一种基于端元提取与光谱解混的高光谱图像融合方法
【技术领域】
[0001] 本发明属于高光谱图像处理领域，具体涉及高光谱图像融合与空间分辨率增强的 基于端元提取与光谱解混的高光谱图像融合方法。
【背景技术】
[0002] 高光谱图像因其极高的光谱分辨率，有助于进行地物识别和分析等优点被广泛应 用。然而，限制与当前技术水平，高光谱成像仪的光谱分辨率与空间分辨率是一对不可调和 的矛盾，高光谱图像极高光谱分辨率的代价就是较低的空间分辨率，因此，通过图像融合技 术提高高光谱图像的空间分辨率尤为重要。
[0003] 在现阶段，国内外高光谱图像融合算法仍旧停留在对传统的多光谱图像空间分辨 率增强算法的扩展和改进上，如扩展IHS变换、非负矩阵分解等，然而这些方法通常会引入 较大的光谱失真，影响融合图像的可用性和有效性。
[0004] 在扩展IHS变换中，将高光谱图像标记为L1-Ln，首先将L 1-L3作为伪RGB图像进行 IHS变换，将变换所得的I层与L4、L5合并为新的伪RGB图像进行IHS变换，重复该过程直至 分解完毕。将最后一轮迭代所得的I图层与高分辨率多光谱图像进行传统方式的图像融合 (如基于小波变换的图像融合等），得到新的I图层。最后，根据变换时的迭代顺序，进行扩 展IHS逆变换，最终获得融合的高光谱图像。该算法是对IHS变换的简单泛化，在迭代变换 的过程中会累积失真，使得融合图像的光谱失真十分严重，影响融合高光谱图像的可用性。
[0005] 在非负矩阵分解算法中，将高光谱图像分解为与多光谱图像像素个数相同的权值 和基底，然后根据多光谱图像的像素值对分解得到的权值进行加成，最后将新的权值和基 底相乘，获得融合的高光谱图像。该方法较扩展IHS变换而言，其重构过程无需迭代，不会 引起光谱失真的累积。然而，由于暂无较好的、有明确物理意义的权值加成算法，该方法仍 旧不可避免的引入光谱失真，影响后续融合处理的精度。
【发明内容】
[0006] 本发明的目的是针对传统算法光谱失真严重，影响融合结果可用性的的缺点，提 出一种全新的基于端元提取与光谱解混的高光谱图像融合方法。
[0007] 本发明的目的是这样实现的：
[0008] (1)使用N-FINDR算法进彳丁端兀提取：
[0009] (I. 1)给定高光谱数据X = U1, X2,…，xN}，N为高光谱数据所含有的像元个数，随 机选取其中η个像元作为初始像元集E。；
[0010] (1. 2)计算Eci中的初始构成的体积V (Ε J，依次替换其中的端元为高光谱数据X中 能使得新体积增大的像元，重复该过程使得不再出现体积更迭，Eci中的端元构成的体积最 大，为选择需要提取出的端元：
[0013] (2)使用光谱解混技术获取各像素中各端元的丰度值：令S为端元提取所得的端 元矩阵，Z为高光谱数据中的像元，丰度矩阵A为：
[0014] A = arg min I IAS-Z I 12;
[0015] (3)以丰度矩阵A为先验知识，通过模糊C均值聚类算法对多光谱图像的像素进行 分类标记，再根据标记结果和端元光谱进行融合图像重构：
[0016] (3. 1)对高光谱图像中的每个混合像元对应的在多光谱图像中的像素集 D (山，d2，…，dn)，共有η个像素，C个分类，更新隶属度矩阵Ulk和聚类中心V 1<3
[0019] 其中，dlk代表像素 dk与聚类中心V ^勺距离，m是模糊系数，通常取值为2 ;
[0020] (3. 2)重复步骤（3. 1)，使得聚类中心V1收敛：
[0022] 其中ε为一小的正数；
[0023] (3. 3)对聚类中心收敛后的隶属度矩阵作归类：
[0025] (4)对步骤（3)求得的分类结果，根据标记的类别将端元光谱赋值给高光谱图像 的各像素，获得重构的融合高光谱图像。
[0026] 本发明的有益效果在于：
