一种基于分块的vca端元提取方法
【专利摘要】本发明公开了一种基于分块的VCA端元提取方法，包括：利用非监督分类方法对高光谱图像进行粗略分块，将具有相似物质的像元分为相同块内；对分块后的各块内区域分别使用VCA进行端元提取，提取端元之后使用最小二乘法反演丰度，每块内根据丰度值的大小确定一个主要端元；将所有块内的主要端元提取出并组成全局图像的端元矩阵。本发明在分块后的相对简单的环境块内环境使用VCA端元提取方法，然后利用块内丰度反演结果反馈控制块内的主要端元，从而避免了遗漏主要端元。
【专利说明】
一种基于分块的VCA端元提取方法
技术领域
[0001] 本发明涉及图像处理技术领域，具体涉及一种基于分块的VCA端元提取方法。
【背景技术】
[0002] 高光谱图像是同时反映物体反射光谱信息和空间信息的三维数据图像，具有覆盖 波段广，快速无损，光谱信息含量充分等特点。高光谱成像系统利用图像分光仪和传感器， 在紫外线，可见光，近红外，红外波段(波长在300nm-2500nm之间）获取成像对象的一系列相 对连续波段下的高光谱图像。由于传感器的空间分辨率限制以及自然界地物的复杂多样 性，一些像元中常常不止含有一种物质，这样的像元被称为混合像元。由于混合像元的存 在，使得传统的分类方法不适于地物的精确细分和鉴别。为了提高遥感分类的准确性，必须 解决混合像元的问题，因此混合像元解混在地物分类和识别之前成为关键的一步。
[0003] 在进行混合像元解混之前，首先需要建立高光谱图像的线性混合模型（LMM)。在 LMM中，高光谱图像中的像元是由组成图像的基本物质(端元)在不同波段下的光谱特性以 一定的比例（丰度）线性组合而成。混合像元解混是高光谱图像线性混合模型的逆过程，是 使用一定手段提取图像中的端元以及计算端元对应丰度的过程。
[0004] 顶点成分分析(VCA)是一种最基本基于几何的高光谱图像端元提取方法。基于几 何的端元提取方法从高光谱数据集空间分布特征出发，认为在几何空间中，端元常存在于 由高光谱图像数据集组成的单形体、多面体或者凸锥的顶点部分。VCA通过反复寻找数据空 间中的正交向量并计算像元在正交向量上的投影距离逐一提取端元。
[0005] 由于实际地物的复杂性以及噪声等影响，在利用VCA进行端元提取的过程中，常常 会出现遗漏主要端元，提取端元不准确，容易受噪声影响等现象。
【发明内容】
[0006] 为解决现有技术存在的不足，本发明公开了一种基于分块的VCA端元提取方法，本 发明将高光谱图像复杂的环境用一定的分类方法，分为多个相对简单的图像部分，然后在 简单的图像上进行VCA端元提取，这一定降低了全局图像的噪声对算法的影响，避免了遗漏 主要端元，提高了端元提取的准确性。
[0007] 为实现上述目的，本发明的具体方案如下：
[0008] -种基于分块的VCA端元提取方法，包括：
[0009] 利用非监督分类方法对高光谱图像进行粗略分块，将具有相似物质的像元分为相 同块内；
[0010] 对分块后的各块内区域分别使用VCA进行端元提取，提取端元之后使用最小二乘 法反演丰度，每块内根据丰度值的大小确定一个主要端元；
[0011] 将所有块内的主要端元提取出并组成全局图像的端元矩阵。
[0012] 进一步的，在利用非监督分类方法对高光谱图像进行粗略分块之前还需要使用 PCA对高光谱图像数据进行降维处理。
[0013] 进一步的，在PCA降维中，首先对输入的高维图像数据X=(X1，X2, . . .，Xm)T进行向 量中心化，计算向量中心化之后的数据的协方差矩阵，并计算协方差矩阵的特征值矩阵Λ 和特征向量矩阵A;
[0014] 然后使用特征向量矩阵A对高维图像数据X进行主成分变换为Z=ATX;
[0015] 最后选取Z中的部分主成分作为原高维数据的低维特征，从而实现数据降维。
[0016] 进一步的，对降维后的高光谱图像数据利用迭代自组织数据分析方法IS0DATA进 行非监督分类，分类类数1和已知的图像中的端元个数r相等，即l = r，分块结果为Γ,，其中 i = l, 2，···，!·〇
[0017] 进一步的，IS0DATA在非监督分类过程中，加入了对类别进行自动的合并和分裂。 其中合并机制是指，当总类数过多或者某两类类中心距离小于某一阈值时，将该两类进行 合并为新的一类，类内样本数目小于某一阈值时将该类取消；
[0018] 分裂机制是指，当总类数过少或者某类内样本数目超过某一阈值，类内标准差大 于分裂阈值，则将其分为两类，从而得到类数比较合理的聚类结果。
