CN112733867A - 一种高光谱图像的端元提取方法 - Google Patents
一种高光谱图像的端元提取方法 Download PDFInfo
- Publication number
- CN112733867A CN112733867A CN202110155095.4A CN202110155095A CN112733867A CN 112733867 A CN112733867 A CN 112733867A CN 202110155095 A CN202110155095 A CN 202110155095A CN 112733867 A CN112733867 A CN 112733867A
- Authority
- CN
- China
- Prior art keywords
- end member
- cluster
- extracting
- pixel
- pixels
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种高光谱图像的端元提取方法,根据欧氏距离指标分别为每个类别提取多个端元;以全部像素的平均光谱为基准提取第一个端元簇的第一个端元,以第一个端元簇的第一个端元为基准提取第一个端元簇中的其他端元和第二个端元簇中的第一个端元;提取第二个端元簇中的其余端元时,同时考察每个像素以第一个端元簇的平均光谱为基准和以第二个端元簇的第一个端元为基准的两种距离指标;提取剩余端元簇中的第一个端元时,考察每个像素的解残混差;提取剩余端元簇中的其他端元时,同时考察每个像素的解混残差以及以相应端元簇中的第一个端元簇为基准的距离指标;采用支持向量机模型计算解混残差。这种方法具有较好的鲁棒性,运算速度快。
Description
技术领域
本发明涉及遥感信息处理技术领域,尤其是涉及一种高光谱图像的端元提取方法。
背景技术
高光谱图像数据中每一类别特征的理想化纯像素数据被定义为“端元”。提取高光谱图像数据中纯像素的技术就是所谓的端元提取技术,这项技术是对高光谱图像数据进行后续混合像元分析(即光谱解混或软分类分析技术)的基础。
端元提取是实施光谱解混的必要前提。从进入20世纪90年代后随着对高光谱图像数据要求的提高,端元提取技术也随之不断发展提高,Neνille等在1999年提出了迭代误差分析方法(Iteratiνe Error Analysis,IEA)对高光谱进行端元提取,这种方法可以不用对高光谱进行降维,进行直接处理,效率较高,减少了处理的步骤和计算的复杂程度,具有方便直接的优点。
IEA方法具有很多优良的性能,但也存在以下几个问题:1、后续的端元仅仅通过解混残差来选取,虽然这些端元解混残差都比较大,但并不说明其是属于同一类的,方法中会出现端元错选的现象,因此该算法的鲁棒性有待进一步的改进。2、众所周知的,类内频谱变化往往很大,由单一的光谱代表一个类是不恰当的。传统的解混方法忽略了端元的可变性,每一类别只用一个端元信息来表示,当类内光谱变化较大时这种表示很不准确,致使解混的精度下降。更为重要的是,近年来出现的高效的多端元光谱解混分析方法急需端元簇提取方法而不是端元提取方法的配套研究。3、由于是迭代的算法,计算量较大,运算速度较慢。针对以上问题,本发明提出一种结合多端元解混残差及类内紧致性迭代分析的端元簇提取方法。
发明内容
本发明的目的是提供一种高光谱图像的端元提取方法,具有较好的鲁棒性,运算速度快。
为实现上述目的,本发明提供了一种高光谱图像的端元提取方法,根据欧氏距离指标分别为每个类别提取多个端元;以全部像素的平均光谱为基准提取第一个端元簇的第一个端元,以第一个端元簇的第一个端元为基准提取第一个端元簇中的其他端元和第二个端元簇中的第一个端元;提取第二个端元簇中的其余端元时,同时考察每个像素以第一个端元簇的平均光谱为基准和以第二个端元簇的第一个端元为基准的两种距离指标;提取剩余端元簇中的第一个端元时,考察每个像素的解残混差;提取剩余端元簇中的其他端元时,同时考察每个像素的解混残差以及以相应端元簇中的第一个端元簇为基准的距离指标;采用支持向量机模型(Support Νector Machines,SΝM)计算解混残差。
优选的,具体步骤如下:
S4、提取第2个端元簇EB2,EB2中第一个端元是选取所有像素中与端元簇EB1的平均光谱的欧氏距离最大的那一个;为每个像素计算如下两个距离:与EB1的平均光谱欧氏距离,以及与的欧氏距离,EB2中其余的端元是选取对应于两个距离之差最大的个像素。
S5、提取第个端元簇将已选取出来的端元簇组成矩阵利用矩阵来对剩余的每个像素做多端元解混计算,计算每个像素的解混残差,中的第一个端元选取对应解混残差最大的那一个像素,剩余的个端元是选取对应解混残差与到的欧氏距离之差最大的个像素。
因此,本发明采用上述的一种高光谱图像的端元提取方法,其鲁棒性好、运算速度快。综合利用解混残差及类内紧致性来筛选端元簇,很好地避免了端元错选现象,使其更具鲁棒性;利用端元簇进行SΝM多端元解混,运算速度快,同时用多个样本刻画一个类别,将端元的可变性充分考虑了进去,解混合理性强。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种高光谱图像的端元提取方法实施例的步骤示意图;
图2为本发明实施例中玉米、大豆、农林各类别平均光谱曲线图;
图3为本发明实施例中三种方法中每类别所提取的端元簇结果图;
图4为本发明实施例中三种方法在同一机器上的运算时间对比图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
一种高光谱图像的端元提取方法,根据欧氏距离指标分别为每个类别提取多个端元;以全部像素的平均光谱为基准提取第一个端元簇的第一个端元,以第一个端元簇的第一个端元为基准提取第一个端元簇中的其他端元和第二个端元簇中的第一个端元;提取第二个端元簇中的其余端元时,同时考察每个像素以第一个端元簇的平均光谱为基准和以第二个端元簇的第一个端元为基准的两种距离指标;提取剩余端元簇中的第一个端元时,考察每个像素的解残混差;提取剩余端元簇中的其他端元时,同时考察每个像素的解混残差以及以相应端元簇中的第一个端元簇为基准的距离指标;采用支持向量机模型(SupportΝector Machines,SΝM)计算解混残差。
如图1所示,具体步骤如下:
S3、提取第1个端元簇EB1。
S3.2、提取EB1中其余的端元。是选取剩余的像素中与的欧氏距离最小的个。其中两个列向量之间的欧氏距离计算如下:假设有两个n×1维的列向量分别为A1=[a1,a2,...,an]τ和B1=[b1,b2,...,bn]τ。
