CN109785305B - 一种端元可变的高光谱图像光谱混合分析方法及装置 - Google Patents

一种端元可变的高光谱图像光谱混合分析方法及装置 Download PDF

Info

Publication number
CN109785305B
CN109785305B CN201811653236.XA CN201811653236A CN109785305B CN 109785305 B CN109785305 B CN 109785305B CN 201811653236 A CN201811653236 A CN 201811653236A CN 109785305 B CN109785305 B CN 109785305B
Authority
CN
China
Prior art keywords
spectrum
pixel
end member
analysis
abundance
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
Application number
CN201811653236.XA
Other languages
English (en)
Other versions
CN109785305A (zh
Inventor
陆海强
吕勤
王金跃
赵扉
周强
孙伟
厉小润
郭振
范炜杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Zhejiang University ZJU
Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, Jiaxing Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Zhejiang University ZJU
Priority to CN201811653236.XA priority Critical patent/CN109785305B/zh
Publication of CN109785305A publication Critical patent/CN109785305A/zh
Application granted granted Critical
Publication of CN109785305B publication Critical patent/CN109785305B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及高光谱遥感图像处理领域，公开了一种端元可变的高光谱图像光谱混合分析方法。首先利用微分光谱计算光谱形状稳定性指数，选择波段子集，求各类端元特征光谱；然后，基于类端元特征光谱对像元进行光谱混合分析预确定像元内地物类别；最后，基于枚举法或迭代光谱混合分析，利用像元内所含地物的可变端元法对各混合像元进行精细光谱混合分析。像元内地物类别预确定后结合光谱混合分析精度比较高的枚举法或迭代光谱混合分析法，可以降低光谱混合分析总体时间复杂度，同时提高其精度。因此，本发明提出的端元可变高光谱图像光谱混合分析方法能够提高光谱混合分析的效率。本发明还提供了一种端元可变的高光谱图像光谱混合分析装置。

