一种高光谱遥感影像端元自动提取方法
高光谱遥感影像的提取和处理方法
高光谱遥感影像的提取和处理方法近年来，随着遥感技术的不断发展，高光谱遥感影像的获取成为了现实。
高光谱遥感影像是指通过遥感仪器获取的光谱范围较广的遥感影像，其相较于传统遥感影像具有更高的空间和光谱分辨率。
在许多领域，包括环境保护、农业、城市规划等，高光谱遥感影像的提取和处理方法具有重要的应用价值。
一、高光谱遥感影像的获取高光谱遥感影像的获取需要使用高光谱遥感仪器，该仪器能够捕捉到丰富的光谱信息。
一般来说，高光谱遥感仪器由多个波段的传感器组成，这些传感器能够同时记录多个波段的图像。
获取的高光谱遥感影像通常具有数百个波段，使得我们在遥感影像处理中能够获取更多的光谱信息。
二、高光谱遥感影像的预处理在进行高光谱遥感影像的提取和处理之前，我们需要对其进行预处理。
预处理的目的是提高图像的质量和减小噪声的影响。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正旨在消除遥感影像中的辐射差异，以便更好地比较不同区域的反射率。
大气校正则旨在消除大气引起的影响，使得遥感影像更加准确。
几何校正则是为了将遥感影像的几何形状与地形相匹配。
三、高光谱遥感影像的特征提取高光谱遥感影像的特征提取是指从遥感影像中提取出我们感兴趣的信息。
常见的特征提取方法有以下几种：1. 光谱特征提取光谱特征提取是指通过对高光谱遥感影像每个波段的分析，提取出不同波长下的光谱信息。
这些信息可以用于分类、识别和分析。
常见的光谱特征提取方法包括光谱曲线拟合、波段选择、光谱角等。
2. 空间特征提取空间特征提取是指通过对高光谱遥感影像空间分布的分析，提取出图像上不同位置的信息。
常见的空间特征提取方法包括纹理特征、形状特征、结构特征等。
3. 混合特征提取混合特征提取是指将光谱特征和空间特征相结合，提取出更全面的图像信息。
这种方法更常用于高光谱遥感影像的分类与识别。
四、高光谱遥感影像的分类与识别高光谱遥感影像的分类与识别是利用图像处理和分类算法对遥感影像进行分析，将其划分为不同的类别。
一种空间自适应的多光谱遥感影像端元提取方法
以 Ｔ 多光谱影像 为例 ， ０米的多光 谱影像有 ６个波段 （ Ｍ ３ 不
包 括热红外 ） ，即使这 ６ 个波段互不相关 ， 求取 的本征维数最
多也就是 ６ ， 维 能提取的端无数 目最 多 ７ 。按照 凸面体分 个 析理论 ， Ｍ 多光谱影像 只能提取少 量的端元 ，如果 再以提 Ｔ
取 的少量端 元去解混 ， 精度受到严 重影响 ，难 以满 足实际应 用中的要求 。
小组分 单元 ” ，即“ 端元”＿ ｊ ｌ 。 在混合像元 分解之 前需要进行端元 提取 。 是进行遥感 这
像， 对于高空问分辨率低光谱分辨率的多光谱影像端 元提取
算法很 少。如何从多光谱影像仅有的儿个波段 ｌ有效 的提取 ｝ １
端元信息 ， 是多光谱遥感影像混合像元 分解 的关 键 。 现行基
光谱和地物参考光谱 的蓖要纽带 ； 并从 另一个角度表 达 了遥 感影像分类和识别 的方法 与思路 。由于现实 中混合像 元的广 泛存在 ，一 方 使 得遥 感 影像 光谱 和地 表 实测 光谱 长期 割 ・ 裂 ，另一方面使得遥感 影像 的分类和识别以及定 量反演 的精 度受到重要影响 ，所以混合 像了 分解理沦在遥感 理解 与信息
于凸锥体分 析法 的端元提取算法 ， 通过求取影像 的本征维数 确定端元 的数 Ｖ。即影像端元数 日等于本 征维数加一【 Ｊ Ｉ 。
影像混合像元分解 的首要 步骤 ， 也足最 关键 的步骤 ，它 直接
