基于丰度显著性分析的高光谱图像解混方法及系统的制作方法
【专利摘要】本发明提供基于丰度显著性分析的高光谱图像解混方法及系统，包括建立待处理的高光谱遥感图像的端元光谱库；用基于稀疏回归的混合像元分解方法对每个像元进行初步混合像元分解并按照丰度值的大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性丰度的临界值，然后根据预设的显著性丰度阈值进行判断组成该像元的稀疏表示端元子集；最后采用丰度约束的最小二乘法再次进行混合像元分解，将结果作为最终的混合像元分解结果。本发明可以得到更为稀疏和准确的像元表示端元子集，并且提高高光谱遥感图像混合像元分解的精度，在基于高光谱遥感图像的高精度地物分类以及地面目标检测和识别方面具有重要的应用价值。
【专利说明】基于丰度显著性分析的高光谱图像解混方法及系统
【技术领域】
[0001] 本发明属于遥感图像处理【技术领域】，涉及一种基于丰度显著性分析的高光谱遥感 图像混合像元分解方法。
【背景技术】
[0002] 高光谱遥感图像具有较高的光谱分辨率，能更为细致精确地分析地物的物质成 分，因而受到国内外学者的极大关注并被广泛应用于地物分类、异常检测、目标的识别等。 然而高光谱图像的空间分辨率一般较低，一个像元内通常包含了多种地物的光谱，这些像 元被称为混合像元。混合像元的普遍存在极大地阻碍了高光谱遥感图像的应用。高光谱遥 感图像的混合像元分解是高光谱遥感图像分析的核心问题之一，有效地进行混合像元分解 可以得到图像的亚像元级信息，对于亚像元目标探测、岩矿识别、精细农业等方面都具有非 常重要的意义。混合像元分解过程是从混合像元中识别出它包含的不同地物类型的光谱 (端元）和这些地物在混合像元中占有的比例（丰度）。
[0003] 像元的线性混合模型假设像元的光谱反射率是其中含有的所有地物的光谱反射 率的线性组合。该模型表达简洁、物理意义明确、具有较强的普适性，因而得到了广泛的应 用。混合像元分解首先需要提取图像中所含有的地物的光谱信息（端元提取）。然而我们 很难自动并且准确的估计图像中含有的端元数目和提取端元的特征光谱。近年来，随着很 多光谱库（例如美国地质勘测局的矿物光谱库，美国航天航空局的ASTER光谱库等）的公 开，使得我们可以直接利用已经建成的端元光谱库而不需要从图像中提取端元，避免了端 元提取过程中产生的误差。利用现有的光谱库解混也不要求图像中每个端元必须有纯净像 元对应，在像元普遍混合程度较高时仍能取得较好的效果。端元光谱库要尽量完备，以包含 图像中的所有端元，所以通常光谱库中端元的数量很大。另一方面一个像元含有的端元数 目通常小于整幅图像所含有的端元数目，更远远小于端元光谱库中端元的数目，即像元用 端元线性表示时丰度值具有很强的稀疏性。鉴于用光谱库进行高光谱遥感图像解混时混合 像元表示的稀疏性，基于稀疏回归的方法被引入到线性解混问题中，并取得了较好的效果。 基于稀疏回归的混合像元分解方法是一种半监督的解混方法，它利用已有的端元光谱库作 为先验信息，将像元表示成端元光谱库中某些端元的线性组合。基于稀疏回归的混合像元 分解方法在解混过程中加入了丰度的稀疏性约束，可以得到较为稀疏的解混丰度，得到的 结果更符合实际情况。
[0004] 基于稀疏回归的混合像元分解方法是在端元光谱库中找到一组最佳的端元子集 来线性表示混合像元。一般称这个端元子集为该像元的表示端元子集。
[0005] 下面介绍现有技术中与本发明相关的一些概念：
[0006] 1.线性光谱混合模型
[0007] 线性光谱混合模型假设像元的光谱反射率是其中含有的所有地物的光谱反射率 的线性组合，混合像元的线性表示模型可以表示为
[0008] y = M a +n (I)
[0009] 其中y是一个L维的列向量，表示观测到的混合像元反射光谱（L是图像的光谱波 段数）；这个像元中含有q个端元，每一个端元的特征光谱也是一个L维的列向量，它们组 成一个LXq维矩阵M，即像元包含的端元信息；α = (α α 2,…，a q)T是一个q维列向量， 表示每个端元在混合像元中所占的丰度，a i为第i个端元在混合像元中所占的丰度，i的 取值为1，2,…，q，T是向量的转置符号；η是L维的加性噪音。
[0010] 端元的丰度是指端元在像元中所占有的比重，因此丰度值要满足以下和为一约束 条件（Abundance Sum_t〇-〇ne Constraint, ASC)和非负约束条件（Abundance Nonnegative Constraint, ANC)：
【权利要求】
