CN109871774B - 一种基于局域相近像元的混合像元分解方法 - Google Patents

一种基于局域相近像元的混合像元分解方法 Download PDF

Info

Publication number
CN109871774B
CN109871774B CN201910058470.6A CN201910058470A CN109871774B CN 109871774 B CN109871774 B CN 109871774B CN 201910058470 A CN201910058470 A CN 201910058470A CN 109871774 B CN109871774 B CN 109871774B
Authority
CN
China
Prior art keywords
spectrum
pixel
processed
matrix
soil
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
CN201910058470.6A
Other languages
English (en)
Other versions
CN109871774A (zh
Inventor
刘娅
潘贤章
王昌昆
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.)
Institute of Soil Science of CAS
Original Assignee
Institute of Soil Science of CAS
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 Institute of Soil Science of CAS filed Critical Institute of Soil Science of CAS
Priority to CN201910058470.6A priority Critical patent/CN109871774B/zh
Publication of CN109871774A publication Critical patent/CN109871774A/zh
Application granted granted Critical
Publication of CN109871774B publication Critical patent/CN109871774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于局域相近像元的混合像元分解方法，以遥感影像数据为数据源，通过设定筛选规则，选择光谱组成相同的像元构建合理有效的混合光谱矩阵，并采用非负矩阵分解方法从混合光谱矩阵中分离土壤光谱和植被光谱，以提取土壤光谱信息，减弱植被覆盖等外部因素对土壤光谱信息的影响，从而提高土壤属性信息的遥感预测精度。本发明对提高土壤属性的现有遥感监测精度有重要意义，为实现土壤属性大面积、快速、精准制图和更新提供新的方法和思路，将进一步推动基于遥感技术获取土壤信息领域的发展。

