基于豐度顯著性分析的高光譜圖像解混方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供基于豐度顯著性分析的高光譜圖像解混方法及系統(tǒng)，包括建立待處理的高光譜遙感圖像的端元光譜庫；用基于稀疏回歸的混合像元分解方法對每個像元進行初步混合像元分解并按照豐度值的大小降序排列，對排序后的豐度序列進行顯著性分析，得到顯著性豐度的臨界值，然后根據(jù)預設的顯著性豐度閾值進行判斷組成該像元的稀疏表示端元子集；最后采用豐度約束的最小二乘法再次進行混合像元分解，將結果作為最終的混合像元分解結果。本發(fā)明可以得到更為稀疏和準確的像元表示端元子集，并且提高高光譜遙感圖像混合像元分解的精度，在基于高光譜遙感圖像的高精度地物分類以及地面目標檢測和識別方面具有重要的應用價值。
【專利說明】基于豐度顯著性分析的高光譜圖像解混方法及系統(tǒng)

【技術領域】
[0001] 本發(fā)明屬于遙感圖像處理【技術領域】，涉及一種基于豐度顯著性分析的高光譜遙感 圖像混合像元分解方法。

【背景技術】
[0002] 高光譜遙感圖像具有較高的光譜分辨率，能更為細致精確地分析地物的物質成 分，因而受到國內外學者的極大關注并被廣泛應用于地物分類、異常檢測、目標的識別等。 然而高光譜圖像的空間分辨率一般較低，一個像元內通常包含了多種地物的光譜，這些像 元被稱為混合像元?；旌舷裨钠毡榇嬖跇O大地阻礙了高光譜遙感圖像的應用。高光譜遙 感圖像的混合像元分解是高光譜遙感圖像分析的核心問題之一，有效地進行混合像元分解 可以得到圖像的亞像元級信息，對于亞像元目標探測、巖礦識別、精細農業(yè)等方面都具有非 常重要的意義?；旌舷裨纸膺^程是從混合像元中識別出它包含的不同地物類型的光譜 (端元）和這些地物在混合像元中占有的比例（豐度）。
[0003] 像元的線性混合模型假設像元的光譜反射率是其中含有的所有地物的光譜反射 率的線性組合。該模型表達簡潔、物理意義明確、具有較強的普適性，因而得到了廣泛的應 用。混合像元分解首先需要提取圖像中所含有的地物的光譜信息（端元提?。Ｈ欢覀?很難自動并且準確的估計圖像中含有的端元數(shù)目和提取端元的特征光譜。近年來，隨著很 多光譜庫（例如美國地質勘測局的礦物光譜庫，美國航天航空局的ASTER光譜庫等）的公 開，使得我們可以直接利用已經建成的端元光譜庫而不需要從圖像中提取端元，避免了端 元提取過程中產生的誤差。利用現(xiàn)有的光譜庫解混也不要求圖像中每個端元必須有純凈像 元對應，在像元普遍混合程度較高時仍能取得較好的效果。端元光譜庫要盡量完備，以包含 圖像中的所有端元，所以通常光譜庫中端元的數(shù)量很大。另一方面一個像元含有的端元數(shù) 目通常小于整幅圖像所含有的端元數(shù)目，更遠遠小于端元光譜庫中端元的數(shù)目，即像元用 端元線性表示時豐度值具有很強的稀疏性。鑒于用光譜庫進行高光譜遙感圖像解混時混合 像元表示的稀疏性，基于稀疏回歸的方法被引入到線性解混問題中，并取得了較好的效果。 基于稀疏回歸的混合像元分解方法是一種半監(jiān)督的解混方法，它利用已有的端元光譜庫作 為先驗信息，將像元表示成端元光譜庫中某些端元的線性組合。基于稀疏回歸的混合像元 分解方法在解混過程中加入了豐度的稀疏性約束，可以得到較為稀疏的解混豐度，得到的 結果更符合實際情況。
[0004] 基于稀疏回歸的混合像元分解方法是在端元光譜庫中找到一組最佳的端元子集 來線性表示混合像元。一般稱這個端元子集為該像元的表示端元子集。
[0005] 下面介紹現(xiàn)有技術中與本發(fā)明相關的一些概念：
[0006] 1.線性光譜混合模型
[0007] 線性光譜混合模型假設像元的光譜反射率是其中含有的所有地物的光譜反射率 的線性組合，混合像元的線性表示模型可以表示為
[0008] y = M a +n (I)
[0009] 其中y是一個L維的列向量，表示觀測到的混合像元反射光譜（L是圖像的光譜波 段數(shù)）；這個像元中含有q個端元，每一個端元的特征光譜也是一個L維的列向量，它們組 成一個LXq維矩陣M，即像元包含的端元信息；α = (α α 2,…，a q)T是一個q維列向量， 表示每個端元在混合像元中所占的豐度，a i為第i個端元在混合像元中所占的豐度，i的 取值為1，2,…，q，T是向量的轉置符號；η是L維的加性噪音。
[0010] 端元的豐度是指端元在像元中所占有的比重，因此豐度值要滿足以下和為一約束 條件（Abundance Sum_t〇-〇ne Constraint, ASC)和非負約束條件（Abundance Nonnegative Constraint, ANC)：

【權利要求】
1. 一種基于豐度顯著性分析的高光譜圖像解混方法，其特征在于，包括w下步驟： 步驟a,建立待處理的高光譜遙感圖像的端元光譜庫； 步驟b，用基于稀疏回歸的混合像元分解方法對高光譜遙感圖像每個像元分別進行初 步混合像元分解； 步驟C，對高光譜遙感圖像中每個像元，分別將步驟b所得初步解混豐度按照豐度值的 大小降序排列，對排序后的豐度序列進行顯著性分析，得到顯著性豐度的臨界值Xt，實現(xiàn)如 下， 設對某個像元初步解混后，豐度值不為0的端元有P個，記重新排序后的非0豐度序列 為{Xi}，i的取值為1，2,…，P，Xi為重新排序后的第i個非0豐度值； 當P > 3時，令變量中=Xi-Xw，i的取值為1，2,…，P-1 ;變量Ci = 1-cUM，i的取 值為1，2,…，p-2,記{cj中最大值對應的序號為臨界序號it，it對應的豐度值為顯著性豐 度的臨界值，記為Xt; 當P《3時，直接令最小的非0豐度值為顯著性豐度值的臨界值，記為xt ; 步驟d，對高光譜遙感圖像中每個像元，分別根據(jù)預設的顯著性豐度闊值X。進行判斷， 如果Xt > X。則將所有大于X。的豐度值對應端元組成該像元的稀疏表示端元子集，否則將 所有大于Xt的豐度值對應端元組成該像元的稀疏表示端元子集； 步驟e，對高光譜遙感圖像中每個像元，基于步驟d得到的稀疏表示端元子集，采用豐 度約束的最小二乘法再次進行混合像元分解，將結果作為最終的混合像元分解結果。
2. 根據(jù)權利要求1所述基于豐度顯著性分析的高光譜圖像解混方法，其特征在于：步 驟a中，利用已有的端元光譜庫建立高光譜遙感圖像的端元光譜庫，實現(xiàn)如下， 1) 從已有的端元光譜庫中提取相應端元，提取結果包含整個高光譜遙感圖像中所有的 地物類型； 2) 將提取的端元進行光譜重采樣，使得重采樣后端元的特征光譜與高光譜圖像的光譜 具有相同的波段數(shù)，每個波段對應的波長相同；將重采樣后的端元組成高光譜遙感圖像的 端元光譜庫。
3.根據(jù)權利要求1所述基于豐度顯著性分析的高光譜圖像解混方法，其特征在于：步 驟a中，采用最小體積單形體分析法從高光譜遙感圖像中提取端元建立圖像的端元光譜 庫。
4.根據(jù)權利要求1或2或3所述基于豐度顯著性分析的高光譜圖像解混方法，其特征 在于；步驟b中，基于稀疏回歸的混合像元分解方法采用卻nSAL算法。
5.根據(jù)權利要求1或2或3所述基于豐度顯著性分析的高光譜圖像解混方法，其特征 在于；步驟e中，豐度約束的最小二乘法法采用非負約束的最小二乘法或全條件約束的最 小二乘法。
6. -種基于豐度顯著性分析的高光譜圖像解混系統(tǒng)，其特征在于，包括W下模塊： 端元光譜庫構建模塊，用于建立待處理的高光譜遙感圖像的端元光譜庫； 初步解混模塊，用于用基于稀疏回歸的混合像元分解方法對高光譜遙感圖像每個像元 分別進行初步混合像元分解； 顯著性分析模塊，用于對高光譜遙感圖像中每個像元，分別將初步解混模塊所得初步 解混豐度按照豐度值的大小降序排列，對排序后的豐度序列進行顯著性分析，得到顯著性 豐度的臨界值Xt，實現(xiàn)如下， 設對某個像元初步解混后，豐度值不為0的端元有P個，記重新排序后的非0豐度序列 為{Xi}，i的取值為1，2,…，P，Xi為重新排序后的第i個非0豐度值； 當P > 3時，令變量中=Xf-Xw，i的取值為1，2,…，p-1 ;變量Ci = 1-dw/di，i的取 值為1，2,…，p-2,記{cj中最大值對應的序號為臨界序號it，it對應的豐度值為顯著性豐 度的臨界值，記為Xt ; 當P《3時，直接令最小的非0豐度值為顯著性豐度值的臨界值，記為xt ; 稀疏表示端元子集建立模塊，用于對高光譜遙感圖像中每個像元，分別根據(jù)預設的顯 著性豐度闊值X。進行判斷，如果Xt>X。則將所有大于X。的豐度值對應端元組成該像元的稀 疏表示端元子集，否則將所有大于Xt的豐度值對應端元組成該像元的稀疏表示端元子集； 最終解混模塊，用于對高光譜遙感圖像中每個像元，基于稀疏表示端元子集建立模塊 得到的稀疏表示端元子集，采用豐度約束的最小二乘法再次進行混合像元分解，將結果作 為最終的混合像元分解結果。
7. 根據(jù)權利要求6所述基于豐度顯著性分析的高光譜圖像解混方法，其特征在于：端 元光譜庫構建模塊中，利用已有的端元光譜庫建立高光譜遙感圖像的端元光譜庫，實現(xiàn)如 下， 1) 從已有的端元光譜庫中提取相應端元，提取結果包含整個高光譜遙感圖像中所有的 地物類型； 2) 將提取的端元進行光譜重采樣，使得重采樣后端元的特征光譜與高光譜圖像的光譜 具有相同的波段數(shù)，每個波段對應的波長相同；將重采樣后的端元組成高光譜遙感圖像的 端元光譜庫。
8. 根據(jù)權利要求6所述基于豐度顯著性分析的高光譜圖像解混方法，其特征在于：端 元光譜庫構建模塊中，采用最小體積單形體分析法從高光譜遙感圖像中提取端元建立圖像 的端元光譜庫。
9. 根據(jù)權利要求6或7或8所述基于豐度顯著性分析的高光譜圖像解混方法，其特征 在于；初步解混模塊中，基于稀疏回歸的混合像元分解方法采用卻nSAL算法。
10. 根據(jù)權利要求6或7或8所述基于豐度顯著性分析的高光譜圖像解混方法，其特征 在于：最終解混模塊中，豐度約束的最小二乘法法采用非負約束的最小二乘法或全條件約 束的最小二乘法。
【文檔編號】G06T7/00GK104463224SQ201410817202
【公開日】2015年3月25日 申請日期:2014年12月24日 優(yōu)先權日:2014年12月24日
【發(fā)明者】邵振峰, 王毓乾, 張磊, 周維勛, 張鄰晶 申請人:武漢大學