影 响混合像元分解 的精度 。现行的端 ＿ 源概括 起来 主要 有 ＝ ） Ｉ ∈ 种ｉ ： １根据野外 波 谱测 量或从 已有 的地 物波 谱信息库 （） 巾选择端 】 通过这种 途径 选择 的端元称 为 “ ， 参考 端元 ” ；
１ ０４ ００ ９
高光谱遥感图像中的特征提取与分类算法优化
高光谱遥感图像中的特征提取与分类算法优化高光谱遥感图像是一种获取地面物体反射光谱信息的重要数据源。
在资源环境监测、农业生产、城市规划等领域，高光谱遥感图像的特征提取与分类算法优化具有重要意义。
本文将重点探讨高光谱遥感图像中的特征提取与分类算法优化的方法和技术。
一、高光谱遥感图像的特征提取方法在高光谱遥感图像中，每个像素点包含多个波段的光谱信息，因此特征提取主要是从光谱、空间和纹理等多个方面进行。
以下介绍几种常用的特征提取方法：1. 光谱特征提取：光谱特征提取是指通过分析各个波段的光谱反射率，获取区分不同地物的特征。
常用的方法有平均光谱曲线、光谱强度、光谱比值等。
可以利用统计学方法或者光谱分解等技术进行光谱特征提取。
2. 空间特征提取：空间特征提取是指通过分析高光谱图像像素点之间的空间关系，提取地物的空间分布特征。
常用的方法有纹理特征、空间模式指数等。
可以利用滤波器、卷积操作、灰度共生矩阵等技术进行空间特征提取。
3. 纹理特征提取：纹理特征提取是指通过分析高光谱图像中地物表面纹理的特征，提取地物的纹理信息。
常用的方法有灰度共生矩阵、小波变换、局部二值模式等。
可以通过计算纹理特征的统计值或者采用机器学习方法进行纹理特征提取。
以上是高光谱遥感图像中常用的特征提取方法，通过综合运用各种方法，可以获得更多的特征信息，提高特征提取的准确度和鲁棒性。
二、高光谱遥感图像的分类算法优化高光谱遥感图像分类是指将图像中的每个像素点划分到不同类别中，以实现对地物的识别和分类。
分类算法的优化可以提高分类的准确性和效率。
以下介绍几种常用的优化算法：1. 监督分类算法优化：监督分类算法是指在训练样本的基础上，通过对特征进行提取和选择，利用统计学或模型建立分类器，实现对遥感图像进行分类。
常用的监督分类算法有支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。
通过优化特征选择、样本分布策略和分类器参数等方面，可以提高分类的准确性。
一种利用单形体体积自动提取高光谱图像端元的算法
的 影 像 特 征 ， 同 时 也 可 能 以 其 中 某 一 像 元 或 者 像
端 元 正 是 组 成 高 光谱 图 像 的基 础 元 素． 如 何 在 图
小 目标 有 可 能 在 做 主 成 分 分 析 时 得 不 到 “ 视 ” 重 ，
自动 的提 取 端 元 的 算 法 ，两 种 方 法 的 效 果 接 近 ， 但 是 Ｉ Ａ 的 时 间 复 杂 度 太 大 ． Ｎ— Ｉ Ｒ 算 法 基 Ｅ Ｆ ＮＤ 于高 维 单 形 体 的体 积 ，但 其 求 体 积 的 公 式 要 求 数 据 的维 数 比端元 的 个 数 小 一 ，所 以 一 般 情 况 下 都 要 先 对 数 据 进 行 降 维 处 理 （ Ｃ 或 者 ＭＮＦ 然 后 Ｐ Ａ ） 再 通 过 体 积 的 不 断 膨 胀 求 出 端 元 ． 正 如 前 面 所
说 ， Ｐ Ａ 或 Ｍ ＮＦ在 对 图 像 做 减 维 处 理 时 ， 可 能 Ｃ
而往 往 在 很 多 场 合 ，我 们 需 要 的 正 是 那 些 小 目 标 ． 我 们 将 从 另一 个 角度 来 审 视 高 光 谱 数 据 所 具 有 的 内在 维 数 问题 ，一 幅 高 光 谱 图 像 所 包 含 的 内
高光 谱 分 辨 率 遥 感 或 成 像 光 谱 遥 感 技 术 的 发
