结合空间信息选取最优端元组合的混合像元分解
发布时间：2021-06-14 13:45
传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分,但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响,采用全部端元对混合像元进行分解,会使得混合像元中实际并不存在的端元的丰度估计值不为零,分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处,基于此,本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素,从混合像元的附近邻域开始搜索,将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比,并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况,逐步扩大结构元素的大小,不断调整搜索范围,直至得到最优端元组合。模拟数据和真实数据的试验结果表明,该方法相比传统的全端元光谱分解方法,在总体上获得了更好的分解效果。
【文章来源】：测绘通报. 2019,(07)北大核心CSCD
【文章页数】：6 页
【部分图文】：
线性光谱混合模型
槡j(4)式中，εj为余差向量中的元素。获得的ＲMSE值越小说明算法的混合像元分解精度越高，算法越有效。2光谱分解误差随端元子集变化情况现有的研究表明，利用图像中的所有端元对混合像元进行分解，得到各端元的丰度值，然后从丰度最大的端元开始，按照丰度从大到小的顺序，逐渐添加端元，建立并扩充端元子集，用这些端元子集分别对该混合像元进行二次分解，则混合像元分解的误差总体上趋于减小［9］。如对于整幅图像包含10个端元、实际上由3个端元组成的混合像元，图2给出了ＲMSE随端元子集中端元数目增加的变化趋势。图2光谱分解误差随端元子集扩充的变化趋势在混合像元分解时，如果端元子集中漏选实际存在的端元，那么光谱重构图像与原始图像的ＲMSE会很大;当端元子集中恰好包含实际存在的端元时，ＲMSE最小;而当端元子集中多选了冗余端元进行分解时为无偏估计，ＲMSE变化很小。图2中，按照丰度排序，在利用其中3个丰度最大的端元进行混合像元二次分解后，相比上一步2个端元分解时重构光谱与原始光谱之间的ＲMSE急剧下降，再向端元子集中增加端元数量进行分解，ＲMSE的变化也不大，而是趋于平缓，由此可以判断曲线“拐点”对应的端元集就可以作为组成该混合像元的最优端元子集，该混合像元实际包含的端元数为3。3结合图像空间信息的最优端元子集选择当图像中地物种类较多、存在较多端元的时候，如果通过全局搜索的方式在全部端元中搜索混合像元的最优端元组合效率较低，因自然界地物往往具有一定的空间结构，如农田、森林、草地、建筑物，湖泊等，这些不同种类地物区块之间光谱差异明显。光谱?
光谱与原始光谱的ＲMSE。如果该ＲMSE近似等于全端元a1，a2，…，am分解时与原始光谱之间的ＲMSE，则当前的端元子集即为最优;如果该ＲMSE远大于全端元a1，a2，…，am分解时的ＲMSE，则说明端元子集中缺少实际存在的端元。(5)增大结构元素K(x，y)的尺寸(增大边长k)，扩大搜索范围，返回步骤(1)重复执行，直到ＲMSE减小到近似全端元分解时的ＲMSE为止，最终得到混合像元的最优端元子集，进而得到最优的光谱分解结果。图3扩大结构元素寻找最优端元子集图3为扩大结构元素寻找最优端子集示意图。图3(a)中结构元素K1边长为3，结构元素内只包含两种物质的纯像元，因此只能找出结构元素中心位置处混合像元(x，y)包含的两个端元e1和e2;扩大结构元素，使其边长为5(如图3(b)所示)，结构元素内涵盖3种物质的纯像元，即可找到混合像元(x，y)的全部端元e1、e2和e3。4试验与讨论4．1模拟图像试验在USGS［16］矿物光谱库中选择4种矿物光谱作为端元，其光谱曲线如图4所示。添加SNＲ=30dB的高斯噪声，构建大小为200×200的模拟图像。如图5所示，模拟图像4个角上分布着4个端元的纯像元，阴影部分是由4种端元混合而成的混合像元。图4从USGS光谱库中选择的4个光谱图5模拟图像以4个端元的其中一个进行分析，图6为端元①的实际丰度图及分别采用UCLS、FCLS、迭代光谱混合分析(ISMA)及本文所提出的端元可变混合像元分解方法解混后的丰度图。图中颜色由浅到深?