[0019] 进一步的，对于所有的分块区域1^，设置端元个数V，其中V <r，分别进行VCA端 元提取。
[0020] 进一步的，VCA端元提取算法过程是首先找到一个初始单位向量，然后将所有像元 点投影到这一向量上，投影距离最大的像元点记为端元点，加入端元矩阵集合，依据新的端 元集合，再找到一个和所有已经找到的端元都正交的向量，并进行下一轮循环，计算像元投 影距离，找寻新的端元，直到找到所有端元为止。
[0021] 进一步的，对于所有的分块区域厂，，提取块内端元之后，分别利用最小二乘法对 分块区域进行丰度反演。根据分块区域内丰度大小反馈，确定每个分块区域中的主要端元， 提取出所有块中的主要端元，构成全局图像的端元矩阵。
[0022] 进一步的，在线性模型中，高光谱图像的像元X是端元矩阵E和丰度矩阵A的线性组 合，即满足公式X = EXA，丰度矩阵元素满足和为和非负性 J.-1
约束条件；
[0023] 最小二乘法根据求解过程中是否考虑非负约束和和为1的约束，可分为无约束最 小二乘法UCLS，和为1约束最小二乘法SCLS，非负约束最小二乘法NCLS，全约束最小二乘法 FCLS〇
[0024] 进一步的，在无约束最小二乘法UCLS中，不考虑丰度的和为1与非负性约束，求得r 个端元{^}〇 = 1，2，..1，后），利用最小二乘法求解线性混合模型可得像元1的丰度估计 为 auas (Xi) = (ETE) -fxi。
[0025] 本发明的有益效果：
[0026] 1.本发明在使用VCA提取端元之前，首先利用非监督分类将高光谱图像中相似像 元聚合，排除不相关像元的影响，降低端元提取环境的复杂度。
[0027] 2.本发明在分块后的相对简单的环境块内环境使用VCA端元提取方法，然后利用 块内丰度反演结果反馈控制块内的主要端元，从而避免了遗漏主要端元。
【附图说明】
[0028] 图1为本发明的流程图；
[0029] 图2a Washington DC mall图像；
[0030] 图2b Washington DC mall图像使用ISODATA分块之后的图像；
[0031] 图3a_图3e为使用基于分块的VCA提取端元、原始VCA提取端元与理论端元的比较 图（Washington DC mall数据）；
[0032] 图4a HYDICE Urban图像；
[0033] 图4b HYDICE Urban图像使用ISODATA分块之后的图像；
[0034] 图5a_图5f为使用基于分块的VCA提取端元、原始VCA提取端元与理论端元的比较 图（HYDICE Urban数据）。
【具体实施方式】：
[0035] 下面结合附图对本发明进行详细说明：
[0036] -种基于分块的VCA端元提取方法，包括如下步骤：
[0037] 步骤(1)输入高光谱图像数据XeRmXn，其中m为高光谱图像的波段数，n为高光谱图 像的像元总数，端元个数r，使用PCA对高光谱图像数据进行降维处理。
[0038]步骤(2)对降维后的高光谱图像数据利用IS0DATA进行非监督分类，分类类数为1， 其中l=r。
[0039] 步骤(3)利用分类结果对高光谱图像进行分块为Γ,，其中i = l，2, ...，r。
[0040] 步骤(4)对于所有的分块区域，设置端元个数V，其中V <r，分别进行VCA端元 提取。
[0041] 步骤（5)对于所有的分块区域Γ,，分别利用最小二乘法对分块区域进行丰度反 演。
[0042] 步骤(6)根据分块区域内丰度大小反馈，确定每个分块区域中的主要端元，提取出 所有块中的主要端元，构成全局图像的端元矩阵。
[0043] 所述步骤(1)的PCA降维处理：
[0044]在进行IS0DATA非监督分类之前，需要对信号进行降维，本发明使用主成分分析 (PCA)降维。PCA是一种线性变换，变换之后各主成分之间互不相关，并且按照包含的信息量 从大到小排列。将高维数据经过PCA变化之后，前几个主成分涵盖了原数据的主要信息，因 此可以用低维特征刻画原高维数据，从而实现数据降维。在PCA降维中，首先对输入的高维 图像数据X=( X1，X2,.. .，xm)T进行向量中心化，计算向量中心化之后的数据的协方差矩阵， 并计算协方差矩阵的特征值矩阵Λ和特征向量矩阵A。然后使用主成分变换矩阵A进行主成 分变换Z = ATY。最后选取Z中的部分主成分作为原高维数据的低维特征，从而实现数据降 维。
[0045] 所述步骤(2)中的IS0DATA非监督分类：