展是 ２ Ｏ世 纪 末 的 最 后 两 个 十 年 中 人 类 在 对 地 观 测 方 面 所 取 得 的 重 大 技 术 突 破 之 一 ， 是 当 前 遥 感 技
术发 展 的前 沿． 通 过 高 光 谱 成 像 ，或 成 像 光 谱 技
高光谱遥感影像端元提取方法对比
高光谱遥感影像端元提取方法对比【摘要】本文在SMACC法和PPI法端元提取基础上，得到高光谱遥感影像端元丰度图，之后用SVM法进行分类。
通过分类结果精度来评价端元提取的优劣。
实验结果表明，基于PPI的线性混合像元分解得到的丰度图用SVM分类效果最佳，整体精度达87.59%，而基于SMACC法结合SVM分类的效果和直接应用SVM分类次之，整体精度分别是83.84%和85.16%。
【关键词】高光谱；端元；支撑向量机（SVM）Comparison of Endmember Extraction Methods from Hyperspectral ImageJIN Wen-ping XIAO Ke－ke（School of Geoscience and Info-Physics, Central South University，Changsha Ｈｕｎａｎ，410083，China）【Abstract】In this paper, SMACC method and PPI method were used to extract endmembers. Then the abundance maps which were derived from endmembers were classified by SVM method. At last ,we evaluated the quality of endmember extraction methods by classification precision. The results show that the PPI-SVM is the best method and the overall precision is 87.59% while that of the SMACC-SVM method and the SVM method are 83.84% and 85.16%.【Key words】Hyperspectra；Endmember；Support vector machine（SVM）０引言高光谱遥感技术丰富的空间维、光谱维信息受到国际研究者的广泛关注，具有广阔的发展应用前景[1]。
基于Cayley-Menger行列式的高光谱遥感图像端元提取方法
红 外 与 毫 米 波 学 报
Ｊ ｎ ｒｒ ｄ Ｍｉ ｉ ．Ｉ ｆａ ｅ ｌ ｍ．Ｗ ａ ｅ ｌ ｖｓ
Ｖｏ ． ３１．Ｎｏ ３ １ ．
ＰＵ ｎ Ｙｅ Ｈａ — ， Ｗ ＡＮＧ ｎ ， ， Ｚ Ｂｉ ＨＡＮＧ ． ｎ ＬｉＭｉ ｇ
（ ． ｅａｔ ｎ ｆ ｌｃ ｏｉ Ｅ ｇ ｅｒ ｇ ｕ ａ ｎ ｅｓｙ Ｓ ａｇａ ２ ０ ３ ，Ｃ ｉａ １Ｄｐｒ ｍｅｔ ｅｔ ｎｃ ｎ ｉ ｅｉ ，Ｆ ｄｎＵ ｉ ｒｉ ， ｈ ｎｈｉ ０４ ３ ｈｎ ； ｏＥ ｒ ｎ ｎ ｖ ｔ ２ Ｔ ｅＫ ｙＬ ｂｒｔｒ ｏ ｖ ｃｔ ｒ ｇａｄＲ ｍｏ ｅ ｓ ｇＩｆ ｍ ｔ ｎ（ ｉｉｒ ｆ ｄ ｃｔ ｎ ， ． ｈ ｅ ａｏａ ｙ ｆ ｏ ＷａｅＳａ ｅ ｎ ｎ ｅ ｔ Ｓｎｉ ｏ ａ ｏ Ｍ ｎｓ ｏ ｕ ａｏ ） ｔｉ ｅ ｎ ｎｒ ｉ ｔ ｙ Ｅ ｉ Ｆ ｄｎＵ ｉ ｒｉ ， ｈ ｎｈ ２ ０ ３ ， ｈｎ ） ｕ ａ ｎ ｅｓｙ Ｓ ａｇｍ ｖ ｔ ０４ ３ Ｃ ｉａ
