一种基于自动形态学端元提取的高光谱图像数据解混方法
【技术领域】
[0001] 本发明涉及图像数据处理技术领域，特别涉及高光谱图像数据处理技术领域，具 体是指一种基于自动形态学端元提取的高光谱图像数据解混方法。
【背景技术】
[0002] 高光谱图像具有较高的光谱分辨率，能提供地物更为详尽的光谱信息，因而它能 够更好的用于遥感影像的分类和目标识别。与此同时，由于高光谱传感器较低的空间分辨 率，混合像元在高光谱图像中普遍存在。端元提取和光谱解混是混合像元线性分解的两大 核心任务，而端元提取又是混合像元分解的前提。典型的端元提取算法主要可分为三种类 型：基于投影的方法，如纯净像元指数法（PurePixelIndex，PPI);基于单形体体积的方 法，如N-FINDR、单形体体积增长算法（SimplexGrowingAlgorithm，SGA)等；基于统计误 差最小的方法，如迭代误差分析（IterativeErrorAnalysis，IEA)。上述端元提取算法 都只考虑了遥感图像中像元的光谱特征，把数据当作是光谱测量的一个无序列表而不是 作为一幅图像来处理。事实上，端元在空间上的分布上应当具有一定的形状和集聚性，仅 仅利用光谱特征来提取端元会忽略图像中的空间信息。Plaza等人将形态学算子引入到 高光谱图像处理中，提出了自动形态学端元提取（AutomatedMorphologicalEndmember Extraction，AMEE)算法，充分利用了图像的空间信息。
[0003] 自动形态学端元提取算法由于将像元的光谱特征和空间特征结合在一起考虑，取 得了很好的效果，然而该方法也存在一些缺陷。首先，AMEE算法在定义形态学算子时将结 构元素内所有像元的平均值作为混合程度最大的像元，然而当结构元素内包含较多纯像元 时，像元的均值也更加接近纯像元，那么膨胀和腐蚀运算就无法得到预期的结果。其次，原 有的形态学离心率指数（MorphologicalEccentricityIndex，MEI)表示结构元素内最纯 像元与混合程度最大像元的光谱夹角距离，而不同结构元素内混合程度最大的像元一般是 不同的，因此MEI的绝对大小无法真正代表像元的纯度。最后，算法中从每个结构元素内只 选出一个像元作为候选端元，当结构元素内包含两个或两个以上不同物质的纯像元时就可 能造成重要像元的遗失。
[0004] 因此，如何提供一种在处理过程中有效避免信息流失，提高数据处理的有效性，最 终提高数据处理后获得图像的清晰度，且实现方法简便的数据解混方法，成为本领域亟待 解决的问题。
【发明内容】
[0005] 本发明的目的是克服了上述现有技术中的缺点，提供一种通过引入参考光谱向量 的概念，计算得到整幅图像中混合程度最大的像元，并在此基础上改进形态学算子，通过新 的MEI计算方法，对原有的结构元素进行改进，用偶数大小结构元素取代奇数大小的结构 元素，从每个结构元素内选出四个候选端元，有效避免了可能的信息遗失，进一步提高数据 处理的准确性，最终提高数据处理后获得图像的清晰度，且实现方法简便的基于自动形态 学端元提取的高光谱图像数据解混方法。
[0006] 为了实现上述的目的，本发明的基于自动形态学端元提取的高光谱图像数据解混 方法包括以下步骤：
[0007] (1)估计高光谱图像数据f中的端元数p ;
[0008] (2)设置结构元素1(_和K_，根据所述的结构元素K_、K_求得最大迭代次数 ，计算所述高光谱图像数据的参考光谱向量UbOT;其中1(_和Κ_均为偶数；
[0009](3)初始化，设迭代次数i= 1，每一个像元f(X，y)的ΜΕΙ值为ΜΕΙ(X，y) =0 ;
[0010] (4)将结构元素K在所述高光谱图像数据中移动，并对所述高光谱图像数据f进行 膨胀操作，获得所述结构元素K内纯度最高的四个像元山、d2、d3、d4;
[0011] (5)根据下式确定所述的所述结构元素K内纯度最高的四个像元山、d2、d3、山的 ΜΕΙ值，
[0012] MEI(n，m) =dist(d(x，y)，Uben)，
[0013]其中，dist(d(x，y)，UbJ为像元与参考光谱向量UbJ司的光谱夹角距离；
[0014] (6)设i=i+Ι，判断是否i= 1_，若是，则进入步骤（7);若否，则用膨胀操作后 的结构元素修正后的高光谱图像数据(/?/〇代替原高光谱图像数据f膨胀操作，并返回步 骤⑷；
