专利名称：一种高光谱遥感影像端元提取方法
一种高光谱遥感影像端元提取方法技术领域
本发明属于高光谱遥感图像处理技术领域，具体涉及一种高光谱遥感影像端元提 取方法，更具体涉及一种改进型最大光谱筛选(Maximum Spectral Screening,MSS)的高光 谱遥感影像端元提取方法。
背景技术：
随着空间技术的不断发展，卫星遥感已成为人们获取对地观测信息的重要手段。 遥感对地观测要解决的两个重要问题，一是几何问题，二是物理问题。前者正是摄影测量的 目标，后者则要回答观测的对象是什么？这就是遥感问题。遥感(Remote Sensing)，从字 面上理解就是“遥远的感知”。在广义上是指一种远离目标，通过非直接接触而判定、测量 并分析目标性质的技术；狭义上则指在航天或航空平台上，运用各种传感器(如可见光、红 夕卜、微波等)对地球进行观测，接收并记录电磁波信号，根据电磁波与地表物体的作用机理 及对探测目标的电磁特性进行分析，进而获取物体特征性质及其变化信息的技术。在现代 遥感系统中，最经常测量的量是由被测目标发射出来的电磁波能量。遥感是建立在电磁辐 射理论基础上，涉及信息科学、环境科学、地球科学、空间科学、生物科学等众多科学领域， 其发展受到各个部门的格外关注。经过几十年的发展，无论是遥感平台、传感器方面，还是 遥感信息处理、遥感应用方面，都获得了飞速的发展。遥感已经成为当今最活跃的科技领域 之一，在国民经济的各个领域有着广泛的应用和深远的意义。
高光谱遥感是当前遥感技术的前沿领域，它利用很多很窄的电磁波波段从感兴趣 的物体获得有关数据，它包含了丰富的空间、辐射和光谱三重信息。高光谱遥感的出现是遥 感界的一场革命，它使本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。但 由于传感器空间分辨率的限制以及地物的复杂多样性，混合像元普遍存在遥感图像中，对 地面地物分布比较复杂的区域尤其如此。如果将该像元归为一类，势必会带来分类误差，导 致精度下降，不能反映真实的地物覆盖情况。如果每一混合像元能够分解而且它的端元组 分占像元的丰度能够求得的话，分类将更精确。混合像元分解技术，就是假设某一像元的光 谱是由有限几种地物的光谱曲线按某种函数关系和比例混合而成，分解的目的就是通过 某种分析和计算，估计出光谱混合方式和混合像元包含的光谱成分及相应比例，从而真实 反映出地物覆盖情况并精确分类。当前虽然在混合像元分解领域已经取得了若干进展，但 是由于高光谱数据的复杂性，混合像元问题仍需要更加深入的研究。
从上世纪七、八十年代研究人员开始注意到混合像元的问题，九十年代以后这方 面的研究逐渐增多，通过确定不同地物类在混合像元中的类比例或类丰富度来确定混合像 元的类型。混合像元分解的研究起源于上世纪70年代，并且一直是遥感信息处理的重要研 究方向。作为一种最基本的遥感信息处理技术，混合像元分解是遥感信息的深度挖掘和应 用的基础。混合像元分解成地物组份信息后，就能够进一步运用到遥感信息处理的其他方 向，如图像融合、图像增强、亚像元目标探测等。
从遥感应用方面看，利用像元的组分值可以建立植被指数、进行生物量估计。多年来，混合像元分解技术在提高从遥感分类精度上已经取得了有效的进展。对地表覆盖进行有效的分类和变化检测、对四种城郊变化监测方法进行了比较。一般来说，对于一幅影像而言，混合像元分解后计算机分类识别的精度得到了大幅提高，其效果从理论上讲要优于传统的分类方法。因此，尽管单个像元的分解精度不尽如人意，但是混合像元分解后整幅图像的估计精度还是令人满意的。
在过去的十多年中提出一些以光谱混合建模为概念的算法，用来完成寻找适当的终端像元分解多/高光谱数据的复杂任务。由于线性混合模型的简单性及其良好的物理意义，它是目前应用最为广泛，也是研究最为彻底的模型。借助于线性光谱混合模型，通过该模型反演，就从像元的表观光谱特性(辐亮度或反射率)分离和提取各像元组分的光谱，分别分析和评价像元组分。
随着对光谱混合特性研究的推广，线性光谱混合模型正在受到人们的进一步关注，相应的光谱解混技术和基于线性光谱混合模型的分类和目标检测技术也正在逐步应用到高光谱数据处理中。高光谱数据端元的提取是理解高光谱数据、继而对数据进行进一步分析(比如解混、填图等)的前提条件，也一直是研究热点的问题。由于端元的选取直接影响分类的精度，因而在建立线性光谱混合模型并对其进行光谱分解操作之前，选择端元光谱是非常必要的，端元光谱选择的好坏是混合像元光谱解混效果的关键。
目前，如何从高光谱遥感图像上提取端元一直是一个热点问题，在这方面国际上已经发展了一些半自动、全自动的基于线性模型的端元提取的算法，比较成熟的算法如纯像元指数法(PPI)、N-FINDR、迭代误差分析(IEA)等。这些方法各有优点，但这些算法均没有利用空间信息，降低了信息量的利用率。发明内容