Ｃａ ｌｙ Ｍ ｅ ｇ ｒ ｄ ｔ ｒ ｉ ａ ｔｂ ｓ ｄ ｅ ｄ ｅ ｂ ｒ ｅ ｔ ａ ｔｏ ｌ ｏ ｉｈ ｙ ｅ － ｎ ｅ ｅ ｅ ｍ ｎ ｎ － ａ ｅ ｎ ｍ ｍ ｅ ｘ ｒ ｃ ｉ ｎ ａ ｇ ｒｔ ｍ
ｆ ｒ ｈ ｐｅ ｓ ｅ ｔ ａ ｎ ｉ ｉ ｏ ｙ ｒ ｐ ｃ ｒ ｌｕ ｍ ｘ ｎｇ
据进行 降维处理 ， 从而可 以避 免因数据降维而造成 的有用信 息的丢 失． 仿真和实 际高光谱数据 的实验结果表 明， 所 提 出的算 法在获 得准确解的 同时， 有非常快 的收敛速度． 具 关 键 词 ： 光 谱 解 混 ； ａｌ － ｎｅ 行 列 式 ； 助 高 ； 小 体 积 ； 形 体 高 Ｃ ｙｅ Ｍｅｇｒ ｙ 辅 最 单 中 图 分 类 号 ：Ｐ ５ 文 献 标 识 码 ： Ｔ７１ Ａ
基于深度学习的高分辨率遥感影像道路自动提取研究
基于深度学习的高分辨率遥感影像道路自动提取研究1. 引言1.1 研究背景和意义随着遥感技术的飞速发展，高分辨率遥感影像已经成为地理空间信息获取的主要手段。
从高分辨率遥感影像中自动提取道路信息，对于城市规划、交通管理、灾害监测等领域具有重要的应用价值。
然而，传统的基于图像处理的方法在道路提取中往往受到噪声、阴影、光谱变异等因素的干扰，难以实现高精度、高效率的自动提取。
深度学习技术的兴起为遥感影像道路自动提取提供了新的解决方案。
通过深度学习模型的学习和优化，可以从复杂的遥感影像中准确地提取出道路信息，大大提高了道路提取的精度和效率。
1.2 国内外研究现状国内外学者在基于深度学习的遥感影像道路提取方面进行了大量的研究。
早期的研究主要集中在利用卷积神经网络（CNN）进行道路提取，通过设计不同的网络结构和训练策略来提高提取精度。
近年来，随着全卷积网络（FCN）和U-Net等模型的提出，研究者开始尝试利用这些模型进行遥感影像的道路提取，取得了显著的效果。
此外，还有一些研究将深度学习与其他技术相结合，如条件随机场（CRF）、图模型等，以进一步提高道路提取的准确性。
1.3 研究目标和方法本文的研究目标是基于深度学习技术，设计并实现一种高精度、高效率的高分辨率遥感影像道路自动提取方法。
为实现这一目标，本文将采用以下研究方法：首先，对高分辨率遥感影像进行预处理，包括辐射定标、大气校正、正射校正等步骤，以提高影像质量；其次，设计一种基于深度学习的道路提取模型，通过大量的训练数据对模型进行训练和优化；最后，对提取结果进行后处理和优化，以提高道路提取的准确性和完整性。
2. 高分辨率遥感影像数据预处理2.1 数据来源和特性本文所采用的高分辨率遥感影像数据主要来源于卫星遥感平台。
这些数据具有高空间分辨率、多光谱特性和丰富的地物信息。
然而，由于受到大气条件、传感器误差等因素的影响，原始遥感影像往往存在辐射失真、几何变形等问题，需要进行预处理以消除这些影响。
高光谱遥感图像端元提取的零空间光谱投影算法
摘要 ： 端元提取 技术是高光谱遥感 图像光谱解混的关键． 在线性光谱混合分析 中， 首先 引入 了高光谱遥感 图像经过 零空间光谱投影后具有单形体 的凸不变性． 在此基础上 ， 出 了零空 间光谱投影算 法， 过设计各种 度量和准 则， 提 通 制定不 同的单次端元提取策略， 灵活地 实现 算法． 经过 证 明， 空间光谱投 影 算法是对 基于子 空 间投 影距 离算法 零 （ 括零 空间投影距离算法与经典正交子空间投 影算法） 包 的进 一步延伸 ， 提供 了更 多的端 元提 取策 略． 实验 结果表 明， 零空间光谱投影算法在模拟 图像 以及真实高光谱遥感 图像 中都 能够有效地提取 出图像 中的各种端元． 关 键 词 ： 光谱遥感 ； 高 光谱解混 ； 端元； 单形体 ； 空间 零 中图 分 类 号 ：Ｐ２ 文 献标 识 码 ： Ｔ７２ Ａ
