基于数据约减和中心化的像元纯净指数端元提取方法
发布时间：2021-08-24 14:04
像元纯净指数（pixel purity index, PPI）算法是最为常用的端元提取算法之一,但算法中投影向量的随机性导致多次运行的端元提取结果不一致。为此,提出一种基于数据约减和中心化的像元纯净指数端元提取方法（pixel purity index endmember extraction algorithm based on data reduction and centralization, DRC-PPI）。首先利用自动目标生成算法生成候选端元,并进行无约束最小二乘解混,将解混丰度为负的像元从原始数据中移除得到约减数据。其次,对约减数据进行数据中心化进而获得投影向量,将约减数据投影到这些向量上,然后根据样本点的像元纯净指数选择端元光谱。仿真数据和真实高光谱数据实验结果表明,DRC-PPI算法克服了PPI端元提取结果不一致性,大大减少了投影计算量,其端元提取精度总体上高于PPI算法。
【文章来源】：科学技术与工程. 2020,20(23)北大核心
【文章页数】：6 页
【部分图文】：
PPI算法投影示意图
文献[15]指出,若像元x落在由端元构成的单体内部,则其无约束解混丰度满足非负性。反之,则不满足非负性约束。借鉴该思想,从丰度非负性的几何意义出发,提出一种基于单体分析的高光谱数据约减方法。首先利用ATGP算法从图像中提取p个目标像元构成候选单体,然后利用这p个目标像元进行无约束最小二乘光谱解混,依据解混丰度值寻找位于单体内部的像元并将其剔除,即将满足丰度非负性约束的像元剔除,仅保留候选单体外部的像元用于端元提取。以二维空间为例,如图2所示,所有像元光谱在特征空间中呈一个凸面单体的结构,实心圆即为单体的顶点。利用ATGP算法确定一个候选单体,如图2中红色虚线区域所示,利用该候选单体的端元进行无约束丰度解混,落在该单体内的像元其丰度满足非负性约束,不可能成为最终端元,无需参与端元提取,保留红色虚线区域之外的像元用于端元提取。ATGP算法[4-5]概述如下。
在合成数据集上验证算法有效性,采用美国地质调查局(United States Geological Survey, USGS)光谱库中的矿物光谱作为合成图像的端元,光谱范围为0.38～2.5 μm,选择波段个数为224。实验中所选取的5种矿物光谱的名称分别为Alunite GDS84 Na03、Buddingtonite NHB2301、Calcite WS272、Kaolinite CM9、Muscovite GDS108,分别简记为A、B、C、K、M。图3所示为实验中所选5种矿物端元的光谱曲线。参考文献[16]中的方式,利用上述5种矿物光谱合成一幅空间大小为75×75的高光谱图像,端元分布如图4所示。整幅图像平均分割为5行5列,共25个15×15的图像块,以A、B、C、K、M的光谱曲线均值作为背景光谱填充整幅高光谱图像。从上至下5行分别是A、B、C、K、M区域,从左至右5列面板分别是5×5纯像元、3×3纯像元、3×3当前行像元与其他4种像元50%混合、1×1当前行像元与背景的各50%混合、1×1当前行像元25%与背景75%的混合。
【参考文献】：
期刊论文
[1]纯净像元指数改进的N-FINDR高光谱端元提取算法[J]. 杨鹏飞,廖秀英,徐启恒,程辉. 测绘通报. 2018(02)
[2]基于环境一号HSI高光谱数据提取叶绿素a浓度的混合光谱分解模型研究[J]. 潘梅娥,杨昆. 科学技术与工程. 2017(06)
[3]用于光谱解混的正交向量投影算法[J]. 宋梅萍,徐行伟,Chein-I Chang,安居白,Yao Li. 光谱学与光谱分析. 2015(12)
[4]一种基于最大距离的纯像元指数端元提取算法[J]. 徐君,徐富红,蔡体健,王彩玲,黄德昌,李伟平. 地球信息科学学报. 2015(01)
[5]高光谱图像纯像元指数计算的FPGA实现[J]. 郭杰,李云松,弋方,吴宪云. 华南理工大学学报(自然科学版). 2014(01)
博士论文
[1]高光谱遥感影像光谱解混算法研究[D]. 杨华东.大连海事大学 2015
本文编号：3360127
【文章来源】：科学技术与工程. 2020,20(23)北大核心
【文章页数】：6 页
【部分图文】：
PPI算法投影示意图
文献[15]指出,若像元x落在由端元构成的单体内部,则其无约束解混丰度满足非负性。反之,则不满足非负性约束。借鉴该思想,从丰度非负性的几何意义出发,提出一种基于单体分析的高光谱数据约减方法。首先利用ATGP算法从图像中提取p个目标像元构成候选单体,然后利用这p个目标像元进行无约束最小二乘光谱解混,依据解混丰度值寻找位于单体内部的像元并将其剔除,即将满足丰度非负性约束的像元剔除,仅保留候选单体外部的像元用于端元提取。以二维空间为例,如图2所示,所有像元光谱在特征空间中呈一个凸面单体的结构,实心圆即为单体的顶点。利用ATGP算法确定一个候选单体,如图2中红色虚线区域所示,利用该候选单体的端元进行无约束丰度解混,落在该单体内的像元其丰度满足非负性约束,不可能成为最终端元,无需参与端元提取,保留红色虚线区域之外的像元用于端元提取。ATGP算法[4-5]概述如下。
在合成数据集上验证算法有效性,采用美国地质调查局(United States Geological Survey, USGS)光谱库中的矿物光谱作为合成图像的端元,光谱范围为0.38～2.5 μm,选择波段个数为224。实验中所选取的5种矿物光谱的名称分别为Alunite GDS84 Na03、Buddingtonite NHB2301、Calcite WS272、Kaolinite CM9、Muscovite GDS108,分别简记为A、B、C、K、M。图3所示为实验中所选5种矿物端元的光谱曲线。参考文献[16]中的方式,利用上述5种矿物光谱合成一幅空间大小为75×75的高光谱图像,端元分布如图4所示。整幅图像平均分割为5行5列,共25个15×15的图像块,以A、B、C、K、M的光谱曲线均值作为背景光谱填充整幅高光谱图像。从上至下5行分别是A、B、C、K、M区域,从左至右5列面板分别是5×5纯像元、3×3纯像元、3×3当前行像元与其他4种像元50%混合、1×1当前行像元与背景的各50%混合、1×1当前行像元25%与背景75%的混合。
【参考文献】：
期刊论文
[1]纯净像元指数改进的N-FINDR高光谱端元提取算法[J]. 杨鹏飞,廖秀英,徐启恒,程辉. 测绘通报. 2018(02)
[2]基于环境一号HSI高光谱数据提取叶绿素a浓度的混合光谱分解模型研究[J]. 潘梅娥,杨昆. 科学技术与工程. 2017(06)
[3]用于光谱解混的正交向量投影算法[J]. 宋梅萍,徐行伟,Chein-I Chang,安居白,Yao Li. 光谱学与光谱分析. 2015(12)
[4]一种基于最大距离的纯像元指数端元提取算法[J]. 徐君,徐富红,蔡体健,王彩玲,黄德昌,李伟平. 地球信息科学学报. 2015(01)
[5]高光谱图像纯像元指数计算的FPGA实现[J]. 郭杰,李云松,弋方,吴宪云. 华南理工大学学报(自然科学版). 2014(01)
博士论文
[1]高光谱遥感影像光谱解混算法研究[D]. 杨华东.大连海事大学 2015
本文编号：3360127
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3360127.html
