚类；然后再计算每个新聚类的聚类中心(该聚类中所有像元光谱的均值)；不断重复这一过程直到平方误差最小为止。平方误差设置如下：

其中θ_ij在像元x_i被归类到聚类j的时候为1，否则为0，μ_j代表聚类j的聚类中心光谱。

借助K-means得到m个区域，m大小通常为步骤二主成分分析中特征向量个数p的两倍，即m＝2p。每个区域由光谱相似的像元组成，可以表示为

将该区域的所有像元光谱做平均，得到可以代表该区域光谱特性的代表光谱M_l，l＝1,2,...,m。

其中，n_l代表第l个区域内的像元个数。R_l(i)代表第l个区域的第i条光谱。

步骤五、利用正交子空间投影(OSP)算法，对步骤四得到的各个区域代表光谱进行投影选择，筛选出彼此最正交的c条代表光谱，保留其所代表的c个区域，作为背景像元集。

具体的，依据以下投影规则，从所有代表光谱中选择c个最正交的光谱，其中，c大小的设定通常满足p≤c≤m。c条最正交的代表光谱所代表的区域则为背景区域。

选取过程如下：

首先选取第一个区域，第一个区域B₁是代表光谱最为紧凑的区域，可由下式求得：

B₁＝R_num1

获得第一个区域后，记录该区域代表光谱U₁＝[M₁]，然后利用正交子空间投影算子对m个区域的所有代表光谱进行投影，选择具有最大投影值的区域作为第二个区域：

B₂＝R_num2

I代表单位矩阵，更新U₂＝[M₁,M₂]，重复以上过程，每次添加一个新的区域：

B_j＝R_numj

直到选择区域的个数满足设定的数目c，得到

即为背景区域像元集。

步骤六、将步骤三得到的疑似目标像元集P_target和步骤五得到的背景区域像元集

取并集：

得到预处理后的高光谱数据。

然后就可以对预处理后的高光谱图像继续进行解混步骤，获得目标(包括异常小目标)。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种针对异常小目标解混的高光谱图像预处理方法，其特征在于，包括如下步骤：

步骤1，提取疑似目标的像元：

步骤1.1，从空间维度提取疑似目标的像元：

对高光谱图像进行滑窗处理，分别计算滑窗中中心像元与其他邻域像元之间的相似性程度，并根据邻域像元与中心像元之间的距离，设定该邻域像元与中心像元相似性程度的权重；以中心像元与滑窗内所有领域像元的相似性程度的加权和作为该中心像元的空间特异程度值；移动滑窗，得到高光谱图像中所有像元的空间特异程度值；提取空间特异程度值大于或等于设定的阈值A的像元，组成疑似目标像元集P₁；

步骤1.2，从特征维度提取疑似目标的像元：

对高光谱图像进行主成分分析，得到特征空间矩阵；将高光谱图像中的所有像元分别投影到特征空间上，提取所有投影值中最大的1％～5％及最小的1％～5％的像元，组成疑似目标像元集P₂；

步骤1.3，取P₁和P₂的交集，得到疑似目标的像元集P_target；

步骤2，提取背景像元：

步骤2.1，采用K-means算法对高光谱图像进行聚类，得到m个区域以及各区域的代表光谱；

步骤2.2，采用正交子空间投影算法，从步骤2.1获得的m个区域代表光谱中挑选出c个彼此最正交的区域代表光谱；所述c个彼此最正交的区域代表光谱所对应的区域的像元即组成背景像元集；

步骤3，取步骤1获得的疑似目标的像元集和步骤2获得的背景像元集的并集，即为预处理后的高光谱像元。

2.如权利要求1所述的针对异常小目标解混的高光谱图像预处理方法，其特征在于，所述步骤1.1中，对中心像元的空间特异程度进行修正，中心像元r(i,j)的空间特异程度值ρ(i,j)为：

其中，α(i,j)为中心像元r(i,j)与滑窗内所有领域像元的相似性程度的加权和。

3.如权利要求1所述的针对异常小目标解混的高光谱图像预处理方法，其特征在于，所述阈值A为：

A＝max_spatial-(max_spatial-min_spatial)×α

其中，α＝5％～10％，max_spatial和min_spatial分别为高光谱图像中所有像元的空间特异程度值中的最大值和最小值。

4.如权利要求1所述的针对异常小目标解混的高光谱图像预处理方法，其特征在于，所述步骤1.2中，挑选高光谱图像像元r_i在特征空间的投影

满足下式的像元组成疑似目标像元集P₂：

或者

其中，β＝1％～5％，max_project和min_project分别为所有投影值中的最大值和最小值。

5.如权利要求1所述的针对异常小目标解混的高光谱图像预处理方法，其特征在于，所述步骤2.1中，m＝2p，其中，p为步骤1.2主成分分析中根据场景复杂程度设定的特征向量数。

Images