一种基于光谱吸收特征重排的高光谱数据目标识别方法技术

一种基于光谱吸收特征重排的高光谱数据目标识别方法，包含以下步骤：（１）读入高光谱数据；（２）最小噪声分量变换；（３）光谱连续统去除；（４）计算像元光谱的吸收位置、吸收深度以及吸收特征左右肩；（５）以待识别目标光谱为基谱按吸收深度的由强至弱进行排序，无明显吸收特征波段按波长从小到大排序，得到重排光谱；（６）以步骤（５）中待识别目标重排光谱的波长顺序进行高光谱数据的光谱特征重排，得到基于光谱重排的特征提取结果；（７）光谱特征匹配，获得目标识别结果。该方法解决了传统基于光谱特征匹配目标识别方法受噪声影响大、单个特征不稳定等因素对识别结果影响的问题，实现了可靠、精确的目标识别。

【技术实现步骤摘要】

本专利技术涉及，属 于高光谱数据处理方法与识别应用
，适用于高光谱数据特征提取与 目标识别的理论方法和应用技术研究。
技术介绍
不同地物的物理、化学性质不同，光谱特征不同，因此高光谱遥感数据 提供的精细的光谦特征可以直接作为目标识别的依据。但是由于日照条件、 大气、噪声、仪器响应等因素影响，光谱特征会出现漂移、变浅等现象，使 光谱特征具有很大的不确定性，如何应用高光谱数据实现稳定、可靠的地物 类型直接识别是高光谱应用需要解决的关键问题之一 。针对上述问题，国内外学者在该领域展开了大量的研究，目前，高光谱遥感数据目标识别方法主要基于光谱特征匹配的方法，目前基于光i普特征匹 配的目标识别方法主要包括两大类基于参量化光谱特征匹配的目标识别方 法以及基于光镨波形匹配的目标识别方法。基于光镨波形匹配的目标识别方 法无法考察局部某些波段的光谱差异，因此，在光谱特征相似的目标识别时 受到较大限制；基于参量化光谱特征匹配的方法主要利用单一的参量化特征 作为识别准则，例如吸收位置或吸收深度等，并且只利用了显著的吸收特征， 虽然现有的基于参量化光谱特征匹配方法能够有效获得地物光谱的局部特 征，但是单个的吸收特征不够稳定且不同类型地物可能具有相似的光谱特 征，同时光谗参量化特征对噪声较为敏感，因此，现有目标识别方法很难满 足目前高光谱应用需求。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种受噪声影响小、综合 利用所有吸收特征的一种基于光谱吸收特征重排的高光谱数据目标识别方 法。本专利技术，技术解决方案为该方法主要利用最小噪声分量变换降低噪声对光谱吸收特征的干 扰，通过计算高光i普数据的吸收位置、吸收深度及其左右肩等吸收特征，通 过按照吸收深度由强到弱的排序，实现光谱重排，提取光谱特征，最后利用 光i普匹配方法实现基于光谱重排的目标识别。最小噪声分量变换有效的消除 了数据噪声以及波段间的相关性；光谱重排利用了所有吸收位置与深度，能 够有效反映局部光谱特征差异，同时解决了单一特征不稳定的问题。本专利技术，其步骤(1 )读入高光谱数据；(2) 最小噪声分量变换；(3) 光谱连续统去除；(4) 计算像元光i普的吸收位置、吸收深度以及吸收特征左右肩；(5) 以待识别目标光镨为基谱按吸收特征进行光谱重排；(6) 以步骤(5)中待识别目标重排光谱的波长顺序进行高光谱数据的 光i普特征重排，得到基于光谱重排的特征提取结果；(7) 光谱特征匹配，获得目标识别结果。其中，步骤(1 )中所述的读入高光谱数据为X-[x";c2,…,xJ，"为像 元数。其中，步骤(2)中所述的最小噪声分量变换该方法以噪声协方差的 估计矩阵为基础，假设步骤(1)中读入的高光谱数据能够分解为Z-Z + iV, 矩阵Z、 JV分别是理想信号和噪声矩阵，变换过程是调整噪声的取值并去除其 波段间的相关性；最小噪声分量正变换矩阵为M-Ff/^,其中，^ = ^/纩7^,A^、"纩分别为噪声分量协方差矩阵的特征值矩阵、特征向量矩阵，"，为 X白化后协方差矩阵的特征向量矩阵，变化后的数据T各个波段按信噪比 SNR由大到小排列SA^ 2幼&2 2…2 5TV气，并且噪声的方差为1 ，波段间无相关性；最小噪声分量反变换过程原理相同，只是将最小噪声分量空间的高 光镨数据T变换到原始观测数据空间，得到反变换后的数据Y。其中，步骤(3)中所述的光谱连续统去除是在光谱顶部的凸起的外 壳拟合，它用直线段连接局部的光谱最大值。