CN112712028A - 一种基于归一化地物子空间投影的光谱解混方法 - Google Patents

一种基于归一化地物子空间投影的光谱解混方法 Download PDF

Info

Publication number
CN112712028A
CN112712028A CN202011609425.4A CN202011609425A CN112712028A CN 112712028 A CN112712028 A CN 112712028A CN 202011609425 A CN202011609425 A CN 202011609425A CN 112712028 A CN112712028 A CN 112712028A
Authority
CN
China
Prior art keywords
unmixing
end member
ground object
image
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.)
Granted
Application number
CN202011609425.4A
Other languages
English (en)
Other versions
CN112712028B (zh
Inventor
许承权
洪碧琼
张宁
吴永红
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.)
Minjiang University
Original Assignee
Minjiang University
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 Minjiang University filed Critical Minjiang University
Priority to CN202011609425.4A priority Critical patent/CN112712028B/zh
Publication of CN112712028A publication Critical patent/CN112712028A/zh
Application granted granted Critical
Publication of CN112712028B publication Critical patent/CN112712028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于归一化地物子空间投影的光谱解混方法，具体包括以下步骤：步骤S1：定义端元光谱空间，即地物子空间为标准基，根据线性空间的定义可知高光谱影像可以表示为地物子空间的扩展空间；步骤S2：利用基准端元同时对端元矩阵和影像矩阵进行了平移，根据坐标平移性质可知该过程不会改变端元与像元的几何关系；步骤S3：公式修正；步骤S4：为用户到访活动打标签；步骤S5：模拟数据解混；步骤S6：真实数据解混，利用归一化地物子空间投影，该方法借助一条已知的基准端元消除了组分之间的相关性，且利用基准端元对端元矩阵和影像矩阵进行了平移，消除了像元在端元方向投影时原点引起的错误。