Description

一种端元可变的高光谱图像光谱混合分析方法及装置
技术领域
本发明涉及图像处理领域，尤其涉及一种端元可变的高光谱图像光谱混合分析方法及装置。
背景技术
随着定量化研究的不断深入，高光谱遥感技术以其光谱分辨率较高的特点受到国内外的广泛关注，在地质制图、植被调查、海洋遥感、农业遥感、大气研究和环境监测，以及城市应用等方面的研究中取得了引人注目的成果，已经成为当前遥感的一个重要发展方向。由于空间分辨率的限制，高光谱图像中混合像元普遍存在，光谱混合分析作为高光谱的一种预处理手段，是实现地物精确分类和识别的重要前提，对发挥高光谱图像在社会经济和国防建设方面的效益有着重要的现实意义。
国内外众多学者对光谱混合分析做了大量研究，提出了各种有效的方法，其中大多数方法都是基于固定的端元集进行光谱混合分析，即图像中每种地物的纯像元光谱是唯一的。由于地物的复杂多样性和成像条件的影响，高光谱图像“同物异谱”和“异物同谱”现象普遍存在，同一种地物的纯像元光谱不一定完全相同，导致对所有像元用固定的端元集解混精度不高。考虑端元可变性的光谱混合分析是提高高光谱解混精度的关键技术。
目前光谱可变的光谱混合分析中应用最广泛的是Roberts等人提出的MESMA(Multiple Endmember Spectral MixtureAnalysis)方法，该方法需要穷尽所有端元组合，随着可变端元数增多，计算量将变得十分巨大。为了降低计算量，后人在MESMA基础上提出了ISMA(Iterative Spectral Mixture Analysis)方法和HMESMA(Hierarchical MultipleEndmember Spectral Mixture Analysis)方法。ISMA算法的基本原理是以所有地物的所有可变端元构成一个大的初始端元集，对每个像元，通过迭代剔除丰度最小的端元生成候选端元集，再根据重构误差变化量确定最优端元集解混相应的像元。HMESMA算法的基本原理是以所有地物的所有可变端元构成一个大的初始端元集，对每个像元，根据每类端元的最大丰度选择单端元构成其初始单端元集，进而根据解混误差变化量再分层确定最优端元集。对于包含m种地物的场景，这两种算法都是假设所有像元内可能包含的地物种类数为1到m，通过迭代确定像元内实际包含的地物数及最优端元组合。实际场景中，大多数像元内只含一种或少数几种地物，因此，这两种算法仍然包含一些不必要的丰度求解计算，当地物种类比较多时，计算量仍然比较大。
发明内容
针对现有技术中的不足，本发明的目的是提供一种端元可变的高光谱图像光谱混合分析方法，通过预确定像元混合特性及混合像元地物组成，再结合解混精度比较高的MESMA方法或IMSA方法，避免一些不必要的丰度求解运算的同时提高解混效率，有效克服光谱可变性对光谱混合分析结果的影响。
下面介绍与本发明相关的一些基本变量。
考虑端元可变性，每类地物含多个端元，构成一个端元子集。设m种地物，光谱波段数为L，ni为第i类地物类内端元光谱数，总的端元数
Figure GDA0002730540470000021
第i类端元子集为
Figure GDA0002730540470000022
丰度子集为
Figure GDA0002730540470000023
其中eij表示第i类地物内的第j条光谱，aij为其相应丰度。
为实现上述目的，本发明提供了如下技术方案：
1.一种端元可变的高光谱图像光谱混合分析方法，其特征在于包括以下4个步骤：
步骤1、计算光谱形状稳定性指数，选择光谱形状稳定的波段子集；所述的选择光谱形状稳定的波段子集包括：
1-1.计算每个端元的微分光谱；
1-2.利用所述微分光谱计算各波段光谱形状稳定性指数；
1-3.求所述光谱形状稳定性指数直方图，确定一个阈值；
1-4.选择光谱形状稳定性指数小于阈值的波段，构成波段子集；
所述的步骤1-1的端元的微分光谱计算公式为
Figure GDA0002730540470000024
其中
Figure GDA0002730540470000031
为端元eij的微分光谱，eij表示第i类地物的第j条光谱，i＝1,2,…m，j＝1,2,…ni，m为地物类别数，ni为第i类地物类内端元光谱数，L为光谱波段数；
所述的步骤1-2的光谱形状稳定性指数计算公式为
Figure GDA0002730540470000032
其中Emean,z,i和Emean,j,i为分别为第z类和第j类端元的第i个波段微分光谱值的均值，σz,i和σj,i为第z类和第j类端元第i波段微分光谱值的标准差；
所述光谱形状稳定是指同类地物的可变端元光谱形状相似，且不同类地物的端元光谱形状差异明显；
步骤2、计算类端元特征光谱，所述类端元特征光谱是指某类地物的所有可变端元光谱的平均光谱中波段子集对应的部分光谱，其计算过程为：分别计算每类端元集的平均光谱曲线，从各平均光谱曲线中选波段子集对应的波段，作为各类端元特征光谱；
步骤3、根据所选的波段子集，利用各类端元特征光谱对像元进行初步光谱混合分析，快速判定纯像元和混合像元及各像元内所含地物；
步骤4、对每个混合像元，基于像元内所含地物对像元进行精细光谱混合分析。
进一步地，步骤3所述的根据所选的波段子集，利用各类端元特征光谱对像元进行初步光谱混合分析，快速判定纯像元和混合像元及各像元内混合地物包括：