发明目的:针对上述现有技术存在的问题和不足，本发明的目的是提供一种高光谱遥感影像端元提取方法，进一步提高高光谱遥感端元提取的效果，为混合像元分解提供高质量的端元。
技术方案:为实现上述发明目的，本发明采用的技术方案为一种高光谱遥感影像端元提取方法，包括以下步骤:
步骤1，选择需进行降维的高光谱影像S，提供光谱空集SI，设定端元光谱相似性阈值β ;
步骤2,利用线性预测(Linear Prediction, LP)方法从S中选择某一光谱x,放入光谱空集S1中；
步骤3，将S中所有像元逐一移出并进行光谱相似性比较，若与S1中任一光谱的相似值低于设定的阈值β，则直接删除，否则将该像元放入S1中；
步骤4，不断重复步骤2和步骤3，直到S为空或者满足预先设定的波段数目；
步骤5，得到最终提取的端元信息数据集合S/。
进一步的，所述步骤3中，光谱相似性的度量采用正射投影散度(OPD)。
更进一步的，所述步骤3中，光谱相似性的度量采用以下公式:0018] OPD (c, ,Ci) = (cf Pc^ci + c] Pc^c, Y
式中，Ci和Cj分别为第i个和第j个端元光谱，OPD表示正射投影散度(Orthogonal Projection
权利要求
1.一种高光谱遥感影像端元提取方法，其特征在于，包括以下步骤:步骤1，选择需进行降维的高光谱影像S，提供光谱空集SI，设定端元光谱相似性阈值β ;步骤2，利用线性预测方法从S中选择某一光谱X，放入光谱空集S1中；步骤3，将S中所有像元逐一移出并进行光谱相似性比较，若与S1中任一光谱的相似值低于设定的阈值β，则直接删除，否则将该像元放入S1中；步骤4，不断重复步骤2和步骤3，直到S为空或者满足预先设定的波段数目；步骤5，得到最终提取的端元信息数据集合S/。
2.根据权利要求1所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤3 中，光谱相似性的度量采用正射投影散度。
3.根据权利要求2所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤3 中，光谱相似性的度量采用以下公式:OPD(c,:，Cy) = (cf Pc^ci + Pc1Xj f2式中，Ci和&分别为第i个和第j个端元光谱，OPD表示正射投影散度， Pc^ =1-Cfr(c[ct) 1C^，k=1、j, I为单位矩阵.P彳为Cj的正交子空间，CfPc^Ci为Ci在Pi上的归一化平方投影，为&在P上的归一化平方投影。
4.根据权利要求1所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤2 中，利用相似性非监督算法对影像进行典型光谱的选择，包括如下步骤:步骤A)，选择一个 L维度的大小为MXN的影像数据；步骤B)，选择B1和B2作为初始的光谱对，并形成一个光谱子集Φ = (B1, BJ ；步骤C)，选择与现有光谱子集最不相似的光谱B3,得到更新后的光谱子集Φ’ = Φ U (B3I ；步骤D)，重复上一步骤，直到得到k个光谱。
5.根据权利要求4所述一种高光谱遥感影像端元提取方法，其特征在于，所述步骤C) 中利用线性预测作为光谱相似性度量的标准，步骤如下:步骤a)，假定在集合Φ中有N个像元的B1和B2两个光谱，利用B1和B2对与B1和B2 最不同的一个光谱B进行估计:其中B’为B1和B2对B的估计值或者线性预测值，a0, B1和a2为能够最小化线性预测误差e=Μ的参数；步骤b),设参数向量为a = (a。，a。a2)T,采用最小二乘法求解， a = (XtX) _1XTy式中，X为NX3的矩阵,其第一行值为1，第二行包括B1中所有N个像元,第三行包括 B2中所有像元；y为NX I的向量,它包括了 B的所有像元；步骤C)，将能够使线性预测误差e最大的光谱，选作B3放入集合Φ中。
6.根据权利要求1所述一种高光谱遥感影像端元提取方法，其特征在于，还包括步骤 6，采用光谱相似性指标对所选择的端元进行评估，采用混合像元分解模型对所提取 的端元进行进一步 的评价。
全文摘要
本发明公开了一种高光谱遥感影像端元提取方法，包括以下步骤选择需进行降维的高光谱影像S，提供光谱空集S1，设定端元光谱相似性阈值β；利用线性预测(Linear Prediction,LP)方法从S中选择某一光谱x，放入光谱空集S1中；将S中所有像元逐一移出并进行光谱相似性比较，若与S1中任一光谱的相似值低于设定的阈值β，则直接删除，否则将该像元放入S1中；不断重复步骤2和步骤3，直到S为空或者满足预先设定的波段数目；得到最终提取的端元信息数据集合Sl'。本发明进一步提高高光谱遥感端元提取的效果，为混合像元分解提供高质量的端元。
文档编号G06T7/00GK103208118SQ20131009748
公开日2013年7月17日 申请日期2013年3月25日 优先权日2013年3月25日
发明者苏红军, 曹陈霞 申请人:河海大学