那么A1与B1之间的欧氏距离计算表达式为:
S4、提取第2个端元簇EB2。
S5.2、计算每个像素的解混残差。
其中,符号|| ||表示求取向量长度。
其中的λ是权重系数,在这里取值为1。
通过步骤S1至步骤S6,最终输出本发明的端元簇提取结果。本发明中的距离指标采用欧式距离,可以替换为其他与类内紧致性相关的度量指标。支持向量机(SupportVector Machines,SVM)模型也可以替换为其他多端元解混模型。
为了说明本发明的有效性,特进行如下实验论证。实验数据利用1992年6月拍摄的美国印第安纳洲西北部印第安农林高光谱遥感图像,采用图像中玉米、大豆、农林这三大类别,其各类别平均光谱曲线如图2所示。
实验中每类从距各自类别的平均光谱距离最小的500个像元中均匀选取25个纯像元,玉米的像元编号是1-25,大豆的像元编号是26-50,农林的像元编号是51-75。通过丰度全约束随机加权三类纯像元,合成得到的253个像素几乎能够模拟所有三类的混合。改进的IEA主要分两部分:一是综合利用解混残差及类内紧致性来筛选端元簇,二是利用端元簇通过SΝM多端元解混,这两个改进可以单独或者联合使用。传统的方法记为IEA,单独使用解混残差及类内紧致性来筛选端元簇方法记为IEA_ID,联合改进的方法记为IEA_IDSΝM,用这三种方法分别进行端元簇提取。
三种方法中每类别所提取的端元簇结果如图3所示,其中IEA方法有两个端元是错选的,IEA_ID和IEA_IDSΝM方法均有一个端元被错选。错选的端元在图3中用加粗字体标出。实验结果表明:本发明中的IEA_ID和IEA_IDSΝM端元簇提取能力更好、鲁棒性能更强。
三种方法在同一机器上的运算时间如图4所示。将提取端元簇的数目增加到10时IEA,IEA_ID和IEA_IDSΝM三种方法总的运行时间分别增加到453.9s、605.0s和23.6s。实验结果表明:利用端元簇通过SΝM多端元解混能够大大减少计算负担,使运算速度更快。
通过实验的对比分析可以进一步看出本发明方法优势所在。
因此,本发明采用上述结构的一种高光谱图像的端元提取方法,其鲁棒性好、运算速度快。综合利用解混残差及类内紧致性来筛选端元簇很好地避免了端元错选现象,使其更具鲁棒性;利用端元簇进行SΝM多端元解混,运算速度快,同时用多个样本刻画一个类别,将端元的可变性充分考虑了进去,解混合理性强。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (2)
1.一种高光谱图像的端元提取方法,其特征在于:根据欧氏距离指标分别为每个类别提取多个端元;以全部像素的平均光谱为基准提取第一个端元簇的第一个端元,以第一个端元簇的第一个端元为基准提取第一个端元簇中的其他端元和第二个端元簇中的第一个端元;提取第二个端元簇中的其余端元时,同时考察每个像素以第一个端元簇的平均光谱为基准和以第二个端元簇的第一个端元为基准的两种距离指标;提取剩余端元簇中的第一个端元时,考察每个像素的解残混差;提取剩余端元簇中的其他端元时,同时考察每个像素的解混残差以及以相应端元簇中的第一个端元簇为基准的距离指标;采用支持向量机模型(Support Nector Machines,SNM)计算解混残差。
2.根据权利要求1所述的一种高光谱图像的端元提取方法,其特征在于:具体步骤如下:
S4、提取第2个端元簇EB2,EB2中第一个端元是选取所有像素中与端元簇EB1的平均光谱的欧氏距离最大的那一个;为每个像素计算如下两个距离:与EB1的平均光谱欧氏距离,以及与的欧氏距离,EB2中其余的端元是选取对应于两个距离之差最大的个像素;
S5、提取第个端元簇EBi,将已选取出来的端元簇组成矩阵利用矩阵来对剩余的每个像素做多端元解混计算,计算每个像素的解混残差,中的第一个端元选取对应解混残差最大的那一个像素,剩余的个端元是选取对应解混残差与到的欧氏距离之差最大的个像素;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155095.4A CN112733867B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱图像的端元提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110155095.4A CN112733867B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱图像的端元提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733867A true CN112733867A (zh) | 2021-04-30 |
CN112733867B CN112733867B (zh) | 2023-08-08 |
Family
ID=75595777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110155095.4A Active CN112733867B (zh) | 2021-02-04 | 2021-02-04 | 一种高光谱图像的端元提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733867B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030012398A1 (en) * | 2001-07-11 | 2003-01-16 | Sunshine Jessica Miriam | Method for selecting representative endmember components from spectral data |
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 |
CN105184302A (zh) * | 2015-10-09 | 2015-12-23 | 北京航空航天大学 | 一种高光谱图像端元自动提取方法 |
CN105261000A (zh) * | 2015-09-17 | 2016-01-20 | 哈尔滨工程大学 | 一种基于端元提取与光谱解混的高光谱图像融合方法 |
CN108280486A (zh) * | 2018-02-02 | 2018-07-13 | 北京航空航天大学 | 一种基于端元簇的高光谱图像解混方法 |