第一个和最后一个光语数据值 在外壳上，因此在输出的光谱连续消除的连续统去除曲线中的首末波段将等 于l.Q ;通过连续统去除后的高光谱图像，突出了地物光谱的特征信息， 消除了由于光照条件等因素带来的同 一地物光谱幅值不同的影响，有效地抑 制了噪声，便于图像光谱特征计算与匹配。其中，步骤(4)所述的计算像元光谱的吸收位置、吸收深度以及吸收 特征左右肩方法如下通过计算一阶的微分值，可以迅速确定光谱弯曲点、 最大最小光谱反射率及其波长位置，最大光谱反射率的波长位置即为吸收特 征的左右肩，最小光谱反射率的波长位置即为吸收位置，吸收深度"=1-&，其中，i^为吸收位置对应的连续统去除后光谱幅值。其中，步骤(5 )所述的以待识别目标光i普为基谱按吸收特征进行光谱 重排过程如下以待识别目标光谱为基谱，根据步骤(4)计算的吸收深度 由强到弱排，如果无吸收特征，则按波长从小到大排列。其中，步骤(6)所述的以步骤(5)中待识别目标重排光谱的波长顺序 进行高光谱数据的光谱特征重排，得到基于光谱重排的特征提取结果以待 识别目标光谱重排结果为基准，将所有高光谱数据按照相同的顺序进行光谱 重排。其中，步骤(7)所述的光谱特征匹配，获得目标识别结果采用正交 投影散度(OPD)计算光谱重排后光谱相似度，从而实现目标识别；两个P 维光i普信号;c, =,x,2,...,x,尸]r , 、 = ，:c;2,…，~]r ,则P维光i普4言号x,.和、之间的正交投影散度表示为<formula>formula see original document page 6</formula>其中，o/wKxkr'x" 并且/^是p+p维的单位矩阵。本专利技术与现有技术相比的优点在于克服了传统的高光谱数据目标识别 方法受噪声影响大、匹配识别特征不稳定等局限，本方法利用最小噪声分量 变换和光谱重排，实现了高可靠性的目标识别。它具有以下的优点(1) 引入了最小噪声分量变换，解决了由于大气、遥感器等因素引起的噪声对光 谱特征提取影响的问题；(2)提取特征前利用了连续统去除，消除了由于 日照条件、遥感器响应等问题带了的幅值变化的影响；(3)采用光谱重排， 利用所有吸收特征进行目标识别，克服了由于单一特征不稳定、多义性等问 题带来的目标准确识别的困难。 附图说明图1为本专利技术一种基于光语吸收特征重排的高光谱数据目标识别方法 实现流程图。 具体实施例方式为了更好的说明本专利技术涉及的高光i普遥感数据多类别监督分类方法，利 用PHI航空高光谦数据进行江苏方麓茶场地区农作物类型识别。本专利技术一种 基于光谱吸收特征重排的高光谱数据目标识别方法，具体实现步骤如下(1 )读入高光谱数据读入方麓茶场PHI高光谱数据，数据大小为 210x150x64,波段区间455 ~ 805nm;(2)最小噪声分量变换该方法以噪声协方差的估计矩阵为基础，假 设步骤(1)中读入的高光谱数据能够分解为Z二Z + iV，矩阵Z、 W分别是理 想信号和噪声矩阵，变换过程是调整噪声的取值并去除其波段间的相关性；最小噪声分量正变换矩阵为M-F"r，其中，Ar、 "r分别为噪声分量协方差矩阵的特征值矩阵、特征向量矩阵，t/"为X白化后协方 差矩阵的特征向量矩阵，变化后的数据T各个波段按信噪比SNR由大到小排歹'j sa^ ^svi^ s…》SiV/^ ，并且噪声的方差为1,波段间无相关性；最小噪声分量反变换过程原理相同，只是将最小噪声分量空间的高光谱数据T变 换到原始观测数据空间，得到反变换后的数据Y。(3) 光谱连续统去除是在光谱顶部的凸起的外壳拟合，它用直线段 连接局部的光谱最大值。第一个和最后一个光谱数据值在外壳上，本文档来自技高网...

【技术保护点】
一种基于光谱吸收特征重排的高光谱数据目标识别方法，其特征在于：它包含以下步骤：　　（１）读入高光谱数据；　　（２）最小噪声分量变换；　　（３）光谱连续统去除；　　（４）计算像元光谱的吸收位置、吸收深度以及吸收特征左右肩；　　（５）以待识别目标光谱为基谱按吸收特征进行光谱重排；　　（６）以步骤（５）中待识别目标重排光谱的波长顺序进行高光谱数据的光谱特征重排，得到基于光谱重排的特征提取结果；　　（７）光谱特征匹配，获得目标识别结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵慧洁，李娜，曹诚，牛志宇，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]