一种基于端元簇的高光谱图像解混方法技术

一种新型的基于端元簇的高光谱图像解混方法，通过端元簇的提取与基于端元簇的丰度反演两个步骤达到高光谱图像的自适应精确解混。该方法步骤如下：(1)基于全局图像的稀疏表示；(2)基于投票的备选端元筛选；(3)通过提取光谱形状特征进行端元簇构建；(4)构造分块过完备字典；(5)遍历整个图像，针对每个像素进行基于块稀疏的最佳端元选择；(6)利用全约束最小二乘法进行丰度估计，输出端元簇光谱与丰度结果。本方法主要针对高光谱图像中存在的光谱变异问题，能够有效减少由于光谱变异带来的误差，提高解混精度，同时基于图像本身的端元簇提取使得算法自适应性强。

A hyper spectral image unmixing method based on endmember cluster

A new method of hyper spectral image mixing based on end-element clusters is proposed. By extracting the end-element cluster and inversion of the abundance based on the abundance of end-element clusters, an adaptive and accurate solution of hyperspectral images is achieved by two steps. The steps of the method are as follows: (1) the sparse representation based on the global image; (2) selection of alternative end elements based on voting; (3) constructing an endelement cluster by extracting spectral shape features; (4) constructing a block overcomplete dictionary; (5) traversing the whole image and selecting the best end element selection based on block sparsity for each pixel; (6) utilizing full constraints. The least squares method is used to estimate the abundance and output the spectral and abundance results. This method is mainly aimed at the problem of spectral variation in hyperspectral images, which can effectively reduce the error caused by spectral variation and improve the precision of solution mixing. At the same time, the end cluster extraction based on the image itself makes the algorithm more adaptive.

