CN114332642A - 高光谱影像半监督弱信号解混方法 - Google Patents
高光谱影像半监督弱信号解混方法 Download PDFInfo
- Publication number
- CN114332642A CN114332642A CN202111553643.5A CN202111553643A CN114332642A CN 114332642 A CN114332642 A CN 114332642A CN 202111553643 A CN202111553643 A CN 202111553643A CN 114332642 A CN114332642 A CN 114332642A
- Authority
- CN
- China
- Prior art keywords
- supervised
- image
- weak
- ground
- weak signal
- 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.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种高光谱影像半监督弱信号解混方法,属于图像处理领域。该方法包括以下步骤:S1:获取卫星对指定地面范围的遥感观测影像,完成影像辐射矫正和大气矫正预处理工作;S2:采用影像光谱波峰波谷粗分析和实地勘测相结合的方式估测出卫星所观测的地区可能存在的弱信号地物,包括藻类污染的水体和工业废水污染的地面;通过实验室测量弱信号所代表的标准光谱;S3:对经过预处理的遥感影像进行初始化工作来获得影像中典型地物的初始光谱和对应的丰度分布范围;S4:采用包括无监督模块、有监督模块和稀疏正则项的模型来估测影像中地物的光谱和对应的地物分布;同时获得弱信号地物的分布范围和混合成份。
Description
技术领域
本发明属于图像处理领域,涉及高光谱影像半监督弱信号解混方法。
背景技术
高光谱遥感技术,也称成像光谱,在每个像素点上以数十或数百个连续间隔的窄光谱带记录地表反射或发射的辐射,已很好地应用于重金属污染、精准农业。由于传感器有限空间分辨率,图像中易包含由多种端元线性组合的混合像素。然而,端元通常被认为是代表图像中主要的地物,而当地物中由于低混合成份和有限地物覆盖造成强度低的弱信号时,对弱信号的讨论和研究通常不在传统高光谱分析的范式中但这一类弱信号地物往往具有较大的探测价值。
大多数情况下,弱信号表示一些小而有用的信息,如污染或矿物。水质监测的一个典型例子是涉及间接测量叶绿素浓度的藻类水华检测。但低叶绿素浓度如小于2mg/m3时污染水体的光谱仅在蓝色波长(400–500nm)范围内具有较高的反射率。另一个例子是可用于估算地区的绿地密度的归一化差异植被指数(NDVI),它是一个无量纲指数,描述植被覆盖的可见光和近红外反射率之间的差异。随着植被覆盖度的增加,NDVI趋于饱和。也就是说,如果植被覆盖以及低叶绿素浓度与背景覆盖相比不够饱和,则观测地面的解释精度无法满足要求。在这些情况下,由于实际应用中信号较弱,传统的分解策略往往会遇到瓶颈。目前,大多数研究者更多关注传统的高光谱解译方法,而对强度低的地物弱信号的处理则没有明确的分析范式。
基于非负矩阵分解(NMF)的方法在高光谱解混中通过使用乘法更新规则交替优化目标变量来将高光谱数据近似地分解为端元矩阵和丰度矩阵的乘积。然而,当地物中存在强度低的弱信号时,采用NMF方法进行图像解译时精度不够。由于某些目标具有细微的混合成份,解决这样的问题的难度在于初始化和优化很困难。其次是当引入先验知识来检测和分离相应的弱信号时,它可能会在优化任务期间退化。在这方面,基于稀疏解混的模型可能是一个不错的选择,因为这类方法引入了现有的光谱库并且只优化了丰度。但当光谱库并不完整或者数据过大时,它可能会导致不匹配、高相干性或高计算复杂度问题。
半监督NMF模型在某种程度上可以嫁接在高光谱弱信号分析中,原因在于这类模型剥离了端元同时优化模式而对不同的端元进行差异化的优化。但现有基于半监督NMF的方法仅认为一个区域具有的某些土地覆盖物光谱特征可以从标准库或地面调查中检索到。当一些纯端元在执行解混任务之前已知并可用时,它们将被视为端元库并随后替换初始化的端元。然而,如果谱库和初始化端元之间的谱相关性低,则引入的端元库可能不匹配已经初始化的端元。其次,大量先前的工作证明基于NMF的方法可以在相对低纯度的情况下产生所需的解混结果。
发明内容
有鉴于此,本发明的目的在于提供一种高光谱影像半监督弱信号解混方法。
为达到上述目的,本发明提供如下技术方案:
高光谱影像半监督弱信号解混方法,该方法包括以下步骤:
S1:获取卫星对指定地面范围的遥感观测影像,完成影像辐射矫正和大气矫正预处理工作;
S2:采用影像光谱波峰波谷粗分析和实地勘测相结合的方式估测出卫星所观测的地区可能存在的弱信号地物,包括藻类污染的水体和工业废水污染的地面;通过实验室测量弱信号所代表的标准光谱;
S3:对经过预处理的遥感影像进行初始化工作来获得影像中典型地物的初始光谱和对应的丰度分布范围;