Description

一种基于局域相近像元的混合像元分解方法
技术领域
本发明涉及一种基于局域相近像元的混合像元分解方法，属于遥感影像处理技术领域。
背景技术
近年来，精准农业和越来越多的生态环境模型都迫切需要更准更新的土壤属性信息，土壤属性信息的快速更新制图研究受到越来越多的关注。遥感技术以其覆盖面积大、更新速度快、光谱信息丰富以及经济等优势，受到国内外学者的青睐，因而被广泛应用于土壤属性制图研究中。但是在遥感技术的应用中，一些影响其预测精度及应用潜力的瓶颈问题尚未得到很好的解决。
遥感对地物的探测是以像元为单位，利用光子探测器或热探测器检测地物对特定波长(频率)的电磁波的作用结果。像元除了有一定的波谱参量外，还表征了地物的空间分布，即具有一定的面积。如果一个像元内仅包含一种地物，则这个像元称为典型像元。如果一个像元内包含几种地物，则称这种像元为混合像元。植被的出现改变了土壤整个波长范围内的光谱特征，尤其是红绿波段。稀疏植被覆盖即可导致地表混合像元出现，因探测器探测到的是土壤和植被的混合光谱信息，从而导致基于遥感技术的土壤属性预测精度降低，稀疏植被覆盖即可导致土壤含盐量、有机质和土壤粘粒含量等土壤属性的预测精度严重下降。因此，植被覆盖成为土壤属性遥感监测的主要限制因素之一，并引起越来越多学者的重视。如何消除植被覆盖等因素对土壤光谱的影响成为目前土壤属性遥感制图研究中亟需克服的瓶颈问题。
目前国内外学者解决植被覆盖对土壤属性遥感制图精度影响的问题主要有以下三种方法：第一，通过设定植被指数阈值将高植被覆盖区掩膜掉，不予考虑，或者仅对裸土区进行研究。上述做法必然导致植被覆盖区土壤信息的缺乏，且植被覆盖区定量化的预测误差往往是不可知的。在温带地区，农业用地常年被作物覆盖，且植被随时间和空间的不同呈现出极大的变异性，因此对农业生态系统土壤的研究被限制在仅有的几周，因为只有这几周能获取裸露土壤的遥感影像，然而，农业生产对土壤信息的需求往往是实时的。第二，有些学者利用植被生长状况可间接反映土壤属性信息这一原理，通过构建不同的植被指数来间接反映土壤属性信息。研究发现，归一化植被指数(Normalized DifferenceVegetation Index，NDVI)、光化学植被指数(Photochemical Reflectance Index,PRI)、红边位置(Red Edge Position,REP)、叶绿素归一化指数(Chlorophyll NormalizedDifference Index,Chl NDI)、改进的归一化植被指数(Modified NDVI)和土壤调节植被指数(Soil Adjusted Vegetation Index,SAVI)均与土壤属性信息有较高的相关性。由于上述指数均不是专门针对土壤属性预测而建立的，因此，并不适用于所有研究，研究结果也往往因人而异。利用植被指数预测植被覆盖区土壤属性受研究区位置及作物品种等因素影响很大，缺乏普适性和可移植性。第三，采用光谱分解法来去除或减弱植被对土壤光谱的干扰。该方法近几年才被提出，国内外鲜有报道。残余光谱分解算法(Residual SpectraUnmixing,RSU)首先被应用于土壤和植被混合光谱的分解中，但是RSU的实现有一前提条件，即事先要获取土壤和植被在混合像元中所占的比例，以及土壤和植被端元的光谱信息。然而，在实际应用中上述信息并不一定完全可知，无形中增加了工作量，降低了工作效率，因此，限制了RSU方法的使用范围及工作效率。又有研究者将盲源分离(BSS)技术引入混合光谱分解问题中，并在没有源信号及混合信号任何先验知识的前提下，采用BSS的经典算法之一——独立分量分析(Independent Component Analysis,ICA)将植被和土壤光谱分解，并利用所提取的土壤光谱信息建立土壤粘粒含量的预测模型。然而，ICA必须满足以下前提方可应用：源信号之间必须相互独立。另外，ICA分解后的光谱在各波段的取值范围有所改变，会有负值出现，需进一步处理才能加以应用。因此，上述问题限制了该算法在混合光谱信息分解领域的广泛应用。
发明内容
本发明所要解决的技术问题是提供一种基于局域相近像元的混合像元分解方法，能够减弱植被等外部因素对土壤光谱信息影像，有效提高土壤光谱获得的准确性。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于局域相近像元的混合像元分解方法，用于获得目标区域中的土壤光谱，包括如下步骤：
步骤A.获得目标区域的遥感影像数据，并根据遥感影像，获得目标区域中裸土端元的平均光谱，然后进入步骤B；
步骤B.采用预设大小的移动窗口选遥感影像中未被选择过的区域，作为当前待处理区域，然后进入步骤C；
步骤C.针对当前待处理区域，筛选获得其中与当前待处理区域中心像元相似光谱构成的像元，并构建当前待处理区域所对应的混合光谱矩阵，然后进入步骤D；