【技术实现步骤摘要】
一种基于端元簇的高光谱图像解混方法
本专利技术涉及一种新型的基于端元簇的高光谱图像解混方法，能够通过技术手段有效减少解混时由于光谱变异带来的误差，属于遥感图像处理领域。
技术介绍
高光谱遥感指具有高光谱分辨率的遥感技术，其探测的波段以纳米级别的光谱分辨率覆盖了包括紫外、可见光、近红外和中红外和热红外的光谱区域(0.4μm-2.5μm)。高光谱遥感能够连续并精细地描述地物光谱，在勘探、检测、识别方面具有突出优势。高光谱遥感发展潜力巨大，自20世纪80年代问世后，和成像雷达一同被视作遥感技术中最重要的两项技术突破。20世纪90年代以来，高光谱遥感已经逐渐成为国际上光电遥感的主流方向和遥感技术的热门课题。我国是世界上少数几个拥有独立自主高光谱遥感技术知识产权的国家之一。近年来，国家大力支持高光谱遥感技术的发展，很多科研工作者在863项目、国家自然科学基金等课题的支持下，在资源调查、环境监测、工程建设、农业识别、医学诊断等研究领域取得了显著成果。受光谱仪空间分辨率限制和地物分布多样性的影响，高光谱图像中的一个像元往往包含多种地物，我们把这样的像元称为混合像元。与混合像元相对应的，我们把只含有一种地物的像元称为纯净像元，或者端元，同时在混合像元中，每种物质所占的百分比称为丰度。高光谱解混的目的就是获取图像中端元的特征光谱，并且借此求出混合像元中各个地物所占的比例。高光谱解混能够解决因为混合像元而带来的地物分布探测与物质识别的困难，因此在高光谱遥感图像的理论研究和应用中都占有很重要的地位。现有的高光谱解混算法，普遍通过计算或选择一条光谱曲线来代表一个端元。然而，只用一条光谱曲线代表一个端元存在一定的局限性。在一幅图像中，由于光照不均、矿物粒度分布不同、所包含的有机物与杂质不同这些因素，同一物质的光谱很容易出现光谱变异现象。光谱变异引起光谱值的变化，继而导致解混误差。为了解决复杂环境下高光谱解混过程中出现的光谱变异问题，本专利技术利用端元簇的概念，即用一组光谱来表示一种物质，结合稀疏表示理论模型，提出一套全新的高效、精确的高光谱解混模型。
技术实现思路
针对图像出现的光谱变异现象，本专利技术设计一种全新的高光谱解混方法，方法的核心在于端元簇的自适应构建与基于端元簇的解混，通过端元簇对端元的全方位表达来减弱光谱变异现象造成的解混误差。本专利技术能够从图像中直接提取端元簇并进行解混，不需要光谱库作为先验信息，方法的自适应性强，适用环境广，能够有效提高解混精度。为了实现上述目的，本专利技术采用的技术方案为：一种全新的高光谱解混方法，主要包括：备选端元提取、端元簇构建和丰度估计三个步骤。备选端元提取的目的是从图像中找出具有端元性质的点，里面包含各个端元的变异光谱。端元簇的构建需要在无监督的情况下将同类光谱聚合在一起，本专利技术通过提取光谱的形状特征来完成精确的光谱分类。最后在提取到的端元簇的基础上，针对每个像素找出最佳匹配光谱组合来进行丰度估计。本专利技术所涉及的方法流程包括以下步骤：(1)基于全局图像的稀疏表示；(2)基于投票的备选端元筛选；(3)通过提取光谱形状特征进行端元簇构建；(4)构造分块过完备字典；(5)遍历整个图像，针对每个像素进行基于块稀疏的最佳端元选择；(6)利用全约束最小二乘法进行丰度估计，输出端元簇光谱与丰度结果。下面对该方法流程各步骤进行详细说明。(1)基于全局图像的稀疏表示给定一幅大小为m行n列，l个波段的高光谱图像X＝{x1,x2,...,xi,...,xm×n}，其中xi＝{xi1,xi2,...,xil}。然后利用匹配追踪方法对每一个像素进行稀疏表示，针对像素xi的过完备字典构建为图像中物质种类个数，即端元数目为k，将稀疏表示中的稀疏度同样设置为k。再利用匹配追踪方法进行稀疏表达，获得稀疏系数yi，具体步骤如下：1)初始化残差r0＝xi，指数集原子集以及迭代次数t＝1。2)选择与残差最接近，即内积最大的原子，记录其指数λt。然后更新指数集Λt＝Λt-1∪{λt}与原子集Atomt＝[Atomt-1；dλt]。λt＝argmax|＜rt-1,D＞|(1)3)通过最小二乘问题来获得估计的系数，并更新残差rtrt＝xi-εtAtomt(3)4)更新t＝t+1，并且返回到步骤2)，直到残差逐渐收敛或t＝K时停止迭代。5)最终得到稀疏系数yi＝εt。(2)基于投票的备选端元筛选对于像素xi和其对应的稀疏系数yi，我们找出稀疏系数yi中绝对值最大的稀疏对应的原子，并对其投票。图像包含m×n个像素，即共投出m×n票，累计每个原子获得的票数，然后将所有原子按照票数进行排序。由端元数目k计算出备选端元的个数cn，这里cn＝k×5，并选出得票数前cn的原子作为备选端元，获得备选端元集合Xcand。(3)通过提取光谱形状特征进行端元簇构建此步骤对步骤2中获得的备选端元进行特征提取，以达到精确构建端元簇的目的。对于包含l个波段的光谱首先将光谱切割成N个长度为l0的光谱段，其中N＝[l/l0]。如果l不能被l0整除，光谱最后一段的长度为剩余的波段数。随后利用直线来拟合每一段光谱，提取直线的斜率代表此光谱段形状，然后获得整个曲线的斜率向量p＝1,2...N。直线拟合采用最小二乘拟合方法即可以得到备选端元Xcand的特征Fcand＝[f1；f2；...；fc...；fcn]，然后将特征输入到无监督分类器中，获得k个类别Fbundle＝[Fb1；Fb2...；Fbi；...；Fbk]。再将对应的备选端元按照分类结果形成端元簇Xbundle＝[Xb1；Xb2...；Xbi；...Xbk],Xbi＝[xh|fh∈Fbi]，并输出结果。(4)构造分块过完备字典对于已获得的端元簇Xbundle＝[Xb1；Xb2...；Xbi；...Xbk]，过完备字典的每一块由一个端元簇构成，即D＝[Db1；Db2；...；Dbi；...；DbK],Dbi＝Xbi。(5)遍历整个图像，针对每个像素进行基于块稀疏的最佳端元选择对于任意像素xi，具体计算步骤为：1)初始化残差r0＝xi，指数集端元集字典D0＝D，设置迭代次数t＝1，迭代终止次数K。2)在整个字典中寻找指数λt使其满足(6)λt＝argmax|＜rt-1,Dt-1＞|(6)更新指数集Λt＝Λt-1∪{λt}，端元集字典3)利用最小二乘法，解(7)中的最优化问题，并更新残差rt。4)如果残差小于设定的阈值，则停止迭代，否则增加t＝t+1，并且返回2)，直到t＝K。(6)利用全约束最小二乘法进行丰度估计，输出端元簇光谱与丰度结果。附图说明图1是基于端元簇的高光谱图像解混方法的流程图。图2是曲线形状特征提取的示意图：a)是原始曲线，b)是提取到的特征。图3是月表高光谱数据以及解混后得到的结果，a)是处理图像及其月表上的位置示意图，b)是得到的端元簇光谱，c)是解混得到的各个物质的丰度分布图。具体实施方式下面结合实例对本专利技术的应用方法作进一步说明。本实例采用我国于2007年10月24成功发射的嫦娥一号卫星携带的干涉成像光谱仪拍摄到的高光谱图像数据进行解混处理。本次处理的高光谱数据的大小为300×128，波长范围为480-960nm，包含32个波段，选择其中20个波段用于计算，空间分辨率为200m/pixel。(本文档来自技高网...

【技术保护点】
1.一种端元簇提取方法，其特征在于：基于稀疏表示分析像素间关系，利用稀疏系数对像素投票筛选备选端元，提取光谱形状特征进行端元簇构建，本方法能够实现基于图像的端元簇自动提取，其步骤如下：步骤1，基于全局图像的稀疏表示给定一幅大小为m行n列，l个波段的高光谱图像X＝{x1,x2,...,xi,...,xm×n}，其中xi＝{xi1,xi2,...,xil}；首先利用匹配追踪方法对每一个像素进行稀疏表示，针对像素xi的过完备字典构建为

【技术特征摘要】
1.一种端元簇提取方法，其特征在于：基于稀疏表示分析像素间关系，利用稀疏系数对像素投票筛选备选端元，提取光谱形状特征进行端元簇构建，本方法能够实现基于图像的端元簇自动提取，其步骤如下：步骤1，基于全局图像的稀疏表示给定一幅大小为m行n列，l个波段的高光谱图像X＝{x1,x2,...,xi,...,xm×n}，其中xi＝{xi1,xi2,...,xil}；首先利用匹配追踪方法对每一个像素进行稀疏表示，针对像素xi的过完备字典构建为图像中物质种类个数，即端元数目为k，将稀疏表示中的稀疏度同样设置为k，再利用匹配追踪方法进行稀疏表达，获得稀疏系数yi，稀疏系数求解具体步骤如下：1)初始化残差r0＝xi，指数集原子集以及迭代次数t＝1；2)选择与残差最接近，即内积最大的原子，记录其指数λt。然后更新指数集Λt＝Λt-1∪{λt}与原子集Atomt＝[Atomt-1；dλt]；λt＝argmax|＜rt-1,D＞|(1)3)通过最小二乘问题来获得估计的稀疏，并更新残差rt；rt＝xi-εtAtomt(3)4)更新t＝t+1，并且返回到步骤2)，直到残差逐渐收敛或t＝K时停止迭代；5)最终得到稀疏系数yi＝εt；步骤2，基于投票的备选端元筛选对于像素xi和其对应的稀疏系数yi，我们找出稀疏系数yi中绝对值最大的稀疏对应的原子，并对其投票；图像包含m×n个像素，即共投出m×n票，累计每个原子获得的票数，然后将所有原子按照票数进行排序；由端元数目k计算出备选端元的个数cn，cn＝k×5，并选出得票数前cn的原子作为备选端元，获得备选端元集合Xcand；步骤3，通过提取光谱形状特征进行端元簇构建此步骤对步骤2中获得的备选端元进行特征提取，以达到精确构建端元簇的目的；对于包含l个波段的光谱首先将光谱切割成...

【专利技术属性】
技术研发人员：尹继豪，黄晨雨，罗晓燕，罗旭坤，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11