基于豐度劃分的高光譜遙感圖像解混

余淞淞

（同濟(jì)大學(xué)電子信息與工程學(xué)院，上海　201804）

基于豐度劃分的高光譜遙感圖像解混

余淞淞

（同濟(jì)大學(xué)電子信息與工程學(xué)院，上海201804）

0　引言

隨著世界科技發(fā)展，遙感技術(shù)日益成熟，已經(jīng)成為對(duì)地觀測(cè)的重要手段之一。與傳統(tǒng)多光譜遙感器相比，高光譜遙感器光譜分辨率高，成像波段更多更窄，在可見(jiàn)光至近紅外區(qū)域光譜分辨率達(dá)到納米級(jí)，這大大加強(qiáng)了對(duì)觀測(cè)目標(biāo)的信息采集能力，因此有著廣闊的應(yīng)用前景。

然而受到高光譜成像光譜儀空間分辨率不足，以及自然界地物分布復(fù)雜等因素影響，高光譜遙感圖像中存在這種像元，它的光譜數(shù)據(jù)未表現(xiàn)單一地物特性，而是由幾種不同地物光譜混合組成，這樣的像元被稱(chēng)為混合像元［1］。這是傳統(tǒng)像元級(jí)圖像分類(lèi)和地物面積量測(cè)精度難以達(dá)到應(yīng)用要求的主要原因。為了提高遙感應(yīng)用的精度，必須解決混合像元的分解問(wèn)題。

光譜解混就是求解混合像元內(nèi)純地物（端元）光譜及每種地物面積占比（豐度）［2］。然后從地物光子響應(yīng)到圖像采集過(guò)程之間的光學(xué)原理和作用過(guò)程非常復(fù)雜，同時(shí)受到時(shí)間、空間、環(huán)境等不確定性因素影響。同一類(lèi)地物在不同的場(chǎng)景下，其端元光譜表現(xiàn)通常會(huì)有一定差異。如果端元不具有足夠代表性，會(huì)解混精度嚴(yán)重影響解混精度。這種端元光譜可變性，對(duì)解混過(guò)程中的端元選擇方法提出了更高的要求。為了解釋光譜可變性，Robets等人提出了多端元光譜混合分析（MESMA），該方法為每個(gè)端元選取一組純像元光譜，在對(duì)像元解混時(shí)，會(huì)從各端元的光譜組中，分別選取最合適的光譜，以降低均方根誤差［3］。Bateson提出端元束（endmember bundles）概念，并用模擬退火算法生成端元束，來(lái)替代單一端元進(jìn)行解混［4］。目前基于多端元的解混算法得到了廣泛研究，但是對(duì)端元組數(shù)據(jù)的統(tǒng)計(jì)特性未進(jìn)行深入挖掘。本文提出了一種豐度劃分的遙感圖像解混算法，利用支持向量機(jī)對(duì)多端元解混模型里豐富的端元信息進(jìn)行充分挖掘。對(duì)真實(shí)遙感圖像的解混實(shí)驗(yàn)，驗(yàn)證了算法的良好性能。

1　基于豐度劃分的解混方法研究

支持向量機(jī)是統(tǒng)計(jì)學(xué)習(xí)理論的一種算法實(shí)現(xiàn)［5］。它在統(tǒng)計(jì)學(xué)理論中歷史較短，但是由于其良好的學(xué)習(xí)效果，在各研究領(lǐng)域得到廣泛應(yīng)用。利用支持向量機(jī)進(jìn)行遙感圖像光譜解混的核心思想是：將端元豐度從0%～100%進(jìn)行等間隔劃分成若干豐度類(lèi)，通過(guò)合成分屬于不同豐度類(lèi)的像元集對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，將豐度估計(jì)問(wèn)題轉(zhuǎn)化為豐度分類(lèi)問(wèn)題。該算法首先使用端元光譜集通過(guò)指定策略合成已知豐度的像元，并標(biāo)記豐度標(biāo)簽。然后利用這組像元集對(duì)多類(lèi)支持向量機(jī)模型進(jìn)行訓(xùn)練，以這種方式對(duì)端元集數(shù)據(jù)的統(tǒng)計(jì)特性進(jìn)行挖掘。而后使用SVM對(duì)目標(biāo)遙感圖像進(jìn)行分類(lèi)，獲取豐度類(lèi)圖。根據(jù)加一性原理，對(duì)豐度類(lèi)圖進(jìn)行歸一化處理，得到最終解混結(jié)果。

圖1　算法流程圖

算法主要包括以下幾個(gè)步驟：

①合成訓(xùn)練集。對(duì)于每類(lèi)端元，算法需要合成指定豐度的虛擬混合像元作為該端元訓(xùn)練集，并使用豐度作為標(biāo)簽。其中豐度標(biāo)簽根據(jù)預(yù)先設(shè)定的豐度分辨率在0%～100%之間進(jìn)行等間隔劃分，0%表示此像元為純像元，100%表示此像元不包含當(dāng)前端元。

②SVM訓(xùn)練。對(duì)于每類(lèi)端元，使用上一步合成的訓(xùn)練集對(duì)一個(gè)多類(lèi)SVM進(jìn)行訓(xùn)練。

③對(duì)高光譜圖像進(jìn)行豐度分類(lèi)。對(duì)于每類(lèi)端元，使用上一步訓(xùn)練得SVM對(duì)目標(biāo)高光譜圖像進(jìn)行分類(lèi)。分類(lèi)結(jié)果中，每個(gè)像元根據(jù)分類(lèi)標(biāo)簽得到該類(lèi)端元的豐度。