[0046]迭代自组织数据分析方法(IS0DATA)算法，是一种无需先验知识，直接从样本中提 取特征进行聚类的非监督分类方法。IS0DATA算法改进了 K均值聚类，把所有样本都调整完 毕之后，再重新计算各类样本的均值，并且加入了对类别进行自动合并和分裂，具有一定的 自组织性。IS0DATA算法中的合并机制是指，当总类数过多或者某两类类中心距离小于某一 阈值时，将该两类进行合并为新的一类，类内样本数目小于某一阈值时将该类取消。分裂机 制是指，当总类数过少或者某类内样本数目超过某一阈值，类内标准差大于分裂阈值，则将 其分为两类，从而得到类数比较合理的聚类结果。
[0047] 所述步骤(4)中的VCA端元提取：
[0048] VCA端元提取算法是基于线性光谱模型的，通过反复寻找数据空间中的正交向量 并计算像元在正交向量上的投影距离逐一提取端元。VCA的基础理论是，单形体若干个顶点 可以张成一个子空间，而单形体的顶点是在某个与这个子空间正交的向量上的投影长度最 大值点。
[0049] VCA端元提取算法首先找到一个初始单位向量，然后将所有像元点投影到这一向 量上，投影距离最大的像元点记为端元点，加入端元矩阵集合。依据新的端元集合，再找到 一个和所有已经找到的端元都正交的向量，并进行下一轮循环，计算像元投影距离，找寻新 的端元，直到找到所有端元为止。
[0050] 所述步骤(5)中的最小二乘法：
[0051] 在线性模型中，高光谱图像的像元X是端元矩阵E和丰度矩阵A的线性组合，即满足 m 公式X = EX A。丰度矩阵满足和为一Σ% = 和非负性^ &沒约束条件。当已经求 Μ 出端元矩阵之后，混合像元求解丰度的问题就变成了一个简单的线性问题，因此可以用最 小二乘法求解。最小二乘法根据求解过程中是否考虑非负约束和和为1的约束，可分为无约 束最小二乘法(UCLS)，和为1约束最小二乘法(SCLS)，非负约束最小二乘法(NCLS)，全约束 最小二乘法(FCLS)。在UCLS中，不考虑丰度的和为1与非负性约束，求得r个端元{ ej}(j = l， 2, . . .，r)后，利用最小二乘法求解线性混合模型可得像元i的丰度估计为auas(Xl) = (ETEr Vxio
[0052] 具体实施例：
[0053] 具体实施部分使用地物空间分布相对简单的Washington DC mall数据和空间分 布相对复杂HYDICE Urban数据分别进行测试。在试验过程中，将基于分块的VCA端元提取方 法与原始VCA端元提取方法进行试验比较，并将人工提取的纯净端元作为理论端元。
[0054]实验数据Washington DC mall是拍摄于美国华盛顿地区的高光谱数据。该数据共 有210个波段，去除掉部分受噪声影响的波段，剩下191个波段。整个图像大小为1280X307， 本试验选取该数据中地物空间分布相对简单的，大小为200X 150的一部分图像。该部分图 像的伪彩色图如图2a所示。该部分图像中含有五种物质，分别是水域、马路、草地、屋顶和树 木。
[0055] 实验数据HYDICE Urban高光谱数据包含210个光谱波段，维数为307X307。图像数 据中包含六种物质:路，泥土，树，草，屋顶，金属。在实验中，去掉水吸收影响的波段，该数据 剩下178个波段。该部分图像的伪彩色图如图4a所示。
[0056] 试验结果如图3a-图3e(Washington DC mall数据）和图5a-图5f(HYDICE Urban数 据)所示。由端元光谱图的比较结果可以看出，基于分块的VCA端元提取方法提取的端元曲 线与端元的理论光谱曲线十分接近。
[0057] 为了进一步得到不同端元提取方法提取端元准确性在数字量上的对比，使用由不 同端元提取方法得到的端元光谱与理论端元光谱的光谱角（Spectral Angle Distance， SAD)的大小来衡量提取端元的准确性。光谱角的公式定义安
其中，Athe。为一个端元的理论值，Au_x为利用不同的端元提取方法提取的端元光谱信息值， 光谱角越小表示两个光谱向量越接近。光谱角比较结果如表1所示和表2所示。可以明确看 出，对于地物空间分布相对简单的Washington DC mall数据和空间分布相对复杂HYDICE Urban数据，基于分块的VCA提取端元的精确度都有很大的提高。