步骤D.采用非负矩阵分解算法，针对混合光谱矩阵进行求解，获得当前待处理区域所对应的源光谱矩阵，然后进入步骤E；
步骤E.根据目标区域中裸土端元的平均光谱，识别获得源光谱矩阵中的土壤光谱，即当前待处理区域中心像元所对应的土壤光谱，然后进入步骤F；
步骤F.判断遥感影像中是否存在未被选择过的区域，是则返回步骤B，否则进入步骤G；
步骤G.针对所获各个像元土壤光谱构建矩阵，即为目标区域中的土壤光谱矩阵。
作为本发明的一种优选技术方案：所述步骤C中，针对当前待处理区域，按如下步骤C1，筛选获得其中与当前待处理区域中心像元拥有相同对应光谱的各个像元；
步骤C1.采用光谱角匹配算法，分别获得当前待处理区域中各像元所对应光谱与中心像元所对应光谱之间的光谱角，并选取其中小于预设光谱角阈值的各个光谱角，该各光谱角分别所对应的像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
作为本发明的一种优选技术方案：所述步骤C中还包括步骤C2如下，执行步骤C1中，选取其中小于预设光谱角阈值的各个光谱角分别所对应的像元，作为各个候选像元，然后执行步骤C2，获得其中与当前待处理区域中心像元相似光谱构成的像元；
步骤C2.获取各个候选像元分别所对应的归一化植被指数NDVI值，并按归一化植被指数NDVI值由大至小、或由小至大顺序，针对除中心像元以外的各个候选像元进行排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
作为本发明的一种优选技术方案：所述步骤C2中，若除中心像元以外的候选像元个数为奇数个，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的一个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元；
若除中心像元以外的候选像元个数为偶数个，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的两个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
作为本发明的一种优选技术方案，所述步骤C2中，按如下公式：
Figure BDA0001953354420000031
获取各个候选像元分别所对应的归一化植被指数NDVI值，其中，bNIR表示候选像元所对应光谱的近红外波段反射率，bred表示候选像元所对应光谱的红光波段反射率。
作为本发明的一种优选技术方案，所述步骤D中，采用非负矩阵分解算法，按如下公式：
E(W,H)＝||X-WH||2
以E(W,H)最小为目标，通过迭代，获得混合光谱矩阵X中的源光谱矩阵W，其中，H表示混合光谱矩阵X中的系数矩阵，E(W,H)表示维度与混合光谱矩阵X维度相同的残差矩阵。
作为本发明的一种优选技术方案，所述步骤E中，采用光谱角匹配算法，针对源光谱矩阵所包含的两条光谱，获得各条光谱分别与目标区域中裸土端元平均光谱之间的光谱角，其中小光谱角所对应的光谱为源光谱矩阵中的土壤光谱，即当前待处理区域所对应的土壤光谱。
作为本发明的一种优选技术方案，所述步骤C1中，采用光谱角匹配算法，按如下公式：
Figure BDA0001953354420000041
获得当前待处理区域中各像元所对应光谱分别与中心像元所对应光谱之间的光谱角θ1，其中，t1表示当前待处理区域中心像元所对应的光谱，r1表示当前待处理区域中其中一个像元所对应的光谱；
所述步骤E中，采用光谱角匹配算法，按如下公式：
Figure BDA0001953354420000042
针对源光谱矩阵所包含的两条光谱，获得各条光谱分别与目标区域中裸土端元平均光谱之间的光谱角θ2，其中，t2表示目标区域中裸土端元平均光谱，r2表示源光谱矩阵中其中一条光谱。
作为本发明的一种优选技术方案：所述步骤B中，采用预设尺寸的移动窗口，通过移动窗口沿横向、纵向依次滑动的方式，框选遥感数据图像中未被选择过的区域，作为当前待处理区域。
本发明所述一种基于局域临近像元的混合像元分解方法采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计一种基于局域临近像元的混合像元分解方法，采用非负矩阵分解算法，有效克服现有技术中植被覆盖导致遥感影像上混合像元、对土壤信息探测精度影响的问题，有效分解混合光谱矩阵，消除或减弱了植被对土壤光谱的干扰，并且在一定程度上可提高土壤属性基于遥感影像数据的预测精度，大大提高土壤属性制图效率和精度。
附图说明
图1是非负矩阵分解算法的执行示意图；
图2是像元、光谱和矩阵三种数据形式之间的关系示意图；
图3是混合光谱矩阵的构建流程图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于局域相近像元的混合像元分解方法，用于获得目标区域中的土壤光谱，实际应用当中，基于图2所示像元、光谱和矩阵三种数据形式之间的关系，具体包括如下步骤。