④豐度歸一化。在對(duì)所有端元都得到豐度圖后，由于像元中所有端元的組分比之和一定是100%，因此對(duì)所有端元的豐度圖進(jìn)行歸一化操作，得到目標(biāo)高光譜圖像的最終解混結(jié)果。

以下是算法偽代碼，如表1。

2　實(shí)驗(yàn)分析

實(shí)驗(yàn)對(duì)象為意大利Pavia大學(xué)圖像數(shù)據(jù)。ROSIS-03遙感器采集的尺寸為610×340的遙感圖像，遙感器采集原始波段數(shù)為115個(gè)，覆蓋光譜波長(zhǎng)區(qū)域?yàn)?.43～0.96um，空間分辨率1.3m/pixel。在排除了一些受水汽吸收影響，和低信噪比的波段后，兩幅圖像分別保留了102,103個(gè)波段作為正式實(shí)驗(yàn)數(shù)據(jù)。

表1　本文算法偽代碼

該數(shù)據(jù)集中包含九類(lèi)地物。以此為原遙感數(shù)據(jù)集進(jìn)行標(biāo)記。然后對(duì)該數(shù)據(jù)集去除最后一行最后一列后，使用3×3均值濾波器處理，生成了一幅203×113的已知豐度的遙感數(shù)據(jù)集。

采用經(jīng)典的全限制最小二乘法（FCLS）作為對(duì)照組進(jìn)行實(shí)驗(yàn)。此外，構(gòu)建SVM的核函數(shù)采用泛化性能良好的高斯徑向基核函數(shù)。解混效果的評(píng)價(jià)標(biāo)準(zhǔn)為豐度估計(jì)數(shù)據(jù)復(fù)原遙感圖與原始遙感圖像間的均方根誤差（RMSE）。表2給出了兩種算法實(shí)驗(yàn)的RMSE結(jié)果。在單類(lèi)RMSE上，該算法在多數(shù)情況下都小于FCLS的RMSE。而總體RMSE，該算法也好于FCLS算法。

3　結(jié)語(yǔ)

本文給出了一種基于豐度劃分的高光譜圖像像元解混算法。傳統(tǒng)的豐度估計(jì)算法在利用端元集時(shí)策略相對(duì)簡(jiǎn)單。為了進(jìn)一步挖掘端元集的統(tǒng)計(jì)特性，通過(guò)建立豐度劃分類(lèi)，將SVM算法引入到高光譜遙感圖像像元解混問(wèn)題中。通過(guò)設(shè)計(jì)一種基于豐度等間隔劃分的的豐度類(lèi)訓(xùn)練集，將豐度估計(jì)問(wèn)題轉(zhuǎn)化為分類(lèi)問(wèn)題。通過(guò)對(duì)真實(shí)遙感數(shù)據(jù)集進(jìn)行解混實(shí)驗(yàn)，驗(yàn)證了該算法的有效性。相比傳統(tǒng)的FCLS解混算法，本文算法在解混精度上有較大的優(yōu)勢(shì)。

表2　實(shí)驗(yàn)結(jié)果

［1］Tong Q X,Zhang B,Zheng L F.Hyperspectral Remote Sesing［M］.Beijing:Higher Education Press,2006

［2］Keshava N,Mustard J.Spectral Unmixing［J］.IEEE Signal Processing Mag,2002,19（1）：44～57

［3］D.A.Roberts,M.Gardner,R.Church,S.Ustin,G.Scheer,R.O.Green.Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixing Models.［J］.Remote Sensing of Environment,1998,65:267～269

［4］C.A.Bateson,G.P.Asner,C.A.Wessman.Endmember Bundles:A New Approach to Incorporating Endmember Variability into Spectral Mixture Analysis［J］.IEEE Transactions on Geoscience and Remote Sensing,Mar，2000,38（2）:1083～1094

［5］A.Mathur and G.M.Foody,Crop Classification by a SVM with Intelligently Selected Training Data for an Operational Application［J］. Int.J.Remote Sensing,vol.29,no.8,pp.2227～2240,Apr.2008

Hyperspectral；Mixed Pixel；Spectral Unmixing；Abundance Division

A Hyperspectral Imagery Unmixing Method Based on Abundance Division

YU Song-song
（Department of Electronics and Information Engineering Tongji University，Shanghai 201804）

1007-1423（2015）08-0074-04

10.3969/j.issn.1007-1423.2015.08.018

余淞淞（1990-），男，江西南昌人，在讀碩士研究生，研究方向?yàn)檫b感圖像處理

2015-03-01

2015-03-10

高光譜遙感成像技術(shù)能夠獲取目標(biāo)區(qū)域豐富的光譜信息和空間信息?；旌舷裨F(xiàn)象在遙感圖像中普遍存在，處理遙感圖像解混問(wèn)題是提高地物識(shí)別精度的前提。由于端元光譜可變性的存在，傳統(tǒng)的基于單一單元光譜的線性解混方法解混精度難以達(dá)到應(yīng)用要求。對(duì)多端元光譜策略進(jìn)行分析，并給出一種基于豐度劃分的高光譜解混算法，對(duì)實(shí)際光譜數(shù)據(jù)進(jìn)行試驗(yàn)并取得較好效果。

高光譜；混合像元；光譜解混；豐度劃分

Hyperspectral remote sensing imagery provides rich spectral information and space information about the place of interest.Mixed pixels happen in spectral images frequently,which reduce the classification accuracy of ground truth.Due to spectral variability,early spectral unmixing methods using one pixel as endmember ectral unmixing can't provide enough performance for applications.Pays more attention to the multiple endmember spectral analysis,and proposes an unmixing method based on abundance division.Experiments on real hyperspectal images show high performance.