学术交流 空谱协同多标准极点成分剖析的高光谱印象端元提取

发布时间:2022-06-15 20:24:24 来源:亚博bet

  针对极点成分剖析办法无法完成杂乱地表环境下的高光谱印象端元精确提取问题, 提出了一种依据空谱协同多标准极点成分剖析的端元提取办法, 经过印象空谱特征交融和聚类切割, 对不同分辨率空间标准下的切割印象进行端元协同提取, 并考虑噪声对印象端元提取精度的影响, 提高端元提取的精度。首要, 对印象进行预处理, 选用低秩矩阵分化去除噪声。其次, 对高光谱印象进行空谱多特征提取, 运用多特征交融和K-means算法进行聚类切割, 获取地物散布的空间异质性信息, 提高后续端元提取的精度。然后, 对高分辨率印象空间降采样, 运用极点成分剖析办法对降采样后的低分辨率切割图