3-1.根据选择的波段子集，用各类端元特征光谱对每个像元进行非负约束
丰度求解；
3-2.对每个像元x，其丰度值大于0的px种地物为该像元内所含地物，如果一个像元内只含一种地物，则该像元为纯像元，置其纯像元标志为1，否则该像
元为混合像元，置其纯像元标志为0；
所述非负约束丰度求解方法采用非负约束的最小二乘法、非负约束的核最小二乘法或渐近波段处理的非负最小二乘法。
进一步地，步骤4的每个所述混合像元，基于像元内所含地物对像元进行精细光谱混合分析采用枚举法，所述的枚举法包括如下步骤：
(1)从混合像元内所含各地物的可变端元束中分别选一个端元，构成该像元所有的端元子集；
(2)用各端元子集分别对像元进行全约束光谱混合分析，并计算重构误差；
(3)选择重构误差最小的端元子集，其相应丰度为像元的光谱混合分析结果；
所述非负约束丰度求解方法采用非负约束的最小二乘法、非负约束的核最小二乘法或渐近波段处理的非负最小二乘法。
进一步地，步骤4所述的对每个混合像元，基于像元内所含地物对像元进行精细光谱混合分析采用迭代光谱混合分析法，所述的迭代光谱混合分析法包括如下步骤：
(1)混合像元x内所含px类地物的端元构成扩展端元集
Figure GDA0002730540470000041
(2)用所述扩展端元集
Figure GDA0002730540470000042
对像元x进行全约束丰度求解；
(3)从像元x内所含每类地物的可变端元集分别选取丰度最大的端元，构成像元的初始端元集
Figure GDA0002730540470000043
初始化迭代次数t＝1；
(4)用
Figure GDA0002730540470000044
对像元x全约束丰度求解，得到丰度
Figure GDA0002730540470000045
并计算重构误差rt；
(5)从
Figure GDA0002730540470000046
中去除丰度最小的端元，得到端元子集
Figure GDA0002730540470000047
更新t＝t+1；
(6)重复步骤(4)和(5)，直到端元数为1；
(7)根据像元x的重构误差变化量，确定最优端元子集，其相应丰度为像元的光谱混合分析结果；
所述全约束丰度求解方法采用全约束最小二乘法、全约束核最小二乘法或渐近波段处理的全约束最小二乘法。
进一步地，所述的重构误差变化量计算公式为：
Δrt＝|rt+1-rt|/rt。
进一步地，本申请还公开了一种端元可变高光谱图像光谱混合分析装置，包括
波段选择模块，用于选择异类端元形状差异明显而同类端元形状相似性高的稳定波段子集；
类端元特征光谱计算模块，用于计算每类端元的平均光谱曲线，并从中选择波段子集对应的波段，得到各类端元特征光谱；
像元内地物类别预确定模块，用各类端元特征光谱对像元进行初步光谱混合分析，判定混合像元内地物组成，同时筛选纯像元；
混合像元精细光谱混合分析模块，用于精确求取混合像元内所含地物的丰度；
亚像元定位模块，用于根据光谱混合分析结果，实现混合像元内地物的具体空间分布。
进一步地，所述装置还包括应用模块，所述应用模块使用光谱混合分析结果来进行高光谱图像亚像元定位。
进一步地，所述的波段选择模块具体步骤包括：
(1)计算每个端元光谱的微分光谱
Figure GDA0002730540470000051
其中
Figure GDA0002730540470000052
为端元eij的微分光谱，eij表示第i类地物的第j条光谱，m为地物类别数，ni为第i类地物类内端元光谱数，L为光谱波段数；
(2)利用所述微分光谱计算光谱形状稳定性指数
Figure GDA0002730540470000053
(3)根据光谱形状稳定性指数直方图，确定一个阈值；
(4)选择光谱形状稳定性指数小于阈值的波段，构成波段子集；
其中Emean,z,i和Emean,j,i为分别为第z类和第j类端元的第i个波段微分光谱的均值，σz,i和σj,i为第z类和第j类端元第i波段微分光谱值的标准差，m为地物的种类数，L为光谱波段数。
进一步地，所述的混合像元精细光谱混合分析模块选用迭代光谱混合分析的具体步骤包括：
(1)混合像元x内所含px类地物的端元构成扩展端元集
Figure GDA0002730540470000054
(2)用所述扩展端元集
Figure GDA0002730540470000055
对像元x进行全约束丰度求解；
(3)从像元x内所含每类地物的可变端元集分别选取丰度最大的端元，构成像元的初始端元集
Figure GDA0002730540470000056
初始化迭代次数t＝1；
(4)用
Figure GDA0002730540470000057
对像元x全约束丰度求解，得到
Figure GDA0002730540470000058
并计算重构误差rt；
(5)从
Figure GDA0002730540470000059
中去除丰度最小的端元，得到端元子集
Figure GDA00027305404700000510
更新t＝t+1；
(6)重复步骤(4)和(5)，直到
Figure GDA0002730540470000061
中端元数为1；
(7)
Figure GDA0002730540470000062
其中L为光谱波段数；