ｔ ｇｒｈ ａｅ ｎｓｂｐｃ ｒ ｅｔ ｎｄｓ ｎｅ ｎ ｌ ｉ ｅｃａｓ ａ ｏｔｏｏａ ｓｂｐｃ ｒ ｅｔ ｎ （ Ｓ ）ａ ｏ ｈ ａ ｏｔｍ ｂｓｄｏ ｕ ｓａｅｐｏ ｃｏ ｉａｃ ，ｉｃ ｄｎ ｔ ｌ ｉｌ ｒ ｇｎｌ ｕ ｓａｅｐｏ ｃｉ ｅｌ ｉ ｊ ｉ ｔ ｕ ｇｈ ｓ ｃ ｈ ｊ ｏ ＯＰ ｌ － ｇ ｒｈ ｄｔｅｎ ｌｓａｅｍ ｘ ｌ ｄｓ ｎｅａｇｒｈ ｉ ｍ ａ ｕｌ ｐｃ ａｉ ｉａｃ ｏ ｔ ｔ ｎ ｈ ｍａ ｔ ｌ ｉ ｍ．Ｔ ｅａｇｒｈ ｒ ｉ ｓｄｖｒｉｅ ｔ ｔｇ ｓｆ ｎ ｍ ｍ ｅ ｅｔ ｃ ｈ ｏ ｔｍ ｐｏ ｄ ｉｅ ｆ ｄｓｒ ｅ ｅ ｒ ｄ ｅ ｂｒ ｘ ａ— ｌ ｉ ｖｅ ｓ ｉ ａｉ ｏｅ ｒ
第２ ９卷第 ４期
２１ ００年 ８月
红 外 与 毫 米 波 学 报
Ｊ ｎｒｒｄ Ｍｉｉ ．Ｉｆ ｅ ｌ ｍ．Ｗ ａ ｅ ａ ｌ ｖｓ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1
引
言
键步骤。纯净像元通常被称之为 / 端元0 ( Endmem2 ber) 。端元可以来源于光谱库 , 也可以直接取于图 像 , 但是来源于光谱库的端元没有考虑地面测量、 光 照和大气条件对光谱特征的影响, 光谱数据库中的 光谱和航空或卫星遥感数据几乎是不可能在完全相 同的条件下取得的, 因此这种方法还存在一定的不 足 。相比而言, 直接来源于图像中的端元与实际 图像有相同的获取条件 , 受同等外界因素的影响 , 能 更贴切地反应光谱特性 , 是常用的端元提取方法。
遥感信息
理论研究
2010. 4
别相似度采用欧氏距离或光谱角。 ( 5) 选出剩余 S21 类与第一类最不相似的一类 记为第二类, 可以采用欧氏距离或光谱角作为相似 性度量的依据。在剩余 S22 类中选出与第一类、 第 二类最不相似的一类记为第三类 , 这里可以利用求 剩余 S22 类中各类分别与第一类、 第二类的欧式距 离之和的大小来判断, 距离最大就认为它们最不相 似。依次类推寻找其他所需类别。 ( 6) 确定所选类别之后, 将每一类别向量排序并 与其类别均值向量进行比较, 进而选择均值向量附 近的纯净像元作为提取的端元。 以上操作按所设计的流程利用 IDL 编程实现 , 最后以文本文件 ( ASCII 码 ) 将算法所选择的纯净像 元输出, 作为混合像元分解的端元或监督分类的训 练样本。 算法中用到欧式距离的判别:
p
4
实验与分析
4. 1 实验数据 实验所用数据是由 863 计划信息获取与处理主 题提供的北京 中关村地区 OMIS 高光 谱遥感影像 数据, OMIS 数据在可见光 / 近红外/ 短波红外/ 热红 外 0. 46 Lm~ 12. 15 Lm 的所有 大气窗 口上设 置了 128 个光谱波段。考虑到 OMIS 许多波段都受到了 条带噪音的干扰, 本文采用其中前 50 个波段进行处 理 , 光谱范围为 0. 45Lm~ 1. 09Lm, 如图 3 所示, 图 像大小为 200 列 @200 行。
遥感信息
理论研究
2010. 4
一种高光谱遥感影像端元自动提取方法
王晓玲 ¹ , º , 杜培军 ¹ , º , 谭琨 ¹ , 曹文 ¹
( ¹ 中国矿业大学国土资源与灾害监测国家测绘局重点实验室 , 徐州 221116; º 中国矿业大学江苏省资源环境信息工程重点实验室 , 徐州 221116)