步骤A.获得目标区域的遥感影像数据，并根据遥感影像，获得目标区域中裸土端元的平均光谱，然后进入步骤B。
步骤B.采用预设尺寸w×w的移动窗口，通过移动窗口沿横向、纵向依次滑动的方式，选择遥感影像中未被选择过的区域，作为当前待处理区域，则当前待处理区域中的像元组成二维矩阵Y，其维数为n×w2，n表示为遥感数据图像的波段总数，然后进入步骤C。
步骤C.针对当前待处理区域，筛选获得其中与当前待处理区域中心像元相似光谱构成的像元，并构建当前待处理区域所对应的混合光谱矩阵X，然后进入步骤D。
实际应用中，上述步骤C，针对当前待处理区域，如图3所示，按如下步骤C1至步骤C2，筛选获得其中与当前待处理区域中心像元相似光谱构成的像元。
步骤C1.采用光谱角匹配算法，按如下公式：
Figure BDA0001953354420000051
分别获得当前待处理区域中各像元所对应光谱与中心像元所对应光谱之间的光谱角θ1，其中，t1表示当前待处理区域中心像元所对应的光谱，r1表示当前待处理区域中其中一个像元所对应的光谱；然后选取其中小于预设光谱角阈值的各个光谱角分别所对应的像元，作为各个候选像元，即针对二维矩阵Y进行上述处理，选取各个候选像元，组成二维矩阵Y1，记录其维数为n×a，然后进入步骤C2。
步骤C2.针对二维矩阵Y1，按如下公式：
Figure BDA0001953354420000061
获取各个候选像元分别所对应的归一化植被指数NDVI值，其中，bNIR表示候选像元所对应光谱的近红外波段反射率，bred表示候选像元所对应光谱的红光波段反射率。
然后按归一化植被指数NDVI值由大至小、或由小至大顺序，针对除中心像元以外的各个候选像元进行排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
步骤C2在实际应用中，对于除中心像元以外的候选像元个数还需分情况设计，其中，若除中心像元以外的候选像元个数为奇数个，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的一个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
若除中心像元以外的候选像元个数为偶数个，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的两个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
经过上述步骤C的操作，即获得混合光谱矩阵X，记录其维数为n×m。
步骤D.如图1所示，采用非负矩阵分解算法(NMF)，针对混合光谱矩阵进行求解，获得当前待处理区域中心像元所对应的源光谱矩阵，然后进入步骤E。
上述步骤D在实际应用中，采用非负矩阵分解算法，具体按如下公式：
E(W,H)＝||X-WH||2
以E(W,H)最小为目标，通过迭代，获得混合光谱矩阵X中的源光谱矩阵W，即当前待处理区域所对应的源光谱矩阵，其中，H表示混合光谱矩阵X中的系数矩阵，E(W,H)表示维度与混合光谱矩阵X维度相同的残差矩阵，即E(W,H)的维数同样为n×m。
非负矩阵分解算法(Non-negative matrix factorization,NMF)可有效分解土壤-植被的混合光谱，其实现无需源光谱相互独立，且分离后的数据仍为正值，分解后的土壤光谱可有效改善土壤属性的预测精度。
步骤E.根据目标区域中裸土端元的平均光谱，识别获得源光谱矩阵中的土壤光谱，即当前待处理区域中心像元所对应的土壤光谱，然后进入步骤F。
实际应用中，上述步骤E中，采用光谱角匹配算法，按如下公式：
Figure BDA0001953354420000071
针对源光谱矩阵所包含的两条光谱，获得各条光谱分别与目标区域中裸土端元平均光谱之间的光谱角θ2，其中，t2表示目标区域中裸土端元的平均光谱，r2表示源光谱矩阵中其中一条光谱；其中小光谱角所对应的光谱为源光谱矩阵中的土壤光谱，即当前待处理区域中心像元所对应的土壤光谱，而另一条光谱即为当前待处理区域中心像元所对应的植被光谱。
步骤F.判断遥感影像中是否存在未被选择过的区域，是则返回步骤B，否则进入步骤G。
步骤G.针对所获各个像元的土壤光谱构建矩阵，即为目标区域中的土壤光谱矩阵。
将上述所设计基于局域相邻像元的混合像元分解方法应用于实际当中，以遥感数据图像Landsat TM5，3×3的移动窗口为例进一步详细描述，但不作为对本发明的限定，具体按如下实现。
步骤A.Landsat TM5读入MATLAB，遥感数据图像大小为300×300×6，即300行×300列×6波段，并将其转换为一个90000×6的二维矩阵，并根据遥感数据图像，获得目标区域中裸土端元的平均光谱，然后进入步骤B。