(8)计算重构误差变化量Δrt＝|rt+1-rt|/rt，t＝1,2,…px-1，根据重构误差变化量，确定最优端元子集，其相应丰度为像元的光谱混合分析结果。
本发明的有益效果在于：
针对现有技术中对所有像元用同样的方法进行光谱混合分析导致运算量大的问题，本发明提出像元混合特性及像元内地物类别预确定，可以降低光谱混合分析总体时间复杂度同时提高其精度；
本发明提出利用微分光谱计算光谱形状稳定性指数选择波段后的平均端元光谱进行光谱混合分析可以提高像元内地物类别确定的准确性；
本发明提出结合枚举法或迭代光谱混合分析法进行精细光谱混合分析可以解决像元内地物类别预确定可能引起的误差问题，进一步提高光谱混合分析精度。
附图说明
图1为本发明高光谱图像光谱混合分析方法实施例的基本步骤流程图。
图2为本发明高光谱图像光谱混合分析装置的结构示意图。
图3为真实地物类别标签图。
图4为6种地物的真实丰度分布图。
图5为USGS光谱库中6类地物的可变端元光谱曲线。
图6为仿真的高光谱图像
图7为根据步骤一得到的所选波段光谱曲线。
图8为经过光谱混合分析得到的丰度分布图。
图9为三种算法求得的丰度用于亚像元定位的结果。
图10是EE_FCLS、ISMA、MGP_ESMA和MGP_ISMA四种方法的丰度均方根误差及亚像元定位精度。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合具体的实施例详细说明本发明。下面描述了具体实施例以简化本发明。但是需要认识到，本发明不局限于所说明的实施例，并且在不脱离基本原理的前提下，本发明的各种修改是可能的，这些等价形式同样落于本申请所附权利要求书所限定的范围。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为所发明的高光谱图像光谱混合分析方法实施例的基本步骤流程图。如图2所示，为所发明的高光谱图像光谱混合分析装置的结构示意图。
输入：图像的N个像元xk，k＝1,2,…,N，第i类端元子集
Figure GDA0002730540470000071
Figure GDA0002730540470000072
其中m为地物的种类数，ni为第i类地物类内端元光谱数，总的端元数
Figure GDA0002730540470000073
Figure GDA0002730540470000074
用eij表示第i类地物内的第j条光谱，j＝1,2,…,ni，N，ni，m都为正整数；
步骤一：基于光谱形状稳定性指数选择波段子集。
(1)计算每个端元光谱的微分光谱
Figure GDA0002730540470000075
其中
Figure GDA0002730540470000076
为端元eij的微分光谱，eij表示第i类地物的第j条光谱，i＝1,2,…m，j＝1,2,…ni，m为地物类别数，ni为第i类地物类内端元光谱数，L为光谱波段数；
(2)计算各个波段的光谱形状稳定性指数
Figure GDA0002730540470000077
其中Emean,z,i和Emean,j,i为分别为第z类和第j类端元的第i个波段微分光谱的均值，σz,i和σj,i为第z类和第j类端元第i波段微分光谱值的标准差。
(3)求光谱形状稳定性指数直方图hist(SSI)，根据直方图设定SSI的阈值T。
(4)求波段子集B＝∪{i}，其中i∈{1,2,…L-1}，并且SSIi＜T。
步骤二：计算类端元特征光谱
求每类端元的平均光谱
Figure GDA0002730540470000078
根据波段子集B从
Figure GDA0002730540470000079
中取部分数据构成端元特征光谱
Figure GDA00027305404700000710
步骤三：用类端元特征光谱对像元进行光谱混合分析，确定像元内所含地物对每个像元xk，k＝1,2,…N，N为像元个数；
各类端元特征光谱
Figure GDA00027305404700000711
按列向量扩展构成特征光谱矩阵
Figure GDA00027305404700000712
对像元xk的子集xk(B)非负约束求丰度ak＝[ak1,ak2,…,akm]；
求xk内含地物类别索引矩阵Ik：如果akj>0，则Ik＝[Ik,j]；
如果Ik中只有一个元素，则Flagk＝1，ak＝0,akIk＝1；否则Flagk＝0；
非负约束丰度求解选用非负约束的最小二乘法，可用matlab函数lsqnonneg实现。
步骤四：对每个混合像元，基于像元内混合地物对像元进行精细光谱混合分析。
(1)对于Flagk＝0的混合像元xk，计算索引矩阵Ik元素个数pk，从所有地物的可变端元集中选pk种地物可变端元集
Figure GDA0002730540470000081
并合并为扩展端元集
Figure GDA0002730540470000082
(2)用所述扩展端元集
Figure GDA0002730540470000083
对像元xk进行全约束丰度求解，
Figure GDA0002730540470000084
(3)从像元xk内所含每类地物的可变端元集分别选取丰度最大的端元，构成像元的初始端元集
Figure GDA0002730540470000085
即:
Figure GDA0002730540470000086
(4)初始化迭代次数t＝1；