摘要: 针对人工样本选择和端元提取存在的不确定性 和工作 量大等缺 点, 提出 一种集成 非监督 分类、 纯净 像 元指数计算、 线性光谱混合模型和凸面单形体理论的自动端元提取算法, 能够有效地 提取端元用 于高光谱遥感 影 像分类和混合像元分解。利用北京昌平地区的 OMIS 高光谱遥感数据进行了验 证, 结果表明算 法可行有效, 自 动 化程度较高, 作为训练样本进行分类能够获得较高精度, 优于常规方法。 关键词: 线性混合模型; 凸面单形体; 端元 doi: 10. 3969/ j. issn. 1000- 3177. 2010. 04. 002 中图分类号: TP79 文献标识码: A 文章编号: 1000- 3177( 2010) 110- 0008- 05
An Automatic Endmember Extraction Algorithm from Hyperspectral Image
WANG Xiao2 ling ¹ , º , DU Pei 2 jun ¹ , TAN Kun ¹ , CAO Wen ¹ ( ¹ China Univer sity of Mining and T echnology , key labor a tory f or land Envir onment a nd Disaster Monitor ing of SBS M, Xuz hou 221116 ; º China univer sity of Mining and Techology , J ia ngsu key l abor ator y of Resour ces a nd Envir onment I nf orma tion Engineeing, Xuzhou 221116 ) Abstr act: An automat ic endmember extraction algorit hm is pr oposed based on unsuper vised classification, pixel pur ity in2 dex, liner spectra l mixing model and simplex of convex geometr y concepts. This pr oposed algorit hm can avoid the effects of un2 cert ainty, heavy wor kload and other shortcomings of existing artif icial sampling procedures. The approach is experimented by an example of OMIS hyperspectral image, and the experimental result indicates that the algorithm is effective and has high degree of automation. Key words: liner spectral mixtur e model; convex simplex; endmember
[1]
高光谱遥感影像波段多、 信息量大 , 提供更丰富 的地物信息, 利用高光谱进行目标检测、 影像分类和 参数反演是当前遥感科学技术领域的研究热点。由 于传感器的空间分辨率以及地面的复杂多样性 , 混 合像元普遍存在于遥感图像中。有效提取纯净像元 是高光谱遥感影像分类、 目标识别和像元解混的关
收稿日期 : 2009- 09- 14 修订日期 : 2009- 11- 26
基金项目 : 国家 863 高技术研究发展计划项目 ( 2007AA12Z162) 、 教育部高校博士学科点专项基金项目( 20070290516) 和国家自然科 学基金项目( 40401038, 40871195) 。 作者简介 : 王晓玲( 1985~ ) , 女, 山西朔州人 , 硕士研究生, 主要研究高光谱遥感影像处理与应用。 E 2 mail: xiaoling52013@ 126. com 。
