基于模型驱动和RVM回归的高光谱图像混合像元分解方法技术

本发明专利技术公开了一种基于模型驱动和RVM回归的高光谱图像混合像元分解方法，包括以下步骤：S1，读取高光谱图像，利用端元提取算法计算出包含该高光谱图像所有波段的端元个数；S2，提取出高光谱图像中所有端元的光谱向量；S3，根据Hapke模型，计算出每个端元的单次散射反照率，将端元的单次散射反照率进行线性混合，转换成混合像元的反照率，本发明专利技术的有益效果是：采用了非线性光谱混合模型，能够对混合像元的非线性特性进行较好的解释。与传统的线性混合像元分解方法相比，本文的方法精度更高，且RVM回归模型具有概率输出，对于混合像元中各组分丰度值的计算结果具有统计意义。

Hybrid pixel decomposition method for hyperspectral imagery based on model driven and RVM regression

The invention discloses a hybrid pixel decomposition method for hyperspectral image based on model driven and RVM regression, which comprises the following steps: S1, reading hyperspectral image, calculating the number of endpoints containing all the bands of the hyperspectral image by using endmember extraction algorithm, S2, extracting the spectral vectors of all endpoints in the hyperspectral image; 3. According to the Hapke model, the single scattering albedo of each end element is calculated, and the single scattering albedo of each end element is linearly mixed and converted into the albedo of the mixed pixel. The beneficial effect of the present invention is that the nonlinear spectral mixing model is adopted, and the nonlinear characteristics of the mixed pixel can be well explained. Compared with the traditional linear mixed pixel decomposition method, the proposed method is more accurate, and the RVM regression model has a probability output, which is of statistical significance for the calculation of the abundance values of each component in the mixed pixel.