S4:采用包括无监督模块、有监督模块和稀疏正则项的模型来估测影像中地物的光谱和对应的地物分布;同时获得弱信号地物的分布范围和混合成份。
可选的,所述无监督模块估算端元和丰度,其中端元包含由Robust-OSP初始化的端元和先验知识;
可选的,所述有监督模块用于约束先验信息的退化,监测高光谱图像中的弱小信号;
有监督模块表述如下:
其中A=[0p×q;Iq×q]表示指示矩阵用于从端元矩阵中提取出对应先验知识的端元光谱,V表示先验知识;V和的区别在于前者在模型中视为被观测对象不会被优化,而后者在模型中视为检测弱小信号的先验因而在模型中会被更新优化。
可选的,所述无监督模块和有监督模块在高光谱弱小信号检测中的协同作用,并同时考虑丰度矩阵的稀疏特性,通过联合无监督模型和有监督模型,得到半监督重加权稀疏模型:
约简后,得到模型:
其中第一个保真项是无监督模块,第二个保真项为有监督模块,第三项为稀疏正则项;R表示对丰度矩阵非零元素进行重加权约束的矩阵用于迫使丰度矩阵变得更加稀疏。
可选的,所述监测高光谱图像中的弱小信号具体为:
S12:对于观测得到的高光谱图像数据,通过野外调查或地物光谱反射波峰分析,获取该观测地区范围存在的弱地物信号并通过实验室光谱成像获得弱小信号的成像光谱并将其作为先验知识;
S13:通过优化模型(5)获得弱小信号光谱所对应的地物分布情况。
S21:采用SVD算法将高维数据Y转为低维数据子空间X;
S22:计算具有最大L2范数的数据点e1为初始低维端元;
S24:重复S23直至获得指定数目的低维端元;
S25:将低维端元逆变换至高维端元。
本发明的有益效果在于:本发明提出的HyperWeak方法基于半监督稀疏非负矩阵设计,通过考虑两个保真度项来解决弱信号场景。第一个保真项无监督地估计由初始化端元和先验增广的端元和丰度。第二个保真项有监督地最小化先验退化。为了提高HyperWeak的鲁棒性,添加了一个重加权稀疏正则项和基于Robust-OSP的端元初始化方法,使得所提出的HyperWeak算法能有效且准确的估测弱信号的地物丰度成份和分布。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为六种提取的地物光谱和标准光谱的可视化对比;(a)为Tree;(b)为Water;(c)为Dirt;(d)为Road;(e)为Sagebrush;(f)为Water+Montmor;
图2为六种提取的地物丰度和标准地物丰度分布的可视化对比;
图3为弱小信号分析的半监督模型流程示意图;
图4为Robust-OSP算法的端元初始化示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
本发明包括以下步骤:
S1:获取卫星对指定地面范围的遥感观测影像,完成影像辐射矫正和大气矫正预处理工作;
S2:采用影像光谱波峰波谷粗分析和实地勘测相结合的方式估测出卫星所观测的地区可能存在的弱信号地物,包括藻类污染的水体和工业废水污染的地面;通过实验室测量弱信号所代表的标准光谱;
S3:对经过预处理的遥感影像进行初始化工作来获得影像中典型地物的初始光谱和对应的丰度分布范围。
S4:采用模型(5)来估测影像中主要地物的光谱和对应的地物分布。同时获得弱信号地物的分布范围和混合成份。
无监督优化:
HyperWeak的无监督部分侧重于估算端元和丰度,其中端元包含由Robust-OSP初始化的端元和先验知识。假定表示包含L个波段和N个像元的高光谱图像矩阵,表示含有L个波段和p个初始化端元,表示由观测者添加的q个先验光谱用于检测高光谱数据中存在的弱小信号。无监督优化模块表述如下:
有监督优化:
有监督模块用于约束先验信息的退化,以有效监测高光谱图像中的弱小信号。有监督模型可以表述如下:
其中A=[0p×q;Iq×q]表示指示矩阵用于从端元矩阵中提取出对应先验知识的端元光谱,V表示先验知识。V和的区别在于前者在模型中视为被观测对象不会被优化,而后者在模型中视为检测弱小信号的先验因而在模型中会被更新优化。
总体模型:
本方案考虑无监督模块和有监督模块在高光谱弱小信号检测中的协同作用,并同时考虑丰度矩阵的稀疏特性,通过联合无监督模型和有监督模型提出了如下的半监督重加权稀疏模型:
对上述模型进行约简,有如下模型:
其中第一个保真项是无监督模块,第二个保真项为有监督模块,第三项为稀疏正则项。R表示对丰度矩阵非零元素进行重加权约束的矩阵用于迫使丰度矩阵变得更加稀疏。
本发明中的弱小信号检测方法和现有传统解混方法运行在标准Jasper Ridge实验数据中,其中Jasper Ridge包含4种正常地物(Tree,Water,Dirt,Road)和两种弱信号地物(Sagebrush和Water+Montmor)。实验结果展现在表1中。
表1算法在Jasper Ridge数据集上的实验结果