)
8 )
2010. 4
理论研究
遥感信息
目前 , 端元提取主要是由操作员根据实际影像 的情况主观地进行选择, 受操作员主观意识和经验 的影响, 导致不同操作员选择的端元不尽相同 , 带有 较大的随意性和不确定性。为了克服这些弊端 , 研 究者提出了一系列非监督的技术方法自动寻找端元 光谱。目前比较成功的方法有投影追踪法 ( P P) [ 2] 、 模拟退火算法 ( SAA ) 、 凸锥分析方法 CC 和 N2 [5] FINDR 等等。这些方法都得到了较好的应用 , 但 由于端元光谱的不确定性, 目前仍然还没有任何一 种普遍适用的方法。本文将高光谱图像的光谱特征 与凸面单形体几何特征相结合 , 给出了一种高效的 全自动端元提取和分类算法。
M
RMSE =
M> N 。
b= 1
E e/M
2 b
( 4)
为采用最小二乘法求解各端元所占比例, 要求
2. 2 高光谱的凸面单形体理论 Boardman 于 1993 年首先揭示了高光谱数据在 其特征空间呈现单形体的结构[ 7~ 8] , 进而引入了凸 面几何学的分析方法 , 其基本思想是: 高光谱图像中 的每个像元都是 L 维光谱空间中的一个点( L 为高 光谱图像的波段数) , 在误差项 E 很小的情况下 , 满 足上述式 ( 1) 、 式 ( 2) 和式 ( 3) 的所有点的集合正好构 成一个 N21 维空间的凸集 , 而端元点则正好落在这 个凸面单形体的顶点上。
[ 6]
3
算法思路与实现
。公式表示为
N
Q b =
EfQ
i
i= 1
( i, b)
+ eb
( 1)
本文设计的自动端元提取和分类算法用到了非 监督分类算法( ISODAT A, 或 K2Means) 、 P PI 、 凸面 单行体理论以及不同端元之间距离最远理论。 该算法的基本思想如下: 首先通过非监督分类 将原始数据划分为不同的子集, 缩小搜索范围; 然后 根据聚类内离散度从高到低依次选择聚类中最不相 似的几类, 在所选的类别中按所期望的方法选择样 本 , 具体流程图如图 2。该算法的实现步骤如下: ( 1) 对原图像进行非监督分类, 根据具体情况将 原图像分为若干类别 , 这里假设聚类数为 S。这样 就将原图像分成 S 块区域 , 接下来就以区域为单位 进行研究。 ( 2) 计算与聚类形成的各类别相对应的原始数 据中各类别的均值向量 e1 , e2 , , , en 。 ( 3) 利 用 常用 高 光谱 纯 净像 元 提取 方 法 ( 如 ENVI 所 提供 的 MNF ) ) ) P PI ) ) ) N 维可 视 化分 析 ) 提取最纯净、 最可信的一类地物, 并计算这一类 的均值向量 e。 MNF 变换用于判定图像数据内在 的维数 , 分离数据中的噪声 ; PP I 纯净像元指数可以 在高光谱图像中寻找最/ 纯0 的像元 ; N 维可视化分 析可选出数据云团的最外侧纯净像元 ( 端元) , 其中 有一类精度最高。 ( 4) 比较原图像聚类生成的各类别的均值向量 e1 , e2 , , , en 与步骤 ( 3) 提纯的类别的均值向量 e , 判 断哪一类与 e 向量最相似 , 则记为第一类。具体判 ) 9 )
其中 , Q bБайду номын сангаас为波段 b 的反射率; N 为端元数目; f i 为端元 i 在像元内部所占比例; Q ( i, b) 为端元 i 在波段 b 的反射率 ; eb 为模型在波段 b 的拟合误差。同时 f i 需要满足以下 2 个约束条件, 即