(5)用
Figure GDA0002730540470000087
对像元xk全约束丰度求解，得到
Figure GDA0002730540470000088
并计算重构误差
Figure GDA0002730540470000089
(6)令
Figure GDA00027305404700000810
从
Figure GDA00027305404700000811
中去除第q个端元，得到端元子集
Figure GDA00027305404700000812
更新t＝t+1；
(7)重复步骤(5)和(6)，直到
Figure GDA00027305404700000813
中端元数为1；
(8)
Figure GDA00027305404700000814
(9)计算重构误差变化量Δrt＝|rt+1-rt|/rt，t＝1,2,…pk-1，根据重构误差变化量，确定最优端元子集，其相应丰度为像元的光谱混合分析结果。
全约束丰度求解选用全约束最小二乘方法。已知含k个端元的矩阵M和像元r，记
Figure GDA00027305404700000815
1T＝(1,1,...1)，
Figure GDA00027305404700000816
全约束最小二乘求丰度的步骤如下：
(1)初始化P(0)＝{1,2,...,k}，
Figure GDA00027305404700000817
并令迭代次数t＝0；
(2)计算
Figure GDA00027305404700000818
并令Scls＝Sls；
(3)假如Scls的全部分量值全部是非负的，则停止迭代；否则，t＝t+1；
(4)将集合P(t-1)中与Scls负分量对应的元素移到集合R(t-1)中，得到新的索引集合P(t)与R(t)，并建立了另一个新集合N(t)＝P(t)；
(5)从Scls中取出下标和N(t)中的元素相等的值，记作
Figure GDA0002730540470000091
Figure GDA0002730540470000092
中删除所有行号或列号为P(t)中元素的行与列，得到新的矩阵
Figure GDA0002730540470000093
(6)计算
Figure GDA0002730540470000094
如果λ(t)的分量值全部为负值，则直接跳转到步骤(10)；
(7)求
Figure GDA0002730540470000095
记
Figure GDA0002730540470000096
在λ(t)中的序号为q，将R(t)中第q个元素移到集合P(t)；
(8)删除
Figure GDA0002730540470000097
中列号为P(t)中元素的所有列，得到一个新的矩阵
Figure GDA0002730540470000098
并计算
Figure GDA0002730540470000099
(9)将集合P(t)中与
Figure GDA00027305404700000910
负分量对应的元素移到集合R(t)中，跳转到步骤(5)；
(10)删除
Figure GDA00027305404700000911
中列号为P(t)中元素的所有列，得到一个新的矩阵
Figure GDA00027305404700000912
(11)计算
Figure GDA00027305404700000913
的值，跳转到步骤(3)。
下面以仿真高光谱图像为例说明具体的实施方式。
采用印第安树高光谱图像的真实标签和从USGS光谱库中的光谱数据用于图像仿真。截取(1:60,70:144)大小的标签图像，如图3所示，按3×3比例缩小构造混合比例，得多图4所示的真实丰度分布图；从USGS光谱库中选择6类地物光谱，每类地物取3条光谱数据构成端元集，如图5所示；从每类端元中随机取一个端元构成端元矩阵，并按照混合比例仿真一个像元，重复此过程，完成所有像元数据仿真；最后，加30db的噪声，得到如图6所示的高光谱图像。
根据实施例步骤一，得到图7所示的所选波段光谱曲线图。图8为最后得到的结果丰度分布图。为进一步验证本发明专利的应用效果，将本专利方法和其他方法得到的结果丰度用于亚像元定位。便于描述，将直接用所有端元集全约束求丰度进行光谱混合分析的方法记为EE_FCLS，将本专利提出的混合地物类别预确定结合枚举光谱混合分析的算法记为MGP_ESMA(Emulative Spectral MixtureAnalysis after Mixed GroundPredetermined)，把本专利提出的混合地物类别预确定结合迭代光谱混合分析的算法记为MGP_ISMA(Iterated Spectral Mixture Analysis after Mixed GroundPredetermined)，图9为EE_FCLS、MGP_ESMA和MGP_ISMA三种方法求得的丰度用于亚像元定位的结果，图10为EE_FCLS、ISMA、MGP_ESMA和MGP_ISMA四种方法的丰度均方根误差及亚像元定位精度。
图7-9和图10的结果表明：(1)基于光谱形状稳定性指数选择的波段可以满足保持同类端元形状相似和不同类端元光谱差异的要求；(2)混合地物类别预确定可以提高光谱混合分析精度；(3)MGP_ESMA精度最高但耗时最长，MGP_ISMA可以同时提高精度和降低时间复杂度，因此性能最好。

