本发明专利技术提供基于丰度显著性分析的高光谱图像解混方法及系统，包括建立待处理的高光谱遥感图像的端元光谱库；用基于稀疏回归的混合像元分解方法对每个像元进行初步混合像元分解并按照丰度值的大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性丰度的临界值，然后根据预设的显著性丰度阈值进行判断组成该像元的稀疏表示端元子集；最后采用丰度约束的最小二乘法再次进行混合像元分解，将结果作为最终的混合像元分解结果。本发明专利技术可以得到更为稀疏和准确的像元表示端元子集，并且提高高光谱遥感图像混合像元分解的精度，在基于高光谱遥感图像的高精度地物分类以及地面目标检测和识别方面具有重要的应用价值。
【技术实现步骤摘要】
本专利技术属于遥感图像处理
，涉及一种基于丰度显著性分析的高光谱遥感图像混合像元分解方法。
技术介绍
高光谱遥感图像具有较高的光谱分辨率，能更为细致精确地分析地物的物质成分，因而受到国内外学者的极大关注并被广泛应用于地物分类、异常检测、目标的识别等。然而高光谱图像的空间分辨率一般较低，一个像元内通常包含了多种地物的光谱，这些像元被称为混合像元。混合像元的普遍存在极大地阻碍了高光谱遥感图像的应用。高光谱遥感图像的混合像元分解是高光谱遥感图像分析的核心问题之一，有效地进行混合像元分解可以得到图像的亚像元级信息，对于亚像元目标探测、岩矿识别、精细农业等方面都具有非常重要的意义。混合像元分解过程是从混合像元中识别出它包含的不同地物类型的光谱(端元)和这些地物在混合像元中占有的比例(丰度)。像元的线性混合模型假设像元的光谱反射率是其中含有的所有地物的光谱反射率的线性组合。该模型表达简洁、物理意义明确、具有较强的普适性，因而得到了广泛的应用。混合像元分解首先需要提取图像中所含有的地物的光谱信息(端元提取)。然而我们很难自动并且准确的估计图像中含有的端元数目和提取端元的特征光谱。近年来，随着很多光谱库(例如美国地质勘测局的矿物光谱库，美国航天航空局的ASTER光谱库等)的公开，使得我们可以直接利用已经建成的端元光谱库而不需要从图像中提取端元，避免了端元提取过程中产生的误差。利用现有的光谱库解混也不要求图像中每个端元必须有纯净像元对应，在像元普遍混合程度较高时仍能取得较好的效果。端元光谱库要尽量完备，以包含图像中的所有端元，所以通常光谱库中端元的数量很大。另一方面一个像元含有的端元数目通常小于整幅图像所含有的端元数目，更远远小于端元光谱库中端元的数目，即像元用端元线性表示时丰度值具有很强的稀疏性。鉴于用光谱库进行高光谱遥感图像解混时混合像元表示的稀疏性，基于稀疏回归的方法被引入到线性解混问题中，并取得了较好的效果。基于稀疏回归的混合像元分解方法是一种半监督的解混方法，它利用已有的端元光谱库作为先验信息，将像元表示成端元光谱库中某些端元的线性组合。基于稀疏回归的混合像元分解方法在解混过程中加入了丰度的稀疏性约束，可以得到较为稀疏的解混丰度，得到的结果更符合实际情况。基于稀疏回归的混合像元分解方法是在端元光谱库中找到一组最佳的端元子集来线性表示混合像元。一般称这个端元子集为该像元的表示端元子集。下面介绍现有技术中与本专利技术相关的一些概念：1.线性光谱混合模型线性光谱混合模型假设像元的光谱反射率是其中含有的所有地物的光谱反射率的线性组合，混合像元的线性表示模型可以表示为y＝Mα+n (1)其中y是一个L维的列向量，表示观测到的混合像元反射光谱(L是图像的光谱波段数)；这个像元中含有q个端元，每一个端元的特征光谱也是一个L维的列向量，它们组成一个L×q维矩阵M，即像元包含的端元信息；α＝(α1,α2,…,αq)T是一个q维列向量，表示每个端元在混合像元中所占的丰度，αi为第i个端元在混合像元中所占的丰度，i的取值为1,2,…,q，T是向量的转置符号；n是L维的加性噪音。端元的丰度是指端元在像元中所占有的比重，因此丰度值要满足以下和为一约束条件(Abundance Sum-to-one Constraint,ASC)和非负约束条件(Abundance Nonnegative Constraint,ANC)：(ASC):Σi=1qαi=1---(2)]]>(ANC):αi≥0 (3)2.基于丰度约束最小二乘法的线性解混在线性光谱混合模型的假设条件下，已知像元的观测光谱y和像元包含的端元信息M，求解端元对应的丰度值α是一个线性回归问题，可以用基于丰度约束的最小二乘法求解。基于丰度约束的最小二乘法要求解混丰度满足一定的约束条件下，对观测光谱拟合的重构误差最小。在高光谱图像的混合像元线性分解问题中，丰度满足(ANC)约束和(ASC)约束。由于端元光谱的可变性在解混过程中通常释放(ASC)约束条件而只保留(ANC)约束条件。基于丰度非负性约束最小二乘法(NCLS)可以表示为求解：minα||Mα-y||2,s.t.for∀i,αi≥0---(4)]]>要求丰度满足(ASC)和(ANC)约束的最小二乘法又叫全条件约束的最小二乘法(FCLS)，可以表示为求解：minα||Mα-y||2,s.t.for∀i,αi≥0andΣi=1qαi=1---(5)]]>3.基于稀疏回归的解混模型基于稀疏回归的解混模型将高光谱遥感图像的端元光谱库作为先验信息，端元光谱库包含了图像中所有地物类型的端元。假设端元光谱库中有m个端元，记实数集为令为L×m的向量空间，A的每一列是一个端元光谱，令x＝(x1,x2,…,xm)T表示光谱库中端元在像元中对应的丰度值组成的列向量，xi为第i个端元在混合像元中所占的丰度，i的取值为1,2,…,m。则混合像元y可以用光谱库中端元线性表示：y＝Ax+n (6)将混合像元分解问题通过稀疏回归模型表示，(7)式是其中一种等价的稀疏回归模型[7]minx12||Ax-y||22+λ||x||1,s.t.for∀i,xi≥0andΣi=1mxi=1---(7)]]>其中||Ax-y||22项反映回归的Ax对观测值y的拟合程度，称之为图像的重构误差；||x||1项反映解混丰度的稀疏性程度；λ是调整目标函数中两项的权值。由于光谱的可变性，通常丰度的(ASC)条件并不能被满足，模型中只加入了丰度的非负性条件约束，即：minx12||Ax-y||22+λ||x||1,s.t.for∀i,xi≥0---(8)]]>基于稀疏回归对的混合像元分解问题可以通过正交匹配追踪方法(Orthogonal Matching Pursuit，OMP)、迭代光谱分析方法(Iterative Spectral Mixture Analysis，ISMA)、基于变量分离和增光拉格朗日的稀疏解混方法(Sparse Unmixing via Variable Splitting and Augmented Lagrang本文档来自技高网...
【技术保护点】
一种基于丰度显著性分析的高光谱图像解混方法，其特征在于，包括以下步骤：步骤a，建立待处理的高光谱遥感图像的端元光谱库；步骤b，用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混合像元分解；步骤c，对高光谱遥感图像中每个像元，分别将步骤b所得初步解混丰度按照丰度值的大小降序排列，对排序后的丰度序列进行显著性分析，得到显著性丰度的临界值xt，实现如下，设对某个像元初步解混后，丰度值不为0的端元有p个，记重新排序后的非0丰度序列为{xi}，i的取值为1,2,…,p，xi为重新排序后的第i个非0丰度值；当p＞3时，令变量di＝xi‑xi+1，i的取值为1,2,…,p‑1；变量ci＝1‑di+1/di，i的取值为1,2,…,p‑2，记{ci}中最大值对应的序号为临界序号it，it对应的丰度值为显著性丰度的临界值，记为xt；当p≤3时，直接令最小的非0丰度值为显著性丰度值的临界值，记为xt；步骤d，对高光谱遥感图像中每个像元，分别根据预设的显著性丰度阈值x0进行判断，如果xt＞x0则将所有大于x0的丰度值对应端元组成该像元的稀疏表示端元子集，否则将所有大于xt的丰度值对应端元组成该像元的稀疏表示端元子集；步骤e，对高光谱遥感图像中每个像元，基于步骤d得到的稀疏表示端元子集，采用丰度约束的最小二乘法再次进行混合像元分解，将结果作为最终的混合像元分解结果。...
【技术特征摘要】
1.一种基于丰度显著性分析的高光谱图像解混方法，其特征在于，包括以下步骤：
步骤a，建立待处理的高光谱遥感图像的端元光谱库；
步骤b，用基于稀疏回归的混合像元分解方法对高光谱遥感图像每个像元分别进行初步混
合像元分解；
步骤c，对高...
【专利技术属性】
技术研发人员：邵振峰，王毓乾，张磊，周维勋，张邻晶，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。