Description

一种基于归一化地物子空间投影的光谱解混方法
技术领域
本发明涉及光谱解混技术领域，具体涉及一种基于归一化地物子空间投影的光谱解混方法。
背景技术
随着科学技术的发展，遥感对地观测技术日益成熟，已经逐渐成为获取空间地理信息的重要手段之一。但是由于高光谱成像仪空间分辨率的限制以及自然界地物的复杂性，获得的遥感图像的某些像素可能是几种不同物质光谱的混合，即混合像元。如何有效地实现混合像元分解，已经成为遥感研究的一个重要方向。混合像元的精确分解对于高精度地物分类以及地面目标检测和识别方面有重要的应用价值，使遥感应用由像元级到达亚像元级。
全约束条件下的最小二乘准则和正交子空间投影是线性光谱解混的主要方法，但由于缺乏物理约束条件，使得计算出的组分丰度出现负值，不适用于定量分析与评价。
发明内容
本发明的目的在于提供一种基于归一化地物子空间投影的光谱解混方法，提出了一种新的光谱解混方法，即归一化地物子空间投影。该方法借助一条已知的基准端元消除了组分之间的相关性，且利用基准端元对端元矩阵和影像矩阵进行了平移，消除了像元在端元方向投影时原点引起的错误；模拟AVIRIS数据和真实PHI高光谱解混实验结果表明，与约束条件下的OSP分类器以及最小二乘法相比，NMSP在光谱解混中可以得到更加合理的地物组分丰度，保持了端元丰度“非负”和稀疏的物理特性，以解决上述背景技术中提出的问题。
为实现上述目的，本发明采用了如下技术方案：
一种基于归一化地物子空间投影的光谱解混方法，具体包括以下步骤：
步骤S1：定义端元光谱空间，即地物子空间为标准基，根据线性空间的定义可知高光谱影像可以表示为地物子空间的扩展空间；
步骤S2：利用基准端元同时对端元矩阵和影像矩阵进行了平移，消除了像元在端元方向投影时原点引起的错误，根据坐标平移性质可知该过程不会改变端元与像元的几何关系，即端元在影像中的组分丰度；
步骤S3：公式修正，实际影像在成像过程中受到各种因素的影响，使得端元组分丰度很难满足“非负”的约束条件。因此，为了获得最接近地物的真实组分丰度，需要对求解结果进行修正；
步骤S4：实验与分析，分别采用模拟的AVIRIS数据和真实PHI数据集进行实验和分析，并与全约束条件下的OSP分类器或者线性解混模型解混结果进行对比；两者求解原理和结果是一致的，只需列出全约束条件下的最小二乘结果进行对比；
步骤S5：模拟数据解混，从USGS光谱库中随机选择3种矿物光谱，对光谱波段进行重采样，获得和AVIRIS传感器波谱分辨率一致的波谱，波长范围为0.38-2.5μm，光谱分辨率10nm；
步骤S6：真实数据解混，采用光谱梯度特征搜索算法直接从影像中提取端元，根据解混误差可知前8组端元基本覆盖了所有地物，通过利用像元的地物组成特性与子空间投影间的对应关系对投影结果进行修正，在一定程度上避免了影像噪声对解混结果的干扰。根据影像的地物分布，可以看出NMSP求得的端元组分丰度保持性和空间连续性。
优选的，步骤S3中的所述公式修正中，是在非理想状态下，在理想情况下即无噪声的影响，所有影像数据都位于由端元组成的单形体内，根据最小二乘准则求取的组分丰度接近地物的真实组分丰度，即投影系数不存在大于1或小于0的情况，即所有组分丰度都应该满足“非负”，无需修正。
优选的，所述模拟数据的光谱解混精度利用光谱解混均方根误差表示，真实数据的解混误差利用高光谱重建图像重建误差的均方根误差来衡量。
优选的，从端元组分丰度的最值结果可以看出，OSP方法出现“负值”与“大于1”的情况，而NMSP的组分丰度满足“非负”与“不大于1”的物理约束。从解混结果的均方根误差可以看出NMSP方法的解混均方根误差(0.275×10-3)要小于OSP方法，说明解混精度有所提高。
优选的，通过模拟的AVIRIS数据和真实PHI数据集进行对比，可以看出，两种方法的解混结果整体上是一致的，即二者都可以实现对影像进行定性分类。但在地物的比例丰度数值上可以看出后者出现很多噪声信息，说明NMSP比FCLS的解混结果更加合理，即不会引入非组成地物参与像元的光谱解混。
优选的，所述FCLS算法是追求解混误差最小，求解结果只是数值上的最优解，没有考虑像元的实际混合情况，导致结果中出现所有端元都参与解混。而NMSP实质上是FCLS算法的改进。
本发明的技术效果和优点：本发明提出的一种基于归一化地物子空间投影的光谱解混方法，与现有技术相比，
1、该算法借助一条已知的基准端元消除了组分之间的相关性，简化了约束条件下组分丰度的求解公式。同时利用基准端元对端元矩阵和影像矩阵进行了平移，消除了像元在端元方向投影时原点引起的错误。