步骤B.采用预设尺寸3×3的移动窗口，通过移动窗口沿横向、纵向依次滑动的方式，框选遥感数据图像中未被选择过的区域，作为当前待处理区域，则当前待处理区域中像元组成的二维矩阵Y如下，其维数为6×9，6表示为遥感数据图像的波段总数，然后进入步骤C。
Figure BDA0001953354420000072
步骤C.针对当前待处理区域中像元组成的二维矩阵Y，y0为中心像元，筛选获得其中与当前待处理区域中心像元y0相似光谱构成的像元，并构建当前待处理区域中心所对应的混合光谱矩阵，然后进入步骤D。
上述步骤C在实施例中具体如下：
步骤C1.针对当前待处理区域中像元组成的二维矩阵Y，采用光谱角匹配算法，分别计算y1…y8各像元所对应光谱分别与中心像元y0所对应光谱之间的光谱角；然后选取其中小于预设光谱角阈值10°的各个光谱角分别所对应的像元，作为各个候选像元，即针对二维矩阵Y进行上述处理，选取各个候选像元，组成二维矩阵Y1，记录其维数为6×a，然后进入步骤C2。
其中，对于预设光谱角阈值10°来说，当步骤C1中所计算光谱角大于或等于预设光谱角阈值10°时，即认为该光谱角所对应的像元与中心像元光谱差异大，即光谱构成差别较大，例如中心像元为有植被覆盖的土壤，而该像元为水体或者建筑。
步骤C2.针对二维矩阵Y1，按如下公式：
Figure BDA0001953354420000081
获取各个候选像元分别所对应的归一化植被指数NDVI值，其中，bNIR表示候选像元所对应光谱的近红外波段反射率，bred表示候选像元所对应光谱的红光波段反射率；其中，遥感数据图像Landsat TM5中第4波段为近红外波段，而第3波段为红光波段。
然后按归一化植被指数NDVI值由大至小、或由小至大顺序，针对除中心像元以外的各个候选像元进行排序，当a为奇数，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的一个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元；当a为偶数，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的两个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
经过上述步骤C的操作，即获得混合光谱矩阵X，记录其维数为6×m。
步骤D.采用非负矩阵分解算法，具体按如下公式：
E(W,H)＝||X-WH||2
以E(W,H)最小为目标，通过迭代，获得混合光谱矩阵X中的源光谱矩阵W，即当前待处理区域中心像元所对应的源光谱矩阵，然后进入步骤E；其中，H表示混合光谱矩阵X中的系数矩阵，E(W,H)表示维度与混合光谱矩阵X维度相同的残差矩阵，即E(W,H)的维数同样为6×m。
步骤E.所得源光谱矩阵W中包含两条光谱，一条为土壤光谱，另一条为土壤光谱，因此根据目标区域中裸土端元平均光谱，采用光谱角匹配算法，针对源光谱矩阵所包含的两条光谱，分别获得各条光谱与目标区域中裸土端元平均光谱之间的光谱角，其中小光谱角所对应的光谱为源光谱矩阵中的土壤光谱，即当前待处理区域中心像元所对应的土壤光谱，而另一条光谱即为当前待处理区域中心像元所对应的植被光谱，如此识别获得源光谱矩阵W中的土壤光谱，即当前待处理区域中心像元所对应的土壤光谱，然后进入步骤F。
步骤F.判断遥感影像中是否存在未被选择过的区域，是则返回步骤B，否则进入步骤G。
步骤G.针对所获各个像元的土壤光谱构建矩阵，即为目标区域中的土壤光谱矩阵。
上述所设计一种基于局域相近像元的混合像元分解方法，采用非负矩阵分解算法，有效克服现有技术中植被覆盖导致遥感影像上混合像元对土壤信息探测精度影响的问题，有效分解混合光谱矩阵，消除或减弱了植被对土壤光谱的干扰，并且在一定程度上可提高土壤属性基于遥感影像数据的预测精度，大大提高土壤属性制图的效率和精度。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种基于局域相近像元的混合像元分解方法，用于获得目标区域中的土壤光谱，其特征在于，包括如下步骤：
步骤A.获得目标区域的遥感影像数据，并根据遥感影像，获得目标区域中裸土端元的平均光谱，然后进入步骤B；
步骤B.采用预设大小的移动窗口选遥感影像中未被选择过的区域，作为当前待处理区域，然后进入步骤C；
步骤C.针对当前待处理区域，筛选获得其中与当前待处理区域中心像元相似光谱构成的像元，并构建当前待处理区域所对应的混合光谱矩阵，然后进入步骤D；
步骤D.采用非负矩阵分解算法，针对混合光谱矩阵进行求解，获得当前待处理区域中心所对应的源光谱矩阵，然后进入步骤E；
步骤E.根据目标区域中裸土端元的平均光谱，识别所获得源光谱矩阵中的土壤光谱，即当前待处理区域中心像元所对应的土壤光谱，然后进入步骤F；
步骤F.判断遥感影像中是否存在未被选择过的区域，是则返回步骤B，否则进入步骤G；
