基于端元字典的成像光谱图像稀疏解混与亚像元定位研究

发布时间：2020-03-29 19:49

【摘要】：随着遥感技术的逐渐成熟,成像光谱图像在目前社会中的应用越来越广泛。但是由于成像光谱仪的限制,大多数成像光谱图像的空间分辨率较低,这也就导致了混合像元在遥感影像中大量普遍存在,给后续的数据处理工作带来了许多不便。因此成像光谱图像的光谱解混技术具有重要的理论研究意义和实际应用价值。本文从成像光谱图像的特点和成像原理出发,开展了基于端元字典的成像光谱图像稀疏解混技术的研究工作,提出了一种基于地物类别的高光谱图像端元冗余字典训练算法和一种基于K-SVD和端元字典的光谱解混算法,收到了较好的效果。进一步将其应用于亚像元定位领域,设计实现了一种基于空间相关性约束的亚像元定位算法,有效提高了传统算法的定位精度。具体包括:设计并实现了一种基于K-SVD的和标准光谱库的端元冗余字典训练算法。该方法以标准光谱库为基础,首先基于光谱特征对光谱库数据进行地物分类,然后对每类地物的光谱曲线分别训练单类字典,选择最具代表性的地物光谱曲线,来构建端元冗余字典;进一步利用光谱角匹配与光谱信息散度结合的方法,对字典内的端元进行进一步筛选优化,使得端元字典内的原子在保证充分性的同时降低相关性,以消除后续光谱解混过程中无关项的消极影响,为后续成像光谱图像混合像元的高效解混奠定基础。设计并实现了一种基于端元冗余字典的混合像元光谱解混算法。该方法基于线性光谱混合模型,首先通过KNN的方法对图像中的混合像元进行检测,进而以基于地物类别的端元冗余字典作为端元集,采用基于K-SVD的稀疏分解的方法对混合像元进行解混。通过模拟数据和真实数据的实验表明该方法的解混效果良好,具有较高的鲁棒性,改善了低信噪比的情况下传统解混方法精度较低的问题。设计并实现了一种基于光谱解混和空间相关性约束的成像光谱图像亚像元定位算法。将所提出的基于端元冗余字典的混合像元解混算法用于亚像元定位过程,进一步验证了算法的有效性。该方法设计构造了两种基于空间相关性的代价函数,进而基于前述混合像元解混结果,利用解混分量图通过像元交换实现了高光谱图像的亚像元定位。实验结果表明该算法在地物边界处的亚像元定位效果良好,贴近实际地物分布情况,在实现高性能亚像元定位的同时也验证了所提出的光谱解混算法的有效性。
【图文】：

示意图,高光谱图像,数据结构,示意图

- 11 -图 2-1 高光谱图像数据结构示意图Fig.2-1 Hyperspectral Image Data Structure图像一般包含多光谱图像和高光谱图像等，成像光谱磁频谱的信息。成像光谱成像通过获取场景图像中每象，识别地物类别或者检测目标的目的。成像光谱仪sk Broom）和推扫式（Push Broom）卫星传感器。摆仪（AcrossTrackScanners）或者聚焦模式（Spotlig直于飞行路径,每次只收集一个像素。推扫式有时也long Track Scanners）,推扫式与摆扫式不同的是，它进方向，每次可以扫描一行的数据。线性阵列探测器生连续的图像数据。，成像光谱传感器将信息收集为一组“图像”。每个围，也称为光谱波段。这些“图像”被组合以形成用λ)高光谱数据立方体，其中 x 和 y 表示场景的两个

遥感影像,混合像元,混流

图 2-2 成像光谱图像混合像元解混流程图Fig.2-2 Hyperspectral Image Mixed Pixel Unmixing flow chart如图 2-2 所示，对于多数的遥感影像来说混合像元的解混主要分为图中的几个步骤。首先将成像光谱仪直接获取的辐射数据立方体进行大气校正，将辐射值转化为物体固有的反射率，得到了反射率数据立方体。然后对于一些方法来说可以通过降低维度例如 PCA（Principal Component Analysis，PCA）来降低数据的复杂性，减少算法的复杂度。当然降维过程并非是所有方法都需要的，通过降维可以得到简化的数据立方体。然后根据不同的混合像元解混方法来对数据进行解混，需要注意的是如果用稀疏表示的思想来解决混合像元解混的问题，，还额外需要标准光谱库来作为端元集。通过混合像元解混得到所需的端元集信号以及相对应的各端元的丰度图。随着遥感技术的日益成熟以及计算机的能力越来越强，采用图像处理的方法来对成像光谱图像混合像元进行解混处理也就变得很有必要。混合像元解混的算法作为遥感影像处理中的重要一环，提供准确的解混结果也对遥感影像之后的工作奠定了基础。例如，超分辨率复原、亚像元定位、异常检测等等。
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【相似文献】