2、针对实际影像成像条件，该算法根据像元的地物组成特性与子空间投影间的对应关系对投影结果进行修正，避免了影像噪声对解混结果的干扰。
3、与全约束条件下的OSP分类器以及最小二乘法相比，该算法物理意义明晰，操作简单，消除了光谱解混中非组成端元的参与，结果更可靠。
4、模拟数据和真实高光谱解混实验结果表明，NMSP计算出的端元组分丰度具有稀疏性，更接近地物的真实组分和丰度。
附图说明
图1为本发明一种基于归一化地物子空间投影的光谱解混方法的控制流程图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
本发明提供了如图1所示的一种基于归一化地物子空间投影的光谱解混方法，具体包括以下步骤：
一种基于归一化地物子空间投影的光谱解混方法，具体包括以下步骤：
步骤S1：定义端元光谱空间，即地物子空间为标准基，根据线性空间的定义可知高光谱影像可以表示为地物子空间的扩展空间；
步骤S2：利用基准端元同时对端元矩阵和影像矩阵进行了平移，消除了像元在端元方向投影时原点引起的错误，根据坐标平移性质可知该过程不会改变端元与像元的几何关系，即端元在影像中的组分丰度；
步骤S3：公式修正，实际影像在成像过程中受到各种因素的影响，使得端元组分丰度很难满足“非负”的约束条件。因此，为了获得最接近地物的真实组分丰度，需要对求解结果进行修正；
步骤S4：实验与分析，分别采用模拟的AVIRIS数据和真实PHI数据集进行实验和分析，并与全约束条件下的OSP分类器或者线性解混模型解混结果进行对比；两者求解原理和结果是一致的，只需列出全约束条件下的最小二乘结果进行对比；
步骤S5：模拟数据解混，从USGS光谱库中随机选择3种矿物光谱，对光谱波段进行重采样，获得和AVIRIS传感器波谱分辨率一致的波谱，波长范围为0.38-2.5μm，光谱分辨率10nm；
步骤S6：真实数据解混，采用光谱梯度特征搜索算法直接从影像中提取端元，根据解混误差可知前8组端元基本覆盖了所有地物，通过利用像元的地物组成特性与子空间投影间的对应关系对投影结果进行修正，在一定程度上避免了影像噪声对解混结果的干扰。根据影像的地物分布，可以看出NMSP求得的端元组分丰度保持性和空间连续性。
具体的，步骤S3中的所述公式修正中，是在非理想状态下，在理想情况下即无噪声的影响，所有影像数据都位于由端元组成的单形体内，根据最小二乘准则求取的组分丰度接近地物的真实组分丰度，即投影系数不存在大于1或小于0的情况，即所有组分丰度都应该满足“非负”，无需修正。
具体的，所述模拟数据的光谱解混精度利用光谱解混均方根误差表示，真实数据的解混误差利用高光谱重建图像重建误差的均方根误差来衡量。
具体的，从端元组分丰度的最值结果可以看出，OSP方法出现“负值”与“大于1”的情况，而NMSP的组分丰度满足“非负”与“不大于1”的物理约束。从解混结果的均方根误差可以看出NMSP方法的解混均方根误差(0.275×10-3)要小于OSP方法，说明解混精度有所提高。
具体的，通过模拟的AVIRIS数据和真实PHI数据集进行对比，可以看出，两种方法的解混结果整体上是一致的，即二者都可以实现对影像进行定性分类。但在地物的比例丰度数值上可以看出后者出现很多噪声信息，说明NMSP比FCLS的解混结果更加合理，即不会引入非组成地物参与像元的光谱解混。
具体的，所述FCLS算法是追求解混误差最小，求解结果只是数值上的最优解，没有考虑像元的实际混合情况，导致结果中出现所有端元都参与解混。而NMSP实质上是FCLS算法的改进。
本发明提出的一种基于归一化地物子空间投影的光谱解混方法，与现有技术相比，该算法借助一条已知的基准端元消除了组分之间的相关性，简化了约束条件下组分丰度的求解公式。同时利用基准端元对端元矩阵和影像矩阵进行了平移，消除了像元在端元方向投影时原点引起的错误；针对实际影像成像条件，该算法根据像元的地物组成特性与子空间投影间的对应关系对投影结果进行修正，避免了影像噪声对解混结果的干扰；与全约束条件下的OSP分类器以及最小二乘法相比，该算法物理意义明晰，操作简单，消除了光谱解混中非组成端元的参与，结果更可靠；模拟数据和真实高光谱解混实验结果表明，NMSP计算出的端元组分丰度具有稀疏性，更接近地物的真实组分和丰度。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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 (6)