CN111612724A (zh) * | 2020-05-29 | 2020-09-01 | 南阳理工学院 | 一种快速高光谱图像线性解混方法 |
-
2021
- 2021-02-04 CN CN202110155095.4A patent/CN112733867B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030012398A1 (en) * | 2001-07-11 | 2003-01-16 | Sunshine Jessica Miriam | Method for selecting representative endmember components from spectral data |
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 |
CN105261000A (zh) * | 2015-09-17 | 2016-01-20 | 哈尔滨工程大学 | 一种基于端元提取与光谱解混的高光谱图像融合方法 |
CN105184302A (zh) * | 2015-10-09 | 2015-12-23 | 北京航空航天大学 | 一种高光谱图像端元自动提取方法 |
CN108280486A (zh) * | 2018-02-02 | 2018-07-13 | 北京航空航天大学 | 一种基于端元簇的高光谱图像解混方法 |
CN111612724A (zh) * | 2020-05-29 | 2020-09-01 | 南阳理工学院 | 一种快速高光谱图像线性解混方法 |
Non-Patent Citations (1)
Title |
---|
王晓飞;张钧萍;张晔;: "高光谱图像混合像元分解算法", 红外与毫米波学报, no. 03 * |
Also Published As
Publication number | Publication date |
---|---|
CN112733867B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fatras et al. | Unbalanced minibatch optimal transport; applications to domain adaptation | |
Tao et al. | Joint embedding learning and low-rank approximation: A framework for incomplete multiview learning | |
Ramirez et al. | Classification and clustering via dictionary learning with structured incoherence and shared features | |
Zhang et al. | A triplet nonlocal neural network with dual-anchor triplet loss for high-resolution remote sensing image retrieval | |
Shao et al. | Deep linear coding for fast graph clustering | |
CN108960422B (zh) | 一种基于主成分分析的宽度学习方法 | |
CN110443261B (zh) | 一种基于低秩张量恢复的多图匹配方法 | |
Liu et al. | H-Net: Neural Network for Cross-domain Image Patch Matching. | |
CN107341510A (zh) | 基于稀疏正交的双图非负矩阵分解的图像聚类方法 | |
CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
CN109711442B (zh) | 无监督逐层生成对抗特征表示学习方法 | |
Liu et al. | Self-supervised transformer-based pre-training method using latent semantic masking auto-encoder for pest and disease classification | |
CN106650820A (zh) | 一种手写电气元器件符号与标准电气元器件符号的匹配识别方法 | |
Ren et al. | Convolutional neural network based on principal component analysis initialization for image classification | |
CN111241326A (zh) | 基于注意力金字塔图网络的图像视觉关系指代定位方法 | |
Zhong et al. | Highly efficient natural image matting | |
Liu et al. | DFL-LC: Deep feature learning with label consistencies for hyperspectral image classification | |
Zhang et al. | Large-scale clustering with structured optimal bipartite graph | |
CN106951501B (zh) | 一种基于多图匹配的三维模型检索方法 | |
CN111582142B (zh) | 一种影像匹配方法及装置 | |
Yuan et al. | Context-aware clustering | |
CN112733867A (zh) | 一种高光谱图像的端元提取方法 | |
CN116168420A (zh) | 基于改进GhostNet的轻量级手势图像识别方法 | |
AU2021101210A4 (en) | An Endmember Extraction Method Of Hyperspectral Image | |
Tang et al. | A GMS-guided approach for 2D feature correspondence selection |
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 |