Claims (9)

1.一种端元可变的高光谱图像光谱混合分析方法，其特征在于包括以下4个步骤：
步骤1、计算光谱形状稳定性指数，选择光谱形状稳定的波段子集；所述的选择光谱形状稳定的波段子集包括：
1-1.计算每个端元的微分光谱；
1-2.利用所述微分光谱计算各波段光谱形状稳定性指数；
1-3.求所述光谱形状稳定性指数直方图，确定一个阈值；
1-4.选择光谱形状稳定性指数小于阈值的波段，构成波段子集；
所述的步骤1-1的端元的微分光谱计算公式为
Figure FDA0002730540460000011
其中
Figure FDA0002730540460000012
为端元eij的微分光谱，eij表示第i类地物的第j条光谱，i＝1，2，...m，j＝1，2，...ni，m为地物类别数，ni为第i类地物类内端元光谱数，L为光谱波段数；
所述的步骤1-2的光谱形状稳定性指数计算公式为
Figure FDA0002730540460000013
其中Emean，z，i和Emean，j，i为分别为第z类和第j类端元的第i个波段微分光谱值的均值，σz，i和σj，i为第z类和第j类端元第i波段微分光谱值的标准差；
所述光谱形状稳定是指同类地物的可变端元光谱形状相似，且不同类地物的端元光谱形状差异明显；
步骤2、计算类端元特征光谱，所述类端元特征光谱是指某类地物的所有可变端元光谱的平均光谱中波段子集对应的部分光谱，其计算过程为：分别计算每类端元集的平均光谱曲线，从各平均光谱曲线中选波段子集对应的波段，作为各类端元特征光谱；
步骤3、根据所选的波段子集，利用各类端元特征光谱对像元进行初步光谱混合分析，快速判定纯像元和混合像元及各像元内所含地物；
步骤4、对每个混合像元，基于像元内所含地物对像元进行精细光谱混合分析。
2.如权利要求1所述的端元可变高光谱图像光谱混合分析方法，其特征在于，步骤3所述的根据所选的波段子集，利用各类端元特征光谱对像元进行初步光谱混合分析，快速判定纯像元和混合像元及各像元内混合地物包括：
3-1.根据选择的波段子集，用各类端元特征光谱对每个像元进行非负约束丰度求解；
3-2.对每个像元x，其丰度值大于0的px种地物为该像元内所含地物，如果一个像元内只含一种地物，则该像元为纯像元，置其纯像元标志为1，否则该像元为混合像元，置其纯像元标志为0；
所述非负约束丰度求解方法采用非负约束的最小二乘法、非负约束的核最小二乘法或渐近波段处理的非负最小二乘法。
3.如权利要求2所述的端元可变高光谱图像光谱混合分析方法，其特征在于，步骤4的每个所述混合像元，基于像元内所含地物对像元进行精细光谱混合分析采用枚举法，所述的枚举法包括如下步骤：
(1)从混合像元内所含各地物的可变端元束中分别选一个端元，构成该像元所有的端元子集；
(2)用各端元子集分别对像元进行全约束光谱混合分析，并计算重构误差；
(3)选择重构误差最小的端元子集，其相应丰度为像元的光谱混合分析结果；
所述非负约束丰度求解方法采用非负约束的最小二乘法、非负约束的核最小二乘法或渐近波段处理的非负最小二乘法。
4.如权利要求1所述的端元可变高光谱图像光谱混合分析方法，其特征在于，步骤4所述的对每个混合像元，基于像元内所含地物对像元进行精细光谱混合分析采用迭代光谱混合分析法，所述的迭代光谱混合分析法包括如下步骤：
(1)混合像元x内所含px类地物的端元构成扩展端元集
Figure FDA0002730540460000021
(2)用所述扩展端元集
Figure FDA0002730540460000022
对像元x进行全约束丰度求解；
(3)从像元x内所含每类地物的可变端元集分别选取丰度最大的端元，构成像元的初始端元集
Figure FDA0002730540460000023
初始化迭代次数t＝1；
(4)用
Figure FDA0002730540460000024
对像元x全约束丰度求解，得到丰度
Figure FDA0002730540460000025
并计算重构误差rt；
(5)从
Figure FDA0002730540460000026
中去除丰度最小的端元，得到端元子集
Figure FDA0002730540460000027
更新t＝t+1；
(6)重复步骤(4)和(5)，直到端元数为1；
(7)根据像元x的重构误差变化量，确定最优端元子集，其相应丰度为像元的光谱混合分析结果；
所述全约束丰度求解方法采用全约束最小二乘法、全约束核最小二乘法或渐近波段处理的全约束最小二乘法。
5.如权利要求4所述的端元可变高光谱图像光谱混合分析方法，其特征在于，所述的重构误差变化量计算公式为：
Δrt＝|rt+1-rt|/rt。
6.一种端元可变高光谱图像光谱混合分析装置，其特征在于，包括
波段选择模块，用于选择异类端元形状差异明显而同类端元形状相似性高的稳定波段子集；
类端元特征光谱计算模块，用于计算每类端元的平均光谱曲线，并从中选择波段子集对应的波段，得到各类端元特征光谱；
像元内地物类别预确定模块，用各类端元特征光谱对像元进行初步光谱混合分析，判定混合像元内地物组成，同时筛选纯像元；
混合像元精细光谱混合分析模块，用于精确求取混合像元内所含地物的丰度；
亚像元定位模块，用于根据光谱混合分析结果，实现混合像元内地物的具体空间分布。
7.根据权利要求6所述的端元可变高光谱图像光谱混合分析装置，其特征在于，所述装置还包括应用模块，所述应用模块使用光谱混合分析结果来进行高光谱图像亚像元定位。
8.根据权利要求6所述的端元可变高光谱图像光谱混合分析装置，其特征在于，所述的波段选择模块具体步骤包括：
(1)计算每个端元光谱的微分光谱
Figure FDA0002730540460000031
其中
Figure DEST_PATH_IMAGE002
为端元eij的微分光谱，eij表示第i类地物的第j条光谱，m为地物类别数，ni为第i类地物类内端元光谱数，L为光谱波段数；
(2)利用所述微分光谱计算光谱形状稳定性指数
Figure FDA0002730540460000041
(3)根据光谱形状稳定性指数直方图，确定一个阈值；
(4)选择光谱形状稳定性指数小于阈值的波段，构成波段子集；
其中Emean，z，i和Emean，j，i为分别为第z类和第j类端元的第i个波段微分光谱的均值，σz，i和σj，i为第z类和第j类端元第i波段微分光谱值的标准差，m为地物的种类数，L为光谱波段数。
9.根据权利要求6所述的端元可变高光谱图像光谱混合分析装置，其特征在于，所述的混合像元精细光谱混合分析模块选用迭代光谱混合分析的具体步骤包括：
(1)混合像元x内所含px类地物的端元构成扩展端元集
Figure FDA0002730540460000042
(2)用所述扩展端元集
Figure FDA0002730540460000043
对像元x进行全约束丰度求解；
(3)从像元x内所含每类地物的可变端元集分别选取丰度最大的端元，构成像元的初始端元集
Figure FDA0002730540460000044
初始化迭代次数t＝1；
(4)用
Figure FDA0002730540460000045
对像元x全约束丰度求解，得到
Figure FDA0002730540460000046
并计算重构误差rt；
(5)从
Figure FDA0002730540460000047
中去除丰度最小的端元，得到端元子集
Figure FDA0002730540460000048
更新t＝t+1；
(6)重复步骤(4)和(5)，直到
Figure FDA0002730540460000049
中端元数为1；
(7)
Figure FDA00027305404600000410
其中L为光谱波段数；
(8)计算重构误差变化量Δrt＝|rt+1-rt|/rt，t＝1，2，...px-1，根据重构误差变化量，确定最优端元子集，其相应丰度为像元的光谱混合分析结果。
CN201811653236.XA 2018-12-28 2018-12-28 一种端元可变的高光谱图像光谱混合分析方法及装置 Active CN109785305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811653236.XA CN109785305B (zh) 2018-12-28 2018-12-28 一种端元可变的高光谱图像光谱混合分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811653236.XA CN109785305B (zh) 2018-12-28 2018-12-28 一种端元可变的高光谱图像光谱混合分析方法及装置