1.一种基于归一化地物子空间投影的光谱解混方法，其特征在于：具体包括以下步骤：
步骤S1：定义端元光谱空间，即地物子空间为标准基，根据线性空间的定义可知高光谱影像可以表示为地物子空间的扩展空间；
步骤S2：利用基准端元同时对端元矩阵和影像矩阵进行了平移，消除了像元在端元方向投影时原点引起的错误，根据坐标平移性质可知该过程不会改变端元与像元的几何关系，即端元在影像中的组分丰度；
步骤S3：公式修正，实际影像在成像过程中受到各种因素的影响，使得端元组分丰度很难满足“非负”的约束条件。因此，为了获得最接近地物的真实组分丰度，需要对求解结果进行修正；
步骤S4：实验与分析，分别采用模拟的AVIRIS数据和真实PHI数据集进行实验和分析，并与全约束条件下的OSP分类器或者线性解混模型解混结果进行对比；两者求解原理和结果是一致的，只需列出全约束条件下的最小二乘(FCLS)结果进行对比；
步骤S5：模拟数据解混，从USGS光谱库中随机选择3种矿物光谱，对光谱波段进行重采样，获得和AVIRIS传感器波谱分辨率一致的波谱，波长范围为0.38-2.5μm，光谱分辨率10nm；
步骤S6：真实数据解混，采用光谱梯度特征搜索算法直接从影像中提取端元，根据解混误差可知前8组端元基本覆盖了所有地物，通过利用像元的地物组成特性与子空间投影间的对应关系对投影结果进行修正，在一定程度上避免了影像噪声对解混结果的干扰。根据影像的地物分布，可以看出NMSP求得的端元组分丰度保持性和空间连续性。
2.根据权利要求1所述的一种基于归一化地物子空间投影的光谱解混方法，其特征在于：步骤S3中的所述公式修正中，是在非理想状态下，在理想情况下即无噪声的影响，所有影像数据都位于由端元组成的单形体内，根据最小二乘准则求取的组分丰度接近地物的真实组分丰度，即投影系数不存在大于1或小于0的情况，即所有组分丰度都应该满足“非负”，无需修正。
3.根据权利要求1所述的一种基于归一化地物子空间投影的光谱解混方法，其特征在于：所述模拟数据的光谱解混精度利用光谱解混均方根误差(root mean square error,RMSE)表示，真实数据的解混误差利用高光谱重建图像重建误差的均方根误差来衡量。
4.根据权利要求1所述的一种基于归一化地物子空间投影的光谱解混方法，其特征在于：从端元组分丰度的最值结果可以看出，OSP方法出现“负值”与“大于1”的情况，而NMSP的组分丰度满足“非负”与“不大于1”的物理约束。从解混结果的均方根误差可以看出NMSP方法的解混均方根误差(0.275×10-3)要小于OSP方法，说明解混精度有所提高。
5.根据权利要求1所述的一种基于归一化地物子空间投影的光谱解混方法，其特征在于：通过模拟的AVIRIS数据和真实PHI数据集进行对比，可以看出，两种方法的解混结果整体上是一致的，即二者都可以实现对影像进行定性分类。但在地物的比例丰度数值上可以看出后者出现很多噪声信息，说明NMSP比FCLS的解混结果更加合理，即不会引入非组成地物参与像元的光谱解混。
6.根据权利要求5所述的一种基于归一化地物子空间投影的光谱解混方法，其特征在于：所述FCLS算法是追求解混误差最小，求解结果只是数值上的最优解，没有考虑像元的实际混合情况，导致结果中出现所有端元都参与解混。而NMSP实质上是FCLS算法的改进。
CN202011609425.4A 2020-12-30 2020-12-30 一种基于归一化地物子空间投影的光谱解混方法 Active CN112712028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011609425.4A CN112712028B (zh) 2020-12-30 2020-12-30 一种基于归一化地物子空间投影的光谱解混方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011609425.4A CN112712028B (zh) 2020-12-30 2020-12-30 一种基于归一化地物子空间投影的光谱解混方法