步骤G.针对所获各个像元的土壤光谱构建矩阵，即为目标区域中的土壤光谱矩阵。
2.根据权利要求1所述一种基于局域相近像元的混合像元分解方法，其特征在于：所述步骤C中，针对当前待处理区域，按如下步骤C1，筛选获得其中与当前待处理区域中心像元相似光谱构成的像元；
步骤C1.采用光谱角匹配算法，分别获得当前待处理区域中各像元所对应光谱与中心像元所对应光谱之间的光谱角，并选取其中小于预设光谱角阈值的各个光谱角，该各光谱角分别所对应的像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
3.根据权利要求2所述一种基于局域相近像元的混合像元分解方法，其特征在于：所述步骤C中还包括步骤C2如下，执行步骤C1中，选取其中小于预设光谱角阈值的各个光谱角分别所对应的像元，作为各个候选像元，然后执行步骤C2，获得其中与当前待处理区域中心像元相似光谱构成的像元；
步骤C2.获取各个候选像元分别所对应的归一化植被指数NDVI值，并按归一化植被指数NDVI值由大至小、或由小至大顺序，针对除中心像元以外的各个候选像元进行排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
4.根据权利要求3所述一种基于局域相近像元的混合像元分解方法，其特征在于：所述步骤C2中，若除中心像元以外的候选像元个数为奇数个，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的一个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元；
若除中心像元以外的候选像元个数为偶数个，则针对除中心像元以外各个候选像元按归一化植被指数NDVI的排序，选取其中排序第一位的候选像元、最后一位的候选像元，以及排序位于中间位置的两个候选像元，并结合当前待处理区域中心像元，即作为其中与当前待处理区域中心像元相似光谱构成的像元。
5.根据权利要求3或4所述一种基于局域相近像元的混合像元分解方法，其特征在于，所述步骤C2中，按如下公式：
Figure FDA0001953354410000021
获取各个候选像元分别所对应的归一化植被指数NDVI值，其中，bNIR表示候选像元所对应光谱的近红外波段反射率，bred表示候选像元所对应光谱的红光波段反射率。
6.根据权利要求1所述一种基于局域相近像元的混合像元分解方法，其特征在于，所述步骤D中，采用非负矩阵分解算法，按如下公式：
E(W,H)＝||X-WH||2
以E(W,H)最小为目标，通过迭代，获得混合光谱矩阵X中的源光谱矩阵W，其中，H表示混合光谱矩阵X中的系数矩阵，E(W,H)表示维度与混合光谱矩阵X维度相同的残差矩阵。
7.根据权利要求2所述一种基于局域相近像元的混合像元分解方法，其特征在于，所述步骤E中，采用光谱角匹配算法，针对源光谱矩阵所包含的两条光谱，获得各条光谱分别与目标区域中裸土端元平均光谱之间的光谱角，其中小光谱角所对应的光谱为源光谱矩阵中的土壤光谱，即当前待处理区域中心像元所对应的土壤光谱。
8.根据权利要求7所述一种基于局域相近像元的混合像元分解方法，其特征在于，所述步骤C1中，采用光谱角匹配算法，按如下公式：
Figure FDA0001953354410000022
获得当前待处理区域中各像元所对应光谱分别与中心像元所对应光谱之间的光谱角θ1，其中，t1表示当前待处理区域中心像元所对应的光谱，r1表示当前待处理区域中其中一个像元所对应的光谱；
所述步骤E中，采用光谱角匹配算法，按如下公式：
Figure FDA0001953354410000031
针对源光谱矩阵所包含的两条光谱，获得各条光谱分别与目标区域中裸土端元的平均光谱之间的光谱角θ2，其中，t2表示目标区域中裸土端元的平均光谱，r2表示源光谱矩阵中其中一条光谱。
9.根据权利要求1所述一种基于局域相近像元的混合像元分解方法，其特征在于，所述步骤B中，采用预设大小的移动窗口，通过移动窗口沿横向、纵向依次滑动的方式，框选遥感数据图像中未被选择过的区域，作为当前待处理区域。
CN201910058470.6A 2019-01-22 2019-01-22 一种基于局域相近像元的混合像元分解方法 Active CN109871774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910058470.6A CN109871774B (zh) 2019-01-22 2019-01-22 一种基于局域相近像元的混合像元分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910058470.6A CN109871774B (zh) 2019-01-22 2019-01-22 一种基于局域相近像元的混合像元分解方法

Publications (2)

Publication Number Publication Date
CN109871774A CN109871774A (zh) 2019-06-11
CN109871774B true CN109871774B (zh) 2020-12-18

Family

ID=66917927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910058470.6A Active CN109871774B (zh) 2019-01-22 2019-01-22 一种基于局域相近像元的混合像元分解方法

Country Status (1)

Country Link
CN (1) CN109871774B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110687090B (zh) * 2019-09-10 2022-11-15 中国民航大学 移动窗口光谱角制图算法及乳粉非定向筛查方法
CN111967454B (zh) * 2020-10-23 2021-01-08 自然资源部第二海洋研究所 基于混合像元的绿潮覆盖比例提取模型确定方法及设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963664A (zh) * 2010-09-28 2011-02-02 中国科学院东北地理与农业生态研究所 基于水陆地物分类信息的微波遥感混合像元分解方法
CN104978573A (zh) * 2015-07-06 2015-10-14 河海大学 一种应用于高光谱图像处理的非负矩阵分解方法
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
CN105809148A (zh) * 2016-03-29 2016-07-27 中国科学院遥感与数字地球研究所 基于遥感时空谱融合的作物干旱识别及风险评估方法
CN106951877A (zh) * 2017-03-28 2017-07-14 北京恒华伟业科技股份有限公司 一种对高分辨率影像的地物提取方法及装置
CN109035154A (zh) * 2018-06-07 2018-12-18 复旦大学 一种考虑光谱变异性的高光谱图像非线性解混方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963664A (zh) * 2010-09-28 2011-02-02 中国科学院东北地理与农业生态研究所 基于水陆地物分类信息的微波遥感混合像元分解方法
CN104978573A (zh) * 2015-07-06 2015-10-14 河海大学 一种应用于高光谱图像处理的非负矩阵分解方法
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
CN105809148A (zh) * 2016-03-29 2016-07-27 中国科学院遥感与数字地球研究所 基于遥感时空谱融合的作物干旱识别及风险评估方法
CN106951877A (zh) * 2017-03-28 2017-07-14 北京恒华伟业科技股份有限公司 一种对高分辨率影像的地物提取方法及装置
CN109035154A (zh) * 2018-06-07 2018-12-18 复旦大学 一种考虑光谱变异性的高光谱图像非线性解混方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A New Scheme for Decomposition of Mixed Pixels Based on Nonnegative Matrix Factorization;Xuetao Tao et al.;《IEEE》;20071231;全文 *
Predicting Soil Salt Content Over Partially Vegetated Surfaces Using Non-Negative Matrix Factorization;Ya Liu et al.;《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》;20151130;第8卷(第11期);全文 *
基于FastICA盲源分离法去除土壤干扰的小麦生物量高光谱估算;李燕丽 等;《生态学杂志》;20171231;第36卷(第4期);全文 *
基于盲源分离的稀疏植被区土壤含盐量反演;刘娅 等;《土壤学报》;20160331;第53卷(第2期);全文 *
基于非负矩阵分解的高光谱图像混合像元分解;孙旭光 等;《光电工程》;20121231;第39卷(第12期);全文 *

Also Published As

Publication number Publication date
CN109871774A (zh) 2019-06-11

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
Kazmi et al. Detecting creeping thistle in sugar beet fields using vegetation indices
CN103914678B (zh) 基于纹理与植被指数的撂荒地遥感识别方法
CN112164062A (zh) 一种基于遥感时序分析的抛荒地信息提取方法及装置
CN109871774B (zh) 一种基于局域相近像元的混合像元分解方法
Ji et al. In-field automatic detection of maize tassels using computer vision
CN116188465B (zh) 基于图像处理技术的作物生长状态检测方法
CN108195771A (zh) 一种海洋高光谱遥感影像目标识别方法
CN105405138A (zh) 基于显著性检测的水面目标跟踪方法
Lone et al. Object detection in hyperspectral images
Bao et al. Method for wheat ear counting based on frequency domain decomposition of MSVF-ISCT
CN113421198B (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
CN111882573A (zh) 一种基于高分辨率影像数据的耕地地块提取方法及系统
Gurubasava et al. Analysis of agricultural soil pH using digital image processing
Rashid et al. Novel image processing technique for feature detection of wheat crops using python OpenCV
CN117115669B (zh) 双条件质量约束的对象级地物样本自适应生成方法及系统
Xu et al. A 3D-2DCNN-CA approach for enhanced classification of hickory tree species using UAV-based hyperspectral imaging
CN116977851A (zh) 一种基于变化检测的弃耕识别方法及装置
CN117115652A (zh) 一种基于可见光谱视觉遥感的林地退化目标检测识别方法
Bassine et al. Real time video processing using RGB remote sensing by drone
Bhamare et al. Detection of black Sigatoka on banana tree using image processing techniques
CN116051886A (zh) 基于改进的Swin-Transformer网络的高光谱图像分类方法
Bajkowski et al. Extending deep convolutional neural networks from 3-color to full multispectral remote sensing imagery
CN108776968B (zh) 基于深度森林的sar图像变化检测方法
Tamilselvi et al. Color based K-Means Clustering For Image Segmentation to Identify the Infected Leaves

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