【参考文献】：
期刊论文
[1]基于线性光谱混合模型的光谱解混改进模型[J]. 王立国,张晶. 光电子.激光. 2010(08)
博士论文
[1]高光谱遥感图像混合像元分解的理论与算法研究[D]. 李二森.解放军信息工程大学 2011
本文编号：3229950
【文章来源】：测绘通报. 2019,(07)北大核心CSCD
【文章页数】：6 页
【部分图文】：
线性光谱混合模型
槡j(4)式中，εj为余差向量中的元素。获得的ＲMSE值越小说明算法的混合像元分解精度越高，算法越有效。2光谱分解误差随端元子集变化情况现有的研究表明，利用图像中的所有端元对混合像元进行分解，得到各端元的丰度值，然后从丰度最大的端元开始，按照丰度从大到小的顺序，逐渐添加端元，建立并扩充端元子集，用这些端元子集分别对该混合像元进行二次分解，则混合像元分解的误差总体上趋于减小［9］。如对于整幅图像包含10个端元、实际上由3个端元组成的混合像元，图2给出了ＲMSE随端元子集中端元数目增加的变化趋势。图2光谱分解误差随端元子集扩充的变化趋势在混合像元分解时，如果端元子集中漏选实际存在的端元，那么光谱重构图像与原始图像的ＲMSE会很大;当端元子集中恰好包含实际存在的端元时，ＲMSE最小;而当端元子集中多选了冗余端元进行分解时为无偏估计，ＲMSE变化很小。图2中，按照丰度排序，在利用其中3个丰度最大的端元进行混合像元二次分解后，相比上一步2个端元分解时重构光谱与原始光谱之间的ＲMSE急剧下降，再向端元子集中增加端元数量进行分解，ＲMSE的变化也不大，而是趋于平缓，由此可以判断曲线“拐点”对应的端元集就可以作为组成该混合像元的最优端元子集，该混合像元实际包含的端元数为3。3结合图像空间信息的最优端元子集选择当图像中地物种类较多、存在较多端元的时候，如果通过全局搜索的方式在全部端元中搜索混合像元的最优端元组合效率较低，因自然界地物往往具有一定的空间结构，如农田、森林、草地、建筑物，湖泊等，这些不同种类地物区块之间光谱差异明显。光谱?
光谱与原始光谱的ＲMSE。如果该ＲMSE近似等于全端元a1，a2，…，am分解时与原始光谱之间的ＲMSE，则当前的端元子集即为最优;如果该ＲMSE远大于全端元a1，a2，…，am分解时的ＲMSE，则说明端元子集中缺少实际存在的端元。(5)增大结构元素K(x，y)的尺寸(增大边长k)，扩大搜索范围，返回步骤(1)重复执行，直到ＲMSE减小到近似全端元分解时的ＲMSE为止，最终得到混合像元的最优端元子集，进而得到最优的光谱分解结果。图3扩大结构元素寻找最优端元子集图3为扩大结构元素寻找最优端子集示意图。图3(a)中结构元素K1边长为3，结构元素内只包含两种物质的纯像元，因此只能找出结构元素中心位置处混合像元(x，y)包含的两个端元e1和e2;扩大结构元素，使其边长为5(如图3(b)所示)，结构元素内涵盖3种物质的纯像元，即可找到混合像元(x，y)的全部端元e1、e2和e3。4试验与讨论4．1模拟图像试验在USGS［16］矿物光谱库中选择4种矿物光谱作为端元，其光谱曲线如图4所示。添加SNＲ=30dB的高斯噪声，构建大小为200×200的模拟图像。如图5所示，模拟图像4个角上分布着4个端元的纯像元，阴影部分是由4种端元混合而成的混合像元。图4从USGS光谱库中选择的4个光谱图5模拟图像以4个端元的其中一个进行分析，图6为端元①的实际丰度图及分别采用UCLS、FCLS、迭代光谱混合分析(ISMA)及本文所提出的端元可变混合像元分解方法解混后的丰度图。图中颜色由浅到深?
【参考文献】：
期刊论文
[1]基于线性光谱混合模型的光谱解混改进模型[J]. 王立国,张晶. 光电子.激光. 2010(08)
博士论文
[1]高光谱遥感图像混合像元分解的理论与算法研究[D]. 李二森.解放军信息工程大学 2011
本文编号：3229950
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3229950.html