[0058]表1为使用基于分块的VCA提取端元、原始VCA提取端元与理论端元的光谱角的比 较表(Washington DC mall数据）；表2为使用基于分块的VCA提取端元、原始VCA提取端元与 理论端元的光谱角的比较表(HYDICE Urban数据）。
[0059] 表1基于分块VCA，VCA提取的端元与理论端元SAD比较表
[0060]
[0061 ]~表2基于分块VCA，VCA提取的端元与理论端元SAD比较表 ' '
[0062]
[0063] 本发明将复杂环境的高光谱图像用一定的分类方法，分为多个相对简单的图像部 分，然后分块进行提取端元，从而在一定程度上排除不相关像元的影响，降低端元提取环境 的复杂度，减少了全局图像的噪声对算法的影响，避免了遗漏主要端元。具体事例表明，该 发明大大提高了提取端元的准确度。
[0064] 上述虽然结合附图对本发明的【具体实施方式】进行了描述，但并非对本发明保护范 围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不 需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
【主权项】
1. 一种基于分块的VCA端元提取方法，其特征是，包括： 利用非监督分类方法对高光谱图像进行粗略分块，将具有相似物质的像元分为相同块 内； 对分块后的各块内区域分别使用VCA进行端元提取，提取端元之后使用最小二乘法反 演丰度，每块内根据丰度值的大小确定一个主要端元； 将所有块内的主要端元提取出并组成全局图像的端元矩阵。2. 如权利要求1所述的一种基于分块的VCA端元提取方法，其特征是，在利用非监督分 类方法对高光谱图像进行粗略分块之前还需要使用PCA对高光谱图像数据进行降维处理。3. 如权利要求2所述的一种基于分块的VCA端元提取方法，其特征是，在PCA降维中，首 先对输入的高维图像数据X=(X1，X2, . . .，xm)T进行向量中屯、化，计算向量中屯、化之后的数 据的协方差矩阵，并计算协方差矩阵的特征值矩阵A和特征向量矩阵A; 然后使用特征向量矩阵A对高维图像数据X进行主成分变换为Ζ=ΑΤχ; 最后选取Ζ中的部分主成分作为原高维数据的低维特征，从而实现数据降维。4. 如权利要求3所述的一种基于分块的VCA端元提取方法，其特征是，对降维后的高光 谱图像数据利用迭代自组织数据分析方法ISODATA进行非监督分类，分类类数1和已知的图 像中的端元个数r相等，即l=r，分块结果为Γι，其中i = l，2，...，r。5. 如权利要求4所述的一种基于分块的VCA端元提取方法，其特征是，ISODATA在非监督 分类过程中，加入了对类别进行自动的合并和分裂； 其中，合并机制是指，当总类数过多或者某两类类中屯、距离小于某一阔值时，将该两类 进行合并为新的一类，类内样本数目小于某一阔值时将该类取消； 分裂机制是指，当总类数过少或者某类内样本数目超过某一阔值，类内标准差大于分 裂阔值，则将其分为两类，从而得到类数比较合理的聚类结果。6. 如权利要求4所述的一种基于分块的VCA端元提取方法，其特征是，对于所有的分块 区域Γι，设置端元个数，其中<r，分别进行VCA端元提取； VCA端元提取算法过程是首先找到一个初始单位向量，然后将所有像元点投影到运一 向量上，投影距离最大的像元点记为端元点，加入端元矩阵集合，依据新的端元集合，再找 到一个和所有已经找到的端元都正交的向量，并进行下一轮循环，计算像元投影距离，找寻 新的端元，直到找到所有端元为止。7. 如权利要求4所述的一种基于分块的VCA端元提取方法，其特征是，对于所有的分块 区域Γ 1，提取块内端元之后，分别利用最小二乘法对分块区域进行丰度反演； 根据分块区域内丰度大小反馈，确定每个分块区域中的主要端元，提取出所有块中的 主要端元，构成全局图像的端元矩阵。8. 如权利要求3所述的一种基于分块的VCA端元提取方法，其特征是，在线性模型中，高 光谱图像的像元X是端元矩阵E和丰度矩阵A的线性组合，即满足公式X = EXA，丰度矩阵元 素 au满足和巧和非负性"y 的约束条件； 在无约束最小二乘法UCLS中，不考虑丰度的和为1与非负性约束，求得r个端元{ej后，j =1，2, . . .，r，利用最小二乘法求解线性混合模型可得像元i的丰度估计为aucLs(Xi) = 化化)-iet化。
【文档编号】G06T3/00GK105976310SQ201610289893
【公开日】2016年9月28日
【申请日】2016年5月4日
【发明人】刘治, 聂明钰, 邱清晨, 孙育霖
【申请人】山东大学