一种基于分块的VCA端元提取方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】

本专利技术涉及图像处理
，具体涉及一种基于分块的VCA端元提取方法。
技术介绍
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。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。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。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。
技术实现思路
为解决现有技术存在的不足，本专利技术公开了一种基于分块的VCA端元提取方法，本专利技术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。为实现上述目的，本专利技术的具体方案如下：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。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。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；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；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。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ISODATA进行非监督分类，分类类数l和已知的图像中的端元个数r相等，即l＝r，分块结果为Γi，其中i＝1,2,...,r。进一步的，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。进一步的，对于所有的分块区域Γi，设置端元个数r′，其中r′＜r，分别进行VCA端元提取。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。进一步的，对于所有的分块区域Γi，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。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＝E×A，丰度矩阵元素aij满足和为一和非负性的约束条件；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。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{ej本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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；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。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l和已知的图像中的端元个数r相等，即l＝r，分块结果为Γi，其中i＝1,2,...,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；...

【专利技术属性】
技术研发人员：刘治，聂明钰，邱清晨，孙育霖，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37