基于几何空谱结构信息的高光谱混合像元分解方法
【专利摘要】本发明属于遥感数据处理【技术领域】，具体公开了一种基于几何空谱结构信息的混合像元分解方法，解决高光谱图像混合像素点地物类别不明，分布不准确的问题。其步骤为：1)输入高光谱数据，预处理后将数据排列成一个矩阵；2)用VD法估计纯端元个数；3)提取图像的边缘轮廓；4)提出一个根据边缘、位置提出计算空间距离的公式；5)提出一个根据光谱统计信息计算谱间距离的公式；6)由空、谱间距离构造几何空谱约束项，并加入NMF模型中；7)通过新的NMF算法解混输出端元矩阵和丰度矩阵，判断场景地物类别和分布比例。本发明对不同的高光谱数据有良好的适用性，较现有方法提高了混合像元分解的精度，对目标检测、识别具有重要的价值。
【专利说明】基于几何空谱结构信息的高光谱混合像元分解方法
【技术领域】
[0001] 本发明属于高光谱遥感数据处理【技术领域】，涉及高光谱数据解混，具体是一种基 于几何空谱结构信息的高光谱混合像元分解方法，可用于地物探测和目标异常检测和亚像 素鉴别的研究。
【背景技术】
[0002] 高光谱遥感技术是近十几年来发展起来的一种新兴遥感技术。高光谱遥感数据相 对于传统的多光谱数据拥有更加丰富的光谱信息，其广泛应用表明高光谱遥感技术的较大 潜力。针对其在军事，工业和民用上的应用，相应的处理技术有：降维，目标检测，变化检测， 端元提取，混合像元分解和分类。高光谱图像虽然具有较高的光谱分辨率，但其空间分辨率 是有限的，因而在一个瞬时视场中往往包含几种不同的地物，即光谱混合现象，几乎无法辨 识，降低目标检测算法的性能。为了解决这一问题，混合像元分解技术可用来提取地物的光 谱特性曲线以及预测像元内包含目标的比例成分，对后续处理研究具有重要意义。通常，在 假设的线性混合模型下，无监督的解混方法在步骤上可先进行端元提取再进行丰度估计， 也可以两者同时计算；按照纯端元的存在假设也可分为：纯端元存在数据中的方法和数据 中不存在纯端元的方法。
[0003] 其中，非负矩阵分解（NMF)是一种有效的高光谱解混技术。在纯端元不存在于数 据中的假设下，这类可同时计算纯端元特性曲线和丰度分布比例的方法也是可行的。国内 外研究者近几年提出了各种改进的非负矩阵分解解决混合像元的问题，包括最小体积约束 的非负矩阵分解（MVCNMF)，稀疏约束的非负矩阵分解（SNMF)，平滑性约束的非负矩阵分解 (PNMFSC)等等。但这些方法对不存在纯端元的遥感数据存在识别端元不准，分布比例计算 不精确的问题，并且没有考虑到数据自身的空间结构邻近相似性以及谱间统计性的相似特 点，使得现有方法存在局限性。
【发明内容】
[0004] 本发明的目的在于克服上述已有技术的不足，考虑到对数据空谱信息的利用提出 了一种基于几何空谱结构信息的高光谱混合像元分解方法，以明确端元的分布特性以及空 间位置信息对结果的影响，提高解混效果。
[0005] 本发明的技术方案是：一种基于几何空谱结构信息的高光谱混合像元分解方法， 其步骤包括如下：
[0006] (1)输入高光谱数据，图像大小为aXb像素，并预处理得到高光谱数据Xdf#， L为处理的波段个数，N为像素点个数，N = aXb ;
[0007] ⑵用VD估计法，计算纯端元个数p ;
[0008] (3)提取高光谱图像的轮廓信息，通过PCA降维提取出第一主成分量;，提 出对Y用Robert算子提取场景轮廓图C e把次N = a X b ;
[0009] (4)根据边缘信息、位置信息计算高光谱数据之间的几何空间距离度量 提出 此空间距离的公式；