Publications (2)

Publication Number Publication Date
CN109785305A CN109785305A (zh) 2019-05-21
CN109785305B true CN109785305B (zh) 2021-01-12

Family

ID=66499596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811653236.XA Active CN109785305B (zh) 2018-12-28 2018-12-28 一种端元可变的高光谱图像光谱混合分析方法及装置

Country Status (1)

Country Link
CN (1) CN109785305B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767807B (zh) * 2020-06-16 2021-07-20 宁波大学 一种协同波段选择与端元提取的高光谱滨海湿地光谱解混方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952499B1 (en) * 1998-10-19 2005-10-04 The United States Of America As Represented By The Secretary Of The Air Force Aspire (autonomous spatial pattern identification and recognition algorithm)
CN103208118A (zh) * 2013-03-25 2013-07-17 河海大学 一种高光谱遥感影像端元提取方法
CN103310230A (zh) * 2013-06-17 2013-09-18 西北工业大学 联合解混及自适应端元提取的高光谱图像分类方法
CN103617424A (zh) * 2013-11-25 2014-03-05 华中科技大学 一种高光谱图像端元个数自动估计的端元提取方法
CN106778680A (zh) * 2017-01-06 2017-05-31 杭州电子科技大学 一种基于关键波段提取的高光谱图像波段选择方法及装置
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10094713B2 (en) * 2015-04-22 2018-10-09 The Boeing Company Hyperspectral demixing using foveated compressive projections