[0027] 本发明由于采用端元提取技术提取并保留端元光谱信息，整个融合过程并不引入 系数变换步骤，故不造成光谱失真，因此，本发明较现有的高光谱图像融合算法具有更好的 光谱保真度；由于融合的高光谱图像是有端元光谱直接构成，每条端元光谱代表一种确定 的纯地物，因此融合的高光谱图像可直接应用于光谱识别分析；由于本发明中的端元光谱 是从低分辨率高光谱图像中直接提取，没有任何人工变化存在，因此融合图像中的光谱可 靠性高，更接近真实地物。
【附图说明】
[0028] 图1为基于端元提取与解混的高光谱图像融合方法流程图；
[0029] 图2为基于端元提取与解混的高光谱图像融合方法实施步骤；
[0030] 图3为3组高光谱图像融合结果对比实例（1组模拟数据，2组真实数据）；
[0031] 图4为模拟数据中6条光谱的重构结果；
[0032] 图5为模拟数据中6条光谱的参数；
[0033] 图6为第1组高光谱图像融合结果的客观评价指标对比；
[0034] 图7为第2组高光谱图像融合结果的客观评价指标对比；
[0035] 图8为第3组高光谱图像融合结果的客观评价指标对比。
【具体实施方式】
[0036] 下面结合附图对本发明做进一步描述：
[0037] 基于端元提取与解混的高光谱图像融合技术，包括以下几个步骤：
[0038] 步骤（1):对低空间分辨率的高光谱图像进行端元提取，获取高光谱图像中的端 元，该端元可以用于线性表示高光谱图像中的其余像元。
[0039] 步骤（2):使用提取出的端元对高光谱图像的每一个像元进行光谱解混，获取每 个像元中各端元光谱的丰度值；
[0040] 步骤（3):根据各高光谱像元的解混丰度值，对高空间分辨率的多光谱图像中对 应于该像元的区域像素进行聚类分析，获得每个像素所属的丰度类别，即端元类别。
[0041] 步骤⑷：根据步骤⑶获得的分类结果，将端元光谱赋给多光谱图像的像素点， 重构融合的高光谱图像。
[0042] 本发明抛弃传统的基于变换和系数融合的高光谱图像融合，因为这种方式将引入 严重的光谱失真；采用端元提取技术提取高光谱图像中重要的光谱信息，并将其独立于整 个图像融合过程以避免造成光谱失真。将光谱解混引入图像融合过程，以光谱解混获取的 丰度信息为先验知识，对多光谱图像中的各像素进行分析归类，以获取多光谱图像中每个 像元的所属端元。
[0043] 本发明采用改进的模糊C均值聚类算法（FCM)，根据解混丰度所确定的类别数和 每类元素个数，以所有像素的隶属度和为目标函数，使目标函数值最大的分类结果作为输 出，提高了聚类算法与丰度反演结果的匹配率，使得融合过程得以实现。
[0044] 本发明直接使用提取所得的端元光谱作为融合高光谱图像的像元光谱，避免引入 光谱失真，便于融合图像的后续处理与分析识别。
[0045] 本发明引入端元提取技术提取并保护高光谱图像的光谱信息，并使用光谱解混和 聚类算法对丰度系数及多光谱图像像素分析，获取其空间定位信息。最后，根据聚类分析结 果和提取的端元光谱对融合图像进行重构。由于在本方法中并不对光谱信息进行融合处 理，并不会在算法中引入光谱失真，在能有效进行空间分辨率增强的同时减少光谱失真。
[0046] 为实现上述的发明目的，本发明采用下述的实现方案：
[0047] 步骤一：使用N-FINDR算法进行端元提取。
[0048] 1)给定高光谱数据X = (X1, X2,…，xN}，N为高光谱数据所含有的像元个数，随机 选取其中η个像元作为初始像元集E。。
[0049] 2)计算Ε。中的初始构成的体积V(Ε。)，依次替换其中的端元为高光谱数据X中能 使得新体积增大的像元，重复该过程使得不再出现体积更迭，即此时E ci中的端元构成的体 积最大，为选择需要提取出的端元。
[0052] 步骤二：使用光谱解混技术获取各像素中各端元的丰度值。令S为端元提取所得 的端元矩阵，Z为高光谱数据中的像元，则丰度矩阵A可由公式（3)得出：
[0053] A = arg min I IAS-Z I 12 (3)
[0054]