由表1可知,对比现有传统高光谱解混的方法,本发明在高光谱图像存在弱小信号的场景下具有更低的均方根误差结果和最低的信号退化水平。同时,对于正常地物,本发明的亦能获得较好的端元提取能力。图1和图2展现了本发明从图像中所估计的6种地物(短实线)和标准光谱库(长实线)的可视化对比。由图1和图2所示,本发明所估计的端元光谱基本拟合了真实的端元光谱,同时所估计出的地物丰度和成份也基本符合真实的地物分布信息。
图2中六种提取的地物丰度(第二行)和标准地物丰度分布(第一行)的可视化对比,从左到右为Tree,Water,Dirt,Road,Sagebrush和Water+Montmor。
图3展示了本发明在高光谱图像中进行弱小信号分析的示意图。该示意图可以简要的描述为如下步骤:
步骤2:对于观测得到的高光谱图像数据,通过野外调查或地物光谱反射波峰分析,获取该观测地物范围存在的弱地物信号并通过实验室光谱成像获得弱小信号的成像光谱并将其作为先验知识。
步骤3:通过优化模型(5)获得弱小信号光谱所对应的地物分布情况。
图4展示了本发明中所涉及到的重要步骤,即Robust-OSP初始化算法的初始化过程。该过程可以表述为以下步骤:
步骤1:采用SVD算法将高维数据Y转为低维数据子空间X。
步骤2:计算具有最大L2范数的数据点e1为初始低维端元
步骤4:重复第三步直至获得指定数目的低维端元。
步骤5:将低维端元逆变换至高维端元。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.高光谱影像半监督弱信号解混方法,其特征在于:该方法包括以下步骤:
S1:获取卫星对指定地面范围的遥感观测影像,完成影像辐射矫正和大气矫正预处理工作;
S2:采用影像光谱波峰波谷粗分析和实地勘测相结合的方式估测出卫星所观测的地区可能存在的弱信号地物,包括藻类污染的水体和工业废水污染的地面;通过实验室测量弱信号所代表的标准光谱;
S3:对经过预处理的遥感影像进行初始化工作来获得影像中典型地物的初始光谱和对应的丰度分布范围;
S4:采用包括无监督模块、有监督模块和稀疏正则项的模型来估测影像中地物的光谱和对应的地物分布;同时获得弱信号地物的分布范围和混合成份。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553643.5A CN114332642A (zh) | 2021-12-17 | 2021-12-17 | 高光谱影像半监督弱信号解混方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111553643.5A CN114332642A (zh) | 2021-12-17 | 2021-12-17 | 高光谱影像半监督弱信号解混方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332642A true CN114332642A (zh) | 2022-04-12 |
Family
ID=81052145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111553643.5A Pending CN114332642A (zh) | 2021-12-17 | 2021-12-17 | 高光谱影像半监督弱信号解混方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109946A (zh) * | 2023-04-13 | 2023-05-12 | 中国人民解放军战略支援部队航天工程大学 | 一种海洋背景的高光谱影像异常探测方法和系统 |
-
2021
- 2021-12-17 CN CN202111553643.5A patent/CN114332642A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109946A (zh) * | 2023-04-13 | 2023-05-12 | 中国人民解放军战略支援部队航天工程大学 | 一种海洋背景的高光谱影像异常探测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sa et al. | weednet: Dense semantic weed classification using multispectral images and mav for smart farming | |
Houborg et al. | A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning | |
Yan et al. | Improved time series land cover classification by missing-observation-adaptive nonlinear dimensionality reduction | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
Palaniswami et al. | Spectral mixture analysis for subpixel classification of coconut | |