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6952499B1 (en) * 1998-10-19 2005-10-04 The United States Of America As Represented By The Secretary Of The Air Force Aspire (autonomous spatial pattern identification and recognition algorithm)
CN103208118A (zh) * 2013-03-25 2013-07-17 河海大学 一种高光谱遥感影像端元提取方法
CN103310230A (zh) * 2013-06-17 2013-09-18 西北工业大学 联合解混及自适应端元提取的高光谱图像分类方法
CN103617424A (zh) * 2013-11-25 2014-03-05 华中科技大学 一种高光谱图像端元个数自动估计的端元提取方法
CN106778680A (zh) * 2017-01-06 2017-05-31 杭州电子科技大学 一种基于关键波段提取的高光谱图像波段选择方法及装置
CN108389188A (zh) * 2018-01-30 2018-08-10 大庆师范学院 一种稀疏高光谱异常目标检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Geometry-Based Band Selection Approach for Hyperspectral Image;Wenqiang Zhang 等;《IEEE Transactions on Geoscience and Remote Sensing》;20180320;第56卷(第8期);第4318-4333页 *
Band Priority Index：A Feature Selection Framework for Hyperspectral Imagery;Wenqiang Zhang 等;《Remote Sensing》;20180710;第10卷(第7期);第1-19页 *
基于迭代光谱混合分析的高光谱图像解混技术研究;严义超;《中国优秀硕士学位论文全文数据库信息科技辑》;20140615;第I140-666页 *
高光谱遥感图像波段选择算法研究;周杨;《中国优秀硕士学位论文全文数据库信息科技辑》;20140715;第I140-495页 *

Also Published As

Publication number Publication date
CN109785305A (zh) 2019-05-21

Similar Documents

Publication Publication Date Title
CN110321963B (zh) 基于融合多尺度多维空谱特征的高光谱图像分类方法
CN108596248B (zh) 一种基于改进深度卷积神经网络的遥感影像分类方法
CN105046276B (zh) 基于低秩表示的高光谱图像波段选择方法
CN111199214B (zh) 一种残差网络多光谱图像地物分类方法
CN108460391B (zh) 基于生成对抗网络的高光谱图像无监督特征提取方法
CN103413151B (zh) 基于图正则低秩表示维数约简的高光谱图像分类方法
CN109615008B (zh) 基于堆叠宽度学习的高光谱图像分类方法和系统
CN108197650B (zh) 局部相似性保持的高光谱图像极限学习机聚类方法
CN108229551B (zh) 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法
CN106557579A (zh) 一种基于卷积神经网络的车辆型号检索系统及方法
CN105184314B (zh) 基于像素聚类的wrapper式高光谱波段选择方法
CN112949738B (zh) 基于eecnn算法的多类不平衡高光谱图像分类方法
CN102682441A (zh) 基于亚像元映射的高光谱图像超分辨重建方法
He et al. DsTer: A dense spectral transformer for remote sensing spectral super-resolution
CN112967210B (zh) 一种基于全卷积孪生网络的无人机图像去噪方法
Liu et al. An automatic extraction architecture of urban green space based on DeepLabv3plus semantic segmentation model
CN111914728A (zh) 高光谱遥感影像半监督分类方法、装置及存储介质
CN110991418A (zh) 合成孔径雷达目标图像识别方法及系统
CN113705580A (zh) 基于深度迁移学习的高光谱图像分类方法
CN115909052A (zh) 一种基于混合卷积神经网络的高光谱遥感图像分类方法
CN104751111A (zh) 识别视频中人体行为的方法和系统
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和系统
CN115331104A (zh) 一种基于卷积神经网络的农作物种植信息提取方法
CN113705641A (zh) 基于富上下文网络的高光谱图像分类方法
Li et al. An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification

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
TA01 Transfer of patent application right

Effective date of registration: 20200403

Address after: 314001 No. 99 Chengbei Road, Zhejiang City, Jiaxing Province

Applicant after: JIAXING POWER SUPPLY COMPANY OF STATE GRID ZHEJIANG ELECTRIC POWER Co.,Ltd.

Applicant after: ZHEJIANG University

Address before: Jiaxing City, Zhejiang province 314000 North Road No. 479

Applicant before: JIAXING HENGCHUANG ELECTRIC EQUIPMENT Co.,Ltd.

Applicant before: ZHEJIANG University

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant