CN110992390B - 一种高光谱影像混合像元分解方法 - Google Patents
一种高光谱影像混合像元分解方法 Download PDFInfo
- Publication number
- CN110992390B CN110992390B CN201911127059.6A CN201911127059A CN110992390B CN 110992390 B CN110992390 B CN 110992390B CN 201911127059 A CN201911127059 A CN 201911127059A CN 110992390 B CN110992390 B CN 110992390B
- Authority
- CN
- China
- Prior art keywords
- pixels
- projection
- pixel
- block
- distance
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种高光谱影像的混合像元分解方法,其特点是采用空间预处理及正六边形初始化分割技术,将影像分割为一些光谱相关性和空间相关性均较高的区域,并通过在这些高相关性的区域进行PCA投影,选择在投影轴极值附近位置的像素来选择候选端元。本发明与现有技术相比具有大幅缩减参与端元提取的像素个数,有效的解决了庞大数据量使得许多混合像元分解算法失效问题,为处理大数据量的高光谱遥感影像提供了一个简便、高效率的分解算法。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其是一种基于空间预处理及分割处理的可用于处理大数据量的高光谱图像混合像元分解算法。
背景技术
高光谱图像由于包含上百个波段,含有丰富的光谱信息,可以完整地反映不同地物的光谱特征,这些光谱信息为地物识别提供了大量可用信息。但是由于空间分辨率的限制和地物的复杂性,混合像元在高光谱图像中普遍存在,这些混合像元严重影响了地物种类的识别和解译,混合像元分解是解决这一问题的关键技术。另一方面,正因为高光谱图像包含上百个波段,因此其通常具有很庞大的数据量,航空高光谱影像的一个条带能达到数十GB大小,面对如此庞大的数据量,现有技术通常采用分块处理的方法,但这种方法由于不能很准确地估计出每个块的端元数目,因此解混结果受到制约,因此如何能准确实现对数据量很庞大的影像的混合像元分解是亟待解决的问题。
发明内容
本发明的目的是针对现有技术的不足而设计的一种高光谱影像混合像元分解方法,采用空间预处理及正六边形初始化分割技术,将影像分割为一些光谱相关性和空间相关性均较高的区域,并通过在这些高相关性的区域进行PCA投影,选择在投影轴极值附近位置的像素来选择候选端元,通过这种方式来大幅缩减参与端元提取的像素个数,可用于处理大数据量的高光谱遥感影像,为处理数据量很庞大的影像混合像元的分解提供了一个简便的算法,进一步推进了高光谱遥感影像的广泛应用。
实现本发明目的的具体技术方案是:一种高光谱影像的混合像元分解方法,其特点是采用空间预处理及正六边形初始化分割技术,将影像分割为一些光谱相关性和空间相关性均较高的区域,并通过在这些高相关性的区域进行PCA投影,选择在投影轴极值附近位置的像素来选择候选端元,其具体方法包括以下步骤:
步骤1:获取高光谱影像数据,估计高光谱影像的端元数目。
步骤2:采取蜂窝形态初始化将影像进行分割,根据设定的每个六边形的平均大小h,将原始影像分成多个六边形,根据六边形的几何性质确定初始化分割块数及每各个块的中心,并对每个块的像素赋予不同标签,定义每个块的中心到该块内所有像素的初始距离为无穷大。
步骤3:在每个块中,计算每个块的中心像素与其周围像素的光谱距离,这里的光谱距离可以为多种光谱距离度量准则,如光谱相关角(Spectral Correlation Angle,SCA)、光谱信息测度(Spectral Information Divergence,SID),光谱角距离(SpectralAngle Distance,SAD),或者其两两结合的光谱信息散度-光谱相关系数(SID-SCA)。
步骤4:在每个块中,计算每个块的中心像素与其周围像素的空间欧式距离。
步骤5:结合步骤3和步骤4,得到联合距离m,并以该距离判断每个块的中心像素与周围像素的距离,所述联合距离m按下述a式计算:
式中:c为光谱距离,s为欧式距离,其值分别由步骤3和步骤4求得,l为六边形对角线长度,a为联合的权重,0<a<1。
步骤6:更新每个块并判断:如果每个块的中心到任何像素的联合距离m小于其先前的值(该距离的初始值已在步骤2中定义为无穷大),则更新其距离及标签。
步骤7:更新每个块的中心像素:计算每个块的平均光谱信息,以该值作为新的中心像素光谱信息。
步骤8:重复以上步骤3~步骤7,直到达到预设的重复次数Iter。
步骤9:清除孤立的小区域,设定边长为x,对于边长小于x的区域,将其合并到相邻的像素中去,得到最终的分块信息。
步骤10:将每个分块进行PCA投影,选择前q个主成分向量当作投影轴,并将该块内所有像素投影到每个投影轴上,记录投影位置。
步骤11:挑选处在投影两端位置的像元作为目标端元信号,记最大值为max,最小值为min,并按下述b式计算其余像素点的的投影值pri:
式中:p为每个像素在投影轴上的投影值,其最大值为max,最小值为min。
步骤12:按下述c式计算每个像元的投影权值wi:
步骤13:根据像素在q个投影轴上各自所占的贡献比例cj,并按下述d式计算每个像素在各个投影轴上投影值的加权之和作为光谱指数spi:
式中:N为影像中像元个数;q为投影轴个数。
然后,对光谱指数spi进行排序,根据每个块内的像素百分比pe,选择spi中位于前pe的像素作为候选像素。
步骤14:使用基于光谱的端元提取算法从候选像素中提取端元。
本发明与现有技术相比具有对数据量庞大的影像混合像元进行快速分解,有效的解决了庞大数据量使得许多混合像元分解算法失效,为处理大数据量的高光谱遥感影像提供了一个简便、高效率的影像混合像元的分解算法,进一步推进了高光谱遥感影像的广泛应用。
附图说明
图1为本发明流程图;
图2为分割初始化的形状;
图3为合成的高光谱影像数据的分割结果图;
图4为从合成的高光谱影像数据中提取的端元曲线图。
具体实施方式
下面以合成的高光谱影像为例对本发明作进一步的详细说明。
实施例1
参阅附图1,本发明按下述步骤处理数据量很大的高光谱图像的混合像元分解:
(一)获取高光谱影像数据
获取合成的高光谱影像数据,其大小为90×90,波段数为224,影像的端元数目为5。
(二)影像分割
参阅附图2,采取蜂窝形态初始化将原始影像分成多个六边形,设定每个六边形的平均大小h为7,根据六边形的几何性质确定初始化分割块数及每各个块的中心,并对每个块的像素赋予不同标签,定义每个块的中心到该块内所有像素的初始距离为无穷大。
(三)光谱距离c的计算
在每个块中,计算每个块的中心像素与其周围像素的光谱信息散度-光谱相关系数(SID-SCA)作为光谱距离c。
(四)空间欧式距离s的计算
在每个块中,计算每个块的中心像素与其周围像素的空间欧式距离s。
(五)联合距离m的计算
按下述a式计算联合距离m,并以该距离判断每个块的中心像素与周围像素的距离:
式中:c为光谱距离,由上述步骤(三)求得;s为欧式距离,由上述步骤(四)求得;l为六边形对角线长度;a为联合的权重,0<a<1,这里取a=0.1。
(六)更新每个块
判断:如果每个块的中心到任何像素的联合距离m小于其先前的值,则更新其距离及标签。
(七)更新每个块的中心像素
计算每个块的平均光谱信息,以该值作为新的中心像素光谱信息。
(八)循环更新
重复上述步骤(三)~步骤(七),直至达到预设的重复次数Iter,本实施例的Iter设为10。
(九)清除孤立的小区域
参阅附图3,设定边长x为2,对于边长小于x的为小区域,将其合并到相邻的像素中去,得到最终的分块信息。
(十)PCA投影
将每个分块进行PCA投影,选择前q个主成分向量当作投影轴,将该块内所有像素投影到每个投影轴上,记录投影位置,这里取q=3。
(十一)投影值pri的计算
挑选处在投影两端位置的像元作为目标端元信号,记最大值为max,最小值为min,并按下述b式计算其余像素点的的投影值pri:
式中:p为每个像素在投影轴上的投影值。
(十二)投影权值wi的计算
按下述c式计算每个像元的投影权值wi:
(十三)光谱指数spi的计算
根据像素在q个投影轴上各自所占的贡献比例cj,计算每个像素在各个投影轴上投影值的加权之和作为光谱指数spi,其计算公式如下:
式中:N为影像中像元个数;q为投影轴个数。
然后,对spi进行排序,根据定义的每个块内的百分比pe,选择spi中位于前pe=10%的像素作为候选像素。
(十四)端元的提取
参阅附图4,基于光谱的端元提取算法,使用顶点成分分析法(VCA)从候选像素中提取端元。
以上只是对本发明作进一步的说明,并非用以限制本专利,凡为本发明等效实施,均应包含于本专利的权利要求范围之内。
Claims (8)
1.一种高光谱影像的混合像元分解方法,其特征在于采用空间预处理及正六边形初始化分割技术,将影像分割为一些光谱相关性和空间相关性均较高的区域,并通过在这些高相关性的区域进行PCA投影,选择在投影轴极值附近位置的像素来选择候选端元,其具体方法包括以下步骤:
步骤1:获取高光谱影像数据,估计高光谱影像的端元数目;
步骤2:采取蜂窝形态初始化将影像进行分割;
步骤3:计算每个块的中心像素与其周围像素的光谱距离c;
步骤4:计算每个块的中心像素与其周围像素的空间欧式距离s;
步骤5:结合步骤3和步骤4,得到联合距离m,以该距离判断每个块的中心像素与周围像素的距离;
步骤6:更新每个块并判断:如果每个块的中心到任何像素的距离小于其先前的值,则更新其距离及标签;
步骤7:更新每个块的中心像素:计算每个块的平均光谱信息,以该值作为新的中心像素光谱信息;
步骤8:重复以上步骤3~步骤7,直至达到预设的重复次数Iter;
步骤9:清除孤立的小区域:设定边长为x,对于边长小于x的区域,将其合并到相邻的像素中去,得到最终的分块信息;
步骤10:将每个分块进行PCA投影,选择前q个主成分向量当作投影轴,将该块内所有像素投影到每个投影轴上,记录投影位置;
步骤11:挑选处在投影两端位置的像元作为目标端元信号,记最大值与最小值分别为max与min,并计算其余像素点的投影值pri;
步骤12:计算每个像元的投影权值wi;
步骤13:根据每个像素的投影权值wi计算其光谱指数,并定义每个分区将选择的像素百分比pe,得到候选像素;
步骤14:使用基于光谱的端元提取算法从候选像素中提取端元。
2.根据权利要求1所述高光谱影像的混合像元分解方法,其特征在于所述蜂窝形态初始化分割是根据设定的每个六边形的平均大小h,将原始影像分成多个六边形块,然后根据六边形的几何性质确定初始化分割块数及每个块的中心。
3.根据权利要求1所述高光谱影像的混合像元分解方法,其特征在于所述光谱距离c为光谱相关系数、光谱信息测度,光谱角距离,或其两两结合的光谱信息散度-光谱相关系数。
4.根据权利要求1所述高光谱影像的混合像元分解方法,其特征在于所述联合距离m按下述a式计算:
式中:c为光谱距离;s为欧式距离;l为六边形对角线长度;a为联合的权重,0<a<1。
5.根据权利要求1所述高光谱影像的混合像元分解方法,其特征在于所述其余像素点的投影值pri按下述b式计算:
式中:p为每个像素在投影轴上的投影值,其最大值为max,最小值为min。
6.根据权利要求1所述高光谱影像的混合像元分解方法,其特征在于所述每个像元的投影权值wi按下述c式计算:
7.根据权利要求1所述高光谱影像的混合像元分解方法,其特征在于所述光谱指数spi为按下述d式像素在q个投影轴上各自所占的贡献比例cj,并按下述d式计算每个像素在各个投影轴上投影值的加权之和作为光谱指数spi:
式中:N为影像中像元个数;q为投影轴个数;cj为q个投影轴上各自所占的贡献比例。
8.根据权利要求1所述高光谱影像的混合像元分解方法,其特征在于所述候选像素是对光谱指数spi进行排序,然后根据每个块内的像素百分比pe,选择spi中位于前pe的像素作为候选像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127059.6A CN110992390B (zh) | 2019-11-18 | 2019-11-18 | 一种高光谱影像混合像元分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911127059.6A CN110992390B (zh) | 2019-11-18 | 2019-11-18 | 一种高光谱影像混合像元分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992390A CN110992390A (zh) | 2020-04-10 |
CN110992390B true CN110992390B (zh) | 2023-05-12 |
Family
ID=70084783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911127059.6A Active CN110992390B (zh) | 2019-11-18 | 2019-11-18 | 一种高光谱影像混合像元分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344049B (zh) * | 2021-05-27 | 2022-07-26 | 湖州师范学院 | 一种基于Sinkhorn距离的盲高光谱解混模型的构建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488968B (zh) * | 2012-06-14 | 2016-12-21 | 株式会社日立制作所 | 遥感图像的混合像素物质构成精细化分解装置及方法 |
-
2019
- 2019-11-18 CN CN201911127059.6A patent/CN110992390B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950361A (zh) * | 2010-09-06 | 2011-01-19 | 中国科学院遥感应用研究所 | 一种基于光谱匹配度的遥感影像专题信息自适应提取方法 |
Non-Patent Citations (1)
Title |
---|
彭青青 ; 杨辽 ; 王杰 ; 沈金祥.基于异常探测的高光谱端元提取方法研究.遥感技术与应用.2011,(第004期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110992390A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260576B (zh) | 一种基于去噪三维卷积自编码网络的高光谱解混算法 | |
CN108830796B (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
Irmak et al. | A MAP-based approach for hyperspectral imagery super-resolution | |
CN111080567A (zh) | 基于多尺度动态卷积神经网络的遥感图像融合方法及系统 | |
JP6822569B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
US8666700B2 (en) | Compact representation of a reflectance spectrum | |
Zhang et al. | Framelet-based sparse unmixing of hyperspectral images | |
CN108447065B (zh) | 一种高光谱超像元分割方法 | |
CN110992390B (zh) | 一种高光谱影像混合像元分解方法 | |
CN112784747B (zh) | 高光谱遥感图像多尺度本征分解方法 | |
CN113902646A (zh) | 基于深浅层特征加权融合网络的遥感影像泛锐化方法 | |
CN111199251B (zh) | 一种基于加权邻域的多尺度高光谱图像分类方法 | |
CN106101732B (zh) | 快速压缩高光谱信号的矢量量化方案 | |
CN109727280B (zh) | 一种基于正交基的高光谱图像丰度估计方法 | |
CN110570376B (zh) | 一种图像去雨方法、装置、设备和计算机可读存储介质 | |
CN109460772B (zh) | 一种基于信息熵和改进行列式点过程的光谱波段选择方法 | |
CN109063537B (zh) | 针对异常小目标解混的高光谱图像预处理方法 | |
CN110766708A (zh) | 基于轮廓相似度的图像比较方法 | |
CN111105363A (zh) | 一种含噪高光谱图像快速解混方法 | |
CN115937693A (zh) | 一种基于遥感图像的道路识别方法及系统 | |
CN109949320B (zh) | 基于熵与互信息的高光谱图像超像元分割方法 | |
Benachir et al. | Modified independent component analysis for initializing non-negative matrix factorization: An approach to hyperspectral image unmixing | |
CN111259914A (zh) | 一种茶树叶特征信息高光谱提取方法 | |
CN106855947B (zh) | 基于核互模态因素分析核融合的多光谱图像变化检测方法 | |
Khan et al. | Spectral Unmixing for End Member Extraction and Abundance Estimation |
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 |