【技术实现步骤摘要】
基于模型驱动和RVM回归的高光谱图像混合像元分解方法
本专利技术涉及一种较大范围，具体是一种基于模型驱动和RVM回归的高光谱图像混合像元分解方法。
技术介绍
高光谱影像的空间分辨率较低,其像元的光谱特征通常不是单一地物的光谱特征,而是几种地物光谱特征的混合反映。混合像元的存在,是像元级影像分类和面积量测精度难以达到使用要求的主要原因。由于多光谱影像的波段数量有限,无法实现准确的光谱解混。高光谱影像的光谱分辨率从微米级提高到纳米级,使混合像元分析、分解及其模型研究成为可能。通过高光谱影像混合像元分解,可以提高影像中提取小目标的能力、地物精细分类精度和影像处理的自动化、智能化水平。高光谱混合像元分解成为国内外的研究热点。遥感图像混合像元分解有线性和非线性两种方法。传统的线性光谱混合模型因计算简便而广泛应用。然而由于物质之间存在散射，加上大气传输过程中的混合效应，会导致真实地物的空间分布也远比线性混合模型所假设的大尺度宏观分布要复杂的多，对于真实地物的混合像元分解，如果用线性光谱混合模型来求解势必存在误差。因此需要研究非线性光谱混合模型及分解算法。关于非线性混合像元分解问题，国内外学者提出了基于人工神经网络、支持向量机(supportvectormachine,SVM)等方法。人工神经网络方法容易收敛于局部最优解，而且计算结果缺乏明确的物理意义。SVM方法在混合像元分解中取得了很好的效果。然而这种方法的局限在于与数据的特征空间性质直接相关的核函数的选取，且核函数参数的选取对计算结果有很大的影响，核函数必须满足Mercer条件；预测时间长等。2000年，模式识别领域出现了相关向量机的研究(RVM,RelevanceVectorMachine)。目前RVM已应用于模式识别、高光谱图像分类等领域。杨国鹏利用RVM分类器输出的后验概率实现了高光谱图像混合像元分解，然而上述研究是一种基于数据驱动的混合像元分解，并没有考虑到光谱非线性混合的物理特性。
技术实现思路
本专利技术的目的在于提供一种基于模型驱动和RVM回归的高光谱图像混合像元分解方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于模型驱动和RVM回归的高光谱图像混合像元分解方法，包括以下步骤：S1，读取高光谱图像，利用端元提取算法计算出包含该高光谱图像所有波段的端元个数；S2，提取出高光谱图像中所有端元的光谱向量；S3，根据Hapke模型，计算出每个端元的单次散射反照率，将端元的单次散射反照率进行线性混合，转换成混合像元的反照率；S4，将上述步骤计算出的高光谱图像中混合像元的反射率数据分为两部分，分别为训练样本部分和测试样本部分，分别用于相关向量机模型的训练和混合像元分解实验结果的精度验证，构造相关相量机回归模型，利用训练样本对相关向量机模型进行训练，计算出相关向量机模型的参数；S5，基于步骤S3得到的混合像元的反射率数据，将高光谱图像的像元光谱输入到步骤S4中训练好的相关向量机模型中，得到相关向量机输出的概率预测值；S6，将相关向量机输出的概率预测值转换成高光谱图像中每个混合像元属于各地物类别的概率值，即可输出混合像元各组分的丰度值，即像元在对应区域内的每一类别地物的地表覆盖比例。作为本专利技术进一步的方案：步骤S3中，利用Hapke模型生成混合像元反照率的过程如下：(1)将提取出的端元光谱的反射率转换为单次散射反照率式中：μ＝cosi，μ0＝sini，其中i为光照入射角，g为相位角，ω为均值单次散射反照率，r为二向反射率，B为后向散射的量度，P为粒子的位相函数，H为多向散射函数，(2)对于各向同性的散射粒子以及低反照比的表面，对上式进行如下简化：其中，(3)基于Hapke模型，利用端元的单次散射反照率计算混合像元的反射率R，根据Hapke模型，混合像元的平均单次散射反照率是端元的单次散射反照率的线性混合，假设影像中共有n个端元，在[0,1]之间产生n个随机数fi，并且满足fj≥0且则混合的反照率为：其中n为端元数，ω为均值单次散射反照率；(4)利用上式把端元混合的反照率逆向转换为混合的反射率R，将反射率数据附加一定信噪比的正态分布的随机噪声，此时的数据可以作为模拟的非线性混合的数据。作为本专利技术再进一步的方案：步骤S4中，相关向量机模型的训练过程如下：(1)确定训练样本集，利用稀疏贝叶斯模型，建立相关向量机预测模型，给定训练样本集为其中xn∈Rd为训练样本向量，对于回归问题，tn为目标向量，相关向量机的预测式如下式：式中，t＝(t1,t2,...,tn)T为目标向量，w＝(w0,w1,...,wn)T为为权重系数，Φ＝[φ(x1),φ(x2),...,φ(xM)]为样本基函数映射组成的列向量，φi(x)(i＝1,…,N)是定义在训练样本点上的核函数，即φi(x)＝k(x,xi)；(2)根据贝叶斯准则，求解相关向量机模型的权值向量w的后验概率，如下式：其中，均值为μ＝σ2ΣΦTt，协方差为Σ＝(σ-2ΦTΦ+A)-1，A＝diag(a0,a1,…,aN)；(3)根据下式确定相关向量机模型超参数的似然分布：p(t|a,σ2)＝p(t|w,σ2)p(w|α)dw＝N(t|0,C)；其中，协方差C＝σ2I+σA-1φT；(4)计算相关向量机模型的超参数α和σ2，超参数α和σ2的计算可转化为超参数后验分布p(a,σ2|t)∝p(t|a,σ2)p(a)p(σ2)关于a和σ2的最大值问题，在一致超先验分布的情况下，最大化p(a,σ2|t)的问题可以通过下式求解：其中，C＝σ2I+ΦA-1ΦT；(5)相关向量机模型的权值的求解：对于一组新的输入数据x*，其相应输出t*的预测值符合高斯分布：其中，预测均值与协方差分别为：y*＝μTφ(x*)与现有技术相比，本专利技术的有益效果是：采用了非线性光谱混合模型，能够对混合像元的非线性特性进行较好的解释。与传统的线性混合像元分解方法相比，本文的方法精度更高，且RVM回归模型具有概率输出，对于混合像元中各组分丰度值的计算结果具有统计意义。与非线性混合像元分解的SVR方法相比，利用RVM模型进行混合像元分解，其优势在于，本专利技术的方法具有明确的物理意义，能够有效提高解混精度及可靠性，且RVM回归模型的核函数不需要满足Mercer条件，模型需要求解的参数较少，解的稀疏性更高，训练过程更快。附图说明图1示出了本专利技术所述的流程示意图。图2示出了本专利技术所述的一优选实施例的美国内华达州南部Cuprite地区的AVIRIS高光谱图像。图3示出了本专利技术所述的一优选实施例的美国内华达州南部Cuprite地区的AVIRIS高光谱图像提取的端元位置分布图。图4示出了本专利技术所述的一优选实施例的美国内华达州南部Cuprite地区的AVIRIS高光谱图像使用RVM回归方法的混合像元分解得到的各组分的丰度图(由左至右依次为钙铁榴石、高岭石和胶岭石)。图5示出了本专利技术所述的一优选实施例的美国内华达州南部Cuprite地区的AVIRIS高光谱图像使用SVM回归方法的混合像元分解得到的各组分的丰度图(由左至右依次为钙铁榴石、高岭石和胶岭石)。图6示出了本专利技术所述的一优选实施例的美国内华达州南部Cuprite地区的AVIRIS高光谱图像使用最小二本文档来自技高网...

【技术保护点】
1.一种基于模型驱动和RVM回归的高光谱图像混合像元分解方法，其特征在于，包括以下步骤；S1，读取高光谱图像，利用端元提取算法计算出包含该高光谱图像所有波段的端元个数；S2，提取出高光谱图像中所有端元的光谱向量；S3，根据Hapke模型，计算出每个端元的单次散射反照率，将端元的单次散射反照率进行线性混合，转换成混合像元的反照率；S4，将上述步骤计算出的高光谱图像中混合像元的反射率数据分为两部分，分别为训练样本部分和测试样本部分，分别用于相关向量机模型的训练和混合像元分解实验结果的精度验证，构造相关相量机回归模型，利用训练样本对相关向量机模型进行训练，计算出相关向量机模型的参数；S5，基于步骤S3得到的混合像元的反射率数据，将高光谱图像的像元光谱输入到步骤S4中训练好的相关向量机模型中，得到相关向量机输出的概率预测值；S6，将相关向量机输出的概率预测值转换成高光谱图像中每个混合像元属于各地物类别的概率值，即可得到混合像元各组分的丰度值，即像元在对应区域内的每一类别地物的地表覆盖比例。

【技术特征摘要】
1.一种基于模型驱动和RVM回归的高光谱图像混合像元分解方法，其特征在于，包括以下步骤；S1，读取高光谱图像，利用端元提取算法计算出包含该高光谱图像所有波段的端元个数；S2，提取出高光谱图像中所有端元的光谱向量；S3，根据Hapke模型，计算出每个端元的单次散射反照率，将端元的单次散射反照率进行线性混合，转换成混合像元的反照率；S4，将上述步骤计算出的高光谱图像中混合像元的反射率数据分为两部分，分别为训练样本部分和测试样本部分，分别用于相关向量机模型的训练和混合像元分解实验结果的精度验证，构造相关相量机回归模型，利用训练样本对相关向量机模型进行训练，计算出相关向量机模型的参数；S5，基于步骤S3得到的混合像元的反射率数据，将高光谱图像的像元光谱输入到步骤S4中训练好的相关向量机模型中，得到相关向量机输出的概率预测值；S6，将相关向量机输出的概率预测值转换成高光谱图像中每个混合像元属于各地物类别的概率值，即可得到混合像元各组分的丰度值，即像元在对应区域内的每一类别地物的地表覆盖比例。2.根据权利要求1所述的一种基于模型驱动和RVM回归的高光谱图像混合像元分解方法，其特征在于，步骤S3中，利用Hapke模型生成混合像元反照率的过程如下：将提取出的端元光谱的反射率转换为单次散射反照率式中：μ＝cosi，μ0＝sini，其中i为光照入射角，g为相位角，ω为均值单次散射反照率，r为二向反射率，B为后向散射的量度，P为粒子的位相函数，H为多向散射函数，(2)对于各向同性的散射粒子以及低反照比的表面，对上式进行如下简化：其中，(3)基于Hapke模型，利用端元的单次散射反照率计算混合像元的反射率R，根据Hapke模型，混合像元的平均单次散射反照率是端元的单次散射反照率的线性混合，假设影像中共有n个端元，在[0,1]之间产生n个随机数fi，并且...

【专利技术属性】
技术研发人员：孙琤，刘东好，
申请(专利权)人：中兵勘察设计研究院有限公司，
类型：发明
国别省市：北京,11