CN112396029B (zh) | 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法 | |
Ponti et al. | Precision agriculture: Using low-cost systems to acquire low-altitude images | |
Pádua et al. | Vineyard classification using OBIA on UAV-based RGB and multispectral data: A case study in different wine regions | |
Barros et al. | Multispectral vineyard segmentation: A deep learning comparison study | |
Kruse et al. | Techniques developed for geologic analysis of hyperspectral data applied to near-shore hyperspectral ocean data | |
US6778702B1 (en) | Method and apparatus for assessing the quality of spectral images | |
CN114332642A (zh) | 高光谱影像半监督弱信号解混方法 | |
CN112036235A (zh) | 一种高光谱图像目标检测方法和系统 | |
Sankaran et al. | Can High-Resolution Satellite Multispectral Imagery Be Used to Phenotype Canopy Traits and Yield Potential in Field Conditions? | |
Bilodeau et al. | Identifying hair fescue in wild blueberry fields using drone images for precise application of granular herbicide | |
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 | |
CN113421198A (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 | |
Su et al. | Wheat drought assessment by remote sensing imagery using unmanned aerial vehicle | |
Shen et al. | Toward weak signal analysis in hyperspectral data: An efficient unmixing perspective | |
CN114596482B (zh) | 一种基于扩展多线性混合模型的高光谱图像非线性解混方法 | |
Qu et al. | A fast and efficient approach to estimate wild blueberry yield using machine learning with drone photography: Flight altitude, sampling method and model effects | |
CN114545410B (zh) | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 | |
George et al. | Assessment of spectral reduction techniques for endmember extraction in unmixing of hyperspectral images | |
Yang et al. | Investigating the impact of hyperspectral reconstruction techniques on the quantitative inversion of rice physiological parameters: A case study using the MST++ model | |
Cash et al. | Evaluating free and simple remote sensing methods for mapping Chinese privet (Ligustrum sinense) invasions in hardwood forests |
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 |