1. 一种基于丰度显著性分析的高光谱图像解混方法，其特征在于，包括w下步骤： 步骤a,建立待处理的高光谱遥感图像的端元光谱库； 步骤b，用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初 步混合像元分解； 步骤C，对高光谱遥感图像中每个像元，分别将步骤b所得初步解混丰度按照丰度值的 大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性丰度的临界值Xt，实现如 下， 设对某个像元初步解混后，丰度值不为0的端元有P个，记重新排序后的非0丰度序列 为{Xi}，i的取值为1，2,…，P，Xi为重新排序后的第i个非0丰度值； 当P > 3时，令变量中=Xi-Xw，i的取值为1，2,…，P-1 ;变量Ci = 1-cUM，i的取 值为1，2,…，p-2,记{cj中最大值对应的序号为临界序号it，it对应的丰度值为显著性丰 度的临界值，记为Xt; 当P《3时，直接令最小的非0丰度值为显著性丰度值的临界值，记为xt ; 步骤d，对高光谱遥感图像中每个像元，分别根据预设的显著性丰度阔值X。进行判断， 如果Xt > X。则将所有大于X。的丰度值对应端元组成该像元的稀疏表示端元子集，否则将 所有大于Xt的丰度值对应端元组成该像元的稀疏表示端元子集； 步骤e，对高光谱遥感图像中每个像元，基于步骤d得到的稀疏表示端元子集，采用丰 度约束的最小二乘法再次进行混合像元分解，将结果作为最终的混合像元分解结果。
2. 根据权利要求1所述基于丰度显著性分析的高光谱图像解混方法，其特征在于：步 骤a中，利用已有的端元光谱库建立高光谱遥感图像的端元光谱库，实现如下， 1) 从已有的端元光谱库中提取相应端元，提取结果包含整个高光谱遥感图像中所有的 地物类型； 2) 将提取的端元进行光谱重采样，使得重采样后端元的特征光谱与高光谱图像的光谱 具有相同的波段数，每个波段对应的波长相同；将重采样后的端元组成高光谱遥感图像的 端元光谱库。
3.根据权利要求1所述基于丰度显著性分析的高光谱图像解混方法，其特征在于：步 骤a中，采用最小体积单形体分析法从高光谱遥感图像中提取端元建立图像的端元光谱 库。
4.根据权利要求1或2或3所述基于丰度显著性分析的高光谱图像解混方法，其特征 在于；步骤b中，基于稀疏回归的混合像元分解方法采用卻nSAL算法。
5.根据权利要求1或2或3所述基于丰度显著性分析的高光谱图像解混方法，其特征 在于；步骤e中，丰度约束的最小二乘法法采用非负约束的最小二乘法或全条件约束的最 小二乘法。
6. -种基于丰度显著性分析的高光谱图像解混系统，其特征在于，包括W下模块： 端元光谱库构建模块，用于建立待处理的高光谱遥感图像的端元光谱库； 初步解混模块，用于用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元 分别进行初步混合像元分解； 显著性分析模块，用于对高光谱遥感图像中每个像元，分别将初步解混模块所得初步 解混丰度按照丰度值的大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性 丰度的临界值Xt，实现如下， 设对某个像元初步解混后，丰度值不为0的端元有P个，记重新排序后的非0丰度序列 为{Xi}，i的取值为1，2,…，P，Xi为重新排序后的第i个非0丰度值； 当P > 3时，令变量中=Xf-Xw，i的取值为1，2,…，p-1 ;变量Ci = 1-dw/di，i的取 值为1，2,…，p-2,记{cj中最大值对应的序号为临界序号it，it对应的丰度值为显著性丰 度的临界值，记为Xt ; 当P《3时，直接令最小的非0丰度值为显著性丰度值的临界值，记为xt ; 稀疏表示端元子集建立模块，用于对高光谱遥感图像中每个像元，分别根据预设的显 著性丰度阔值X。进行判断，如果Xt>X。则将所有大于X。的丰度值对应端元组成该像元的稀 疏表示端元子集，否则将所有大于Xt的丰度值对应端元组成该像元的稀疏表示端元子集； 最终解混模块，用于对高光谱遥感图像中每个像元，基于稀疏表示端元子集建立模块 得到的稀疏表示端元子集，采用丰度约束的最小二乘法再次进行混合像元分解，将结果作 为最终的混合像元分解结果。
7. 根据权利要求6所述基于丰度显著性分析的高光谱图像解混方法，其特征在于：端 元光谱库构建模块中，利用已有的端元光谱库建立高光谱遥感图像的端元光谱库，实现如 下， 1) 从已有的端元光谱库中提取相应端元，提取结果包含整个高光谱遥感图像中所有的 地物类型； 2) 将提取的端元进行光谱重采样，使得重采样后端元的特征光谱与高光谱图像的光谱 具有相同的波段数，每个波段对应的波长相同；将重采样后的端元组成高光谱遥感图像的 端元光谱库。
8. 根据权利要求6所述基于丰度显著性分析的高光谱图像解混方法，其特征在于：端 元光谱库构建模块中，采用最小体积单形体分析法从高光谱遥感图像中提取端元建立图像 的端元光谱库。
9. 根据权利要求6或7或8所述基于丰度显著性分析的高光谱图像解混方法，其特征 在于；初步解混模块中，基于稀疏回归的混合像元分解方法采用卻nSAL算法。
10. 根据权利要求6或7或8所述基于丰度显著性分析的高光谱图像解混方法，其特征 在于：最终解混模块中，丰度约束的最小二乘法法采用非负约束的最小二乘法或全条件约 束的最小二乘法。
【文档编号】G06T7/00GK104463224SQ201410817202
【公开日】2015年3月25日 申请日期:2014年12月24日 优先权日:2014年12月24日
【发明者】邵振峰, 王毓乾, 张磊, 周维勋, 张邻晶 申请人:武汉大学