[0010] 大小为mXm像素的局部空间窗LW内若中心点为（nii，n)，在局部窗LW内，通过轮 廓线判定中心点（mi, rO与周围任一点（nij，np是否处在同一区域内，局部空间窗LW内任一 点（n^np与中心点的几何空间距离度量为：
[0011]
【权利要求】
1.基于几何空谱结构信息的高光谱混合像元分解方法，其特征在于：包括以下步骤： (1) 输入高光谱数据，图像大小为aXb像素，并预处理得到高光谱数据XeiHixv, L为 处理的波段个数，N为像素点个数，N = aXb ; (2) 用VD估计法，计算纯端元个数p ; (3) 提取高光谱图像的轮廓信息，通过PCA降维提取出第一主成分量7 e ^1xn，提出对 Y用Robert算子提取场景轮廓图C e ?ux6, N = a X b ; (4) 根据边缘信息、位置信息计算高光谱数据之间的几何空间距离度量提出此空 间距离的公式； 大小为mXm像素的局部空间窗LW内若中心点为Oiii, Iii)，在局部窗LW内，通过轮廓线 判定中心点（H^ni)与周围任一点（m^rij)是否处在同一区域内，局部空间窗LW内任一点 Snj)与中心点的几何空间距离度量C为：
此处# = x|为两个光谱向量之间的差异； (5) 根据数据光谱统计信息计算谱间距离度量,提出此谱间距离的公式； 在光谱维上，对数据建立最近邻图，则两个光谱向量Xi，Xj之间的几何谱间距离度量 定义为：
此处￥ = [0^，) + (叫-11」)]2为两光谱向量位置距离，咄〇^)为向量\的1^个最近邻 点集合； (6) 构造新的NMF算法框架 由步骤⑷和步骤（5)中的几何空谱距离度量和<,，根据图论中如果原数据^，Xj之间相似则其分解后的丰度分布向量s,，~ 之间必定相似的原则构造空谱拉普拉斯流 形正则：
此处的La，Le邻接图的拉普拉斯矩阵，La=6a-D 1'，C = 护和^是每个节点相 关的对角矩阵，七;=2：二" 由此构造新的非负矩阵分解框架式，为解混后得出的纯端元特征矩阵，则对 应的丰度分布比例矩阵为S e:
(7)通过新的非负矩阵分解模型输出端元光谱曲线矩阵和对应的每个端元分布丰度图 矩阵。
2. 根据权利要求1所述的基于几何空谱结构信息的高光谱混合像元分解方法，其特征 在于：其中步骤（1)所述的输入高光谱数据，并预处理得到高光谱数据按照如下 步骤进行： la) 输入原始的大小为aXb的高光谱图像数据S为原始波段数； lb) 将三维数据I排列成二维数据G , N = aXb ; lc) 对遥感数据上噪声影响大的波段进行摘取，得到波段选择后的光谱数据 L < S ； ld) 对数据矩阵Z按波段，即按列，进行范数归一化，得到数据Xdfxiv。
3. 根据权利要求1所述的基于几何空谱结构信息的高光谱混合像元分解方法，其特征 在于：其中步骤（7)所述的通过新的非负矩阵分解模型输出端元光谱曲线矩阵和对应的每 个端元分布丰度图矩阵，按照如下步骤进行： 2a)将高光谱样本Xe ^zxiv作为输入数据，P为需要分解的纯端元个数； 2b)初始化纯端元特征矩阵M e 和丰度比例矩阵S e ; 2c)按照下列乘法法则的式子交替迭代更新M和S : M - M. *RSt. /MSSt S S.*(MrR + SDfl +SDe)./(MrMS + SDe +SDe) 2d)检测是否满足收敛条件或停机条件，即迭代次数是否已达到上限或分解输出结果 是否已经达到收敛，不满足返回2c)。
【文档编号】G06T7/00GK104331880SQ201410558773
【公开日】2015年2月4日 申请日期:2014年10月20日 优先权日:2014年10月20日
【发明者】杨淑媛, 焦李成, 程时倩, 刘芳, 侯彪, 刘红英, 熊涛, 任宇, 冯志玺, 任永恒 申请人:西安电子科技大学