Publications (2)

Publication Number Publication Date
CN112712028A true CN112712028A (zh) 2021-04-27
CN112712028B CN112712028B (zh) 2024-04-09

Family

ID=75547246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011609425.4A Active CN112712028B (zh) 2020-12-30 2020-12-30 一种基于归一化地物子空间投影的光谱解混方法

Country Status (1)

Country Link
CN (1) CN112712028B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440493A (zh) * 2013-02-27 2013-12-11 中国人民解放军空军装备研究院侦察情报装备研究所 基于相关向量机的高光谱影像模糊分类方法及装置
US8659656B1 (en) * 2010-10-12 2014-02-25 The Boeing Company Hyperspectral imaging unmixing
CN109063537A (zh) * 2018-06-06 2018-12-21 北京理工大学 针对异常小目标解混的高光谱图像预处理方法
CN110309851A (zh) * 2019-05-16 2019-10-08 中国科学院西安光学精密机械研究所 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备
CN112036235A (zh) * 2020-07-17 2020-12-04 中国科学院空天信息创新研究院 一种高光谱图像目标检测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8659656B1 (en) * 2010-10-12 2014-02-25 The Boeing Company Hyperspectral imaging unmixing
CN103440493A (zh) * 2013-02-27 2013-12-11 中国人民解放军空军装备研究院侦察情报装备研究所 基于相关向量机的高光谱影像模糊分类方法及装置
CN109063537A (zh) * 2018-06-06 2018-12-21 北京理工大学 针对异常小目标解混的高光谱图像预处理方法
CN110309851A (zh) * 2019-05-16 2019-10-08 中国科学院西安光学精密机械研究所 基于子空间聚类约束的高光谱影像解混方法、计算机可读存储介质、电子设备
CN112036235A (zh) * 2020-07-17 2020-12-04 中国科学院空天信息创新研究院 一种高光谱图像目标检测方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
袁博;: "马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用", 计算机应用, no. 12, 10 December 2017 (2017-12-10) *

Also Published As

Publication number Publication date
CN112712028B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN110717354B (zh) 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
Li et al. Nerfacc: Efficient sampling accelerates nerfs
Li et al. Nearest regularized subspace for hyperspectral classification
CN111127374B (zh) 一种基于多尺度密集网络的Pan-sharpening方法
Broadwater et al. Hybrid detectors for subpixel targets
Hang et al. Robust matrix discriminative analysis for feature extraction from hyperspectral images
CN110736542B (zh) 一种基于rgb值的光谱重建方法
CN110363236B (zh) 空谱联合超图嵌入的高光谱图像极限学习机聚类方法
CN108427934A (zh) 一种高光谱影像混合像元分解方法
Collings et al. Empirical models for radiometric calibration of digital aerial frame mosaics
Chen et al. Semisupervised spectral degradation constrained network for spectral super-resolution
Wu et al. Multiobjective guided divide-and-conquer network for hyperspectral pansharpening
CN116309227A (zh) 基于残差网络与空间注意力机制的遥感图像融合方法
CN115272144A (zh) 面向高光谱图像和多光谱图像的时空谱融合方法
CN113781375B (zh) 一种基于多曝光融合的车载视觉增强方法
CN112883823A (zh) 一种基于多源遥感数据融合的土地覆盖类别亚像素定位方法
CN112712028A (zh) 一种基于归一化地物子空间投影的光谱解混方法
CN103530875B (zh) 一种端元提取数据预处理方法
CN112380967B (zh) 一种联合图像信息的空间人造目标光谱解混方法及系统
CN115034992A (zh) 一种长波红外图像去噪方法
Wang et al. Heteroskedasticity tuned mixed-norm sparse regularization for face hallucination
CN107871307A (zh) 基于空间概率pca与nsct的全色图像锐化方法
Deng et al. A paddy field segmentation method combining attention mechanism and adaptive feature fusion
Luo et al. A Combined Unmixing Framework for Impervious Surface Mapping on Medium-Resolution Images with Visible Shadows
Abrams et al. Exploratory analysis of time-lapse imagery with fast subset PCA

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