[0015] (7)获得MEI图像，该MEI图像为由MEI值大于设定阈值的像元所组成的候选端元 集；
[0016] (8)从所述的候选端元集之中选取形态学离心率指数最大的像元作为图像的第一 个端元ei，设置已获取端元数η= 1 ;
[0017] (9)当η多1时，从所述的候选端元集之中选取由已知端元组成的各单形体中体积 最大的像元作为下一个端元；
[0018] (10)判断是Sn<p，若是，则设定则η=η+1，并返回步骤（9)，若否，则得到ρ个 乂而yL (θι，Θ2，···，θρ)〇
[0019] 该基于自动形态学端元提取的高光谱图像数据解混方法中，所述的步骤（2)中， 计算所述高光谱图像数据的参考光谱向量Uten具体为，
[0020] 利用单形体体积增长算法或正交子空间投影算法提取图像端元的平均值作为参 考光谱向量Uten，或利用所述高光谱图像所有像元的平均值作为参考光谱向量UbOT。
[0021] 该基于自动形态学端元提取的高光谱图像数据解混方法中，所述的步骤（4)中， 对所述高光谱图像数据f进行膨胀操作，获得所述结构元素K内纯度最高的四个像元山、d2、 d3、(14具体为；
[0022] 根据下列各式分别计算所述结构元素K内纯度最高的四个像元山、d2、d3、d4，
[0023]
[0024]
[0025]
[0026]
[0027] 其中，D"为结构元素K内某一个像元f(x，y)到所述参考光谱向量UbJ勺距离， Dm(f(x，y)，K) =dist(f(x，y)，Uben)，K/IXxpyj}表示集合K与集合{(Xpyj}的差集。
[0028] 该基于自动形态学端元提取的高光谱图像数据解混方法中，所述的步骤（8)中， 从所述的候选端元集之中选取形态学离心率指数最大的像元作为图像的第一个端元 ei，具 体为，利用阈值分割方法选取MEI值较大的像元作为图像的端元。
[0029] 采用了该发明的基于自动形态学端元提取的高光谱图像数据解混方法，由于该方 法利用参考光谱向量计算得到整幅图像中混合程度最大的像元，并在此基础上改进形态学 算子，通过新的MEI计算方法，对原有的结构元素进行改进，用偶数大小结构元素取代奇数 大小的结构元素，从每个结构元素内选出四个候选端元，从而有效避免了可能的信息遗失， 进一步提高数据处理的准确性，最终提高数据处理后获得图像的清晰度，且本发明的基于 自动形态学端元提取的高光谱图像数据解混方法，其实现方法也相当简便。
【附图说明】
[0030] 图1为利用本发明对模拟图像进行膨胀运算的效果对比图。
[0031] 图2为采用现有技术的结构元素膨胀示意图。
[0032] 图3为采用本发明的方法进行结构元素修正后的膨胀操作示意图。
[0033]图4为采用本发明的方法的实施例中采用的Urban数据第60波段图像。
[0034] 图5为实施例中采用现有技术的AMEE方法和采用本发明的M-AMEE方法提取到的 四种端元的光谱曲线与参考光谱曲线的对比图。
[0035] 图6为采用现有技术的AMEE方法提取到的四种端元的丰度估计。
[0036] 图7为采用本发明的M-AMEE方法提取到的四种端元的丰度估计。
【具体实施方式】
[0037] 为了能够更清楚地理解本发明的技术内容，特举以下实施例详细说明。
[0038] 在一种实施方式中，该基于自动形态学端元提取的高光谱图像数据解混方法包括 以下步骤：
[0039] (1)估计高光谱图像数据f中的端元数p;
[0040] (2)设置结构元素1(_和K_，根据所述的结构元素K_、K_求得最大迭代次数 ，计算所述高光谱图像数据的参考光谱向量UbOT;其中1(_和Κ_均为偶数；
[0041] (3)初始化，设迭代次数i= 1，每一个像元f(X，y)的ΜΕΙ值为ΜΕΙ(X，y) = 0 ;
[0042] (4)将结构元素K在所述高光谱图像数据中移动，并对所述高光谱图像数据f进行 膨胀操作，获得所述结构元素K内纯度最高的四个像元山、d2、d3、d4;
[0043](5)根据下式确定所述的所述结构元素K内纯度最高的四个像元山、d2、d3、山的 MEI值，
[0044]MEI(n，m)=dist(d(x，y)，Uben)，
[0045]其中，dist(d(x，y)，UbJ为像元与参考光谱向量UbJ司的光谱夹角距离；
[0046] (6)设i=i+Ι，判断是否i= 1_，若是，则进入步骤（7);若否，则用膨胀操作后 的结构元素修正后的高光谱图像数据(/◎￡)代替原高光谱