信息丢失。
[0095] 针对局部区域膨胀和腐蚀操作失效以及不同像元的形态学离心率指数不具有可 比性的问题，引入参考光谱向量的概念，提出了改进的形态学算子，并给出了MEI新的计算 方法；为了使结构元素内的纯净像元尽可能地保留下来，通过引入大小为偶数的结构元素 对膨胀操作进行了改进。在此基础上提出一种改进的基于自动形态学的端元提取算法，命 名为M-AMEE，具体步骤如下：
[0096] 1)输入高光谱图像数据XeR1Xn，采用虚拟维度法（VirtualDimensionality，VD) 估计图像中的端元数P;
[0097] 2)设置结构元素K_、K_，其中1(_和K_均为偶数，则可以求得最大迭代次数 1_。计算图像的参考光谱向量ubrai;
[0098] 3)初始化：假设i= 1，每一个像元f(x，y)的MEI(X，y) = 0 ;
[0099] 4)将结构元素K在图像中移动，按照改进的膨胀操作，可以获得结构元素内纯度 最尚的四个像兀；
[0100] 5)根据式（10)更新ΜΕΙ值；
[0101] 6)i=i+Ι，如果i= 1_，执行步骤7 ;否则，将原始图像f用(/?￡)代替，增大结 构元素Κ，然后执行步骤4。其中表示改进的膨胀操作；
[0102] 7)输出MEI图像，MEI大于特定阈值的像元组成候选端元集；
[0103] 8)从候选端元集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 ;
[0104] 9)当η> 1时，从候选端元集中选取与已知端元组成的单形体的体积最大的像元 作为下一个端元；
[0105] 10)如果η<ρ，则η-η+1转到第9步继续迭代，否则停止迭代得到ρ个端元（ei， 4，…，ep);
[0106] 11)而后根据得到的端元（ei，e2，…，ep)生成解混后的图像数据。
[0107] 以下是利用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进行 解混处理的具体示例。高光谱图像数据，如图4所示，是由超光谱数字图像收集实验仪器 (HyperspectralDigitalImageryCollectionExperiment，HYDICE)拍摄于 1995 年 10 月 的Urban数据，图像包含307X307个像元，210个波段，其第60波段的灰度图。成像区域位 于美国德克萨斯州胡德堡（FortHood，TX)附近的科泊勒斯科夫镇（CopperasCove)，图像 范围内的人工目标包括一条高速公路、一家大型购物中心以及停车场、一些小路和整齐排 列的房子，此外还包括草地、树木以及它们的混合地带。通过分析，认为图像中包含沥青、屋 顶、草地和树木四种端元。
[0108] 实验之前，首先去除了低信噪比和水蒸气吸收的波段（1-4,76,87，101-111， 136-153和198-210)，剩下162波段用于本实验。为了定量评价算法性能，根据经验对图像 中的端元进行人工提取，以此获得各端元的参考光谱。从图像中手动选取每种端元的10个 纯像元，并将这10个像元的平均值作为该端元的参考光谱。
[0109] 分别利用AMEE和M-AMEE算法进行端元提取实验。对于AMEE算法，设置最小结构 元素和最大结构元素分别为3X3、11XII，M-AMEE算法中最小结构元素和最大结构元素分 别为4X4、12X12。将提取的端元与参考光谱曲线进行对比，图5为采用现有技术的中AMEE 和采用本发明的M-AMEE算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。图5 中实线表示参考光谱曲线，本文算法提取的端元曲线用虚线表示。用光谱夹角距离来定量 比较提取到的端元与实际地物之间的相似性，结果见表1。
[0110]
[0111] 表lUrban数据端元提取结果比较
[0112] 由上表可以看出，除了屋顶端元以外M-AMEE算法端元提取的效果都优于AMEE算 法，而且平均光谱夹角距离也较小。将上述两种算法提取到的像元作为图像的端元，用全约 束最小二乘法进行丰度反演，得到各个地物的分布图如图6和图7所示。对比可以发现， AMEE和M-AMEE算法对沥青和屋顶的丰度估计差别不大，都比较准确地给出了它们的分布 情况，而M-AMEE算法给出的草地和树木的丰度图相较于AMEE更加接近实际地物分布。综 合来看，M-AMEE算法相较于AMEE能够得到更好的解混效果，说明了改进算法的有效性。
[0113] 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。
[0114] 在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出 各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的 而非限制性的。
【主权项】
1. 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，其特征在于，所述的方 法包括以下步骤： (1) 估计高光谱图像数据f中的端元数P ; (2) 设置结构元素1(_和K _，根据所述的结构元素 K_、Kniax求得最大迭代次数I _，计 算所述高光谱图像数据的参考光谱向量Uten;其中K _和Kniax均为偶数； ⑶初始化，设迭代次数i = 1，每一个像元f (X，y)的MEI值为MEI (X，y) = O ; (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; (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， MEI(n，m) =dist(d(x，y)，Uben)， 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； (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(/?[)代替原高光谱图像数据f膨胀操作，并返回步骤 ⑷； (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； (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 ; (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； (10) 判断是否η < ρ，若是，则设定则η = η+1，并返回步骤（9)，若否，则得到ρ个端元 (Θρ Θ2，...，θρ) 〇2. 根据权利要求1所述的基于自动形态学端元提取的高光谱图像数据解混方法，其特 征在于，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U ten具体为， 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。3. 根据权利要求1所述的基于自动形态学端元提取的高光谱图像数据解混方法，其特 征在于，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、d4具体为： 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，其中，Dni为结构元素 K内某一个像元f (x，y)到所述参考光谱向量U 的距离，D " (f (x， y)，K) = dist (f(x，y)，Uben)，K/ {(X1, Y1)}表示集合 K 与集合{(X1, Y1)}的差集。4.根据权利要求1所述的基于自动形态学端元提取的高光谱图像数据解混方法，其特 征在于，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61，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 J L 〇
【专利摘要】本发明涉及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，属于图像数据处理技术领域。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。
【IPC分类】G06T7/00
【公开号】CN105427319
【申请号】CN201510851929
【发明人】郭宝峰, 方俊龙, 沈宏海, 杨名宇
【申请人】杭州电子科技大学
【公开日】2016年3月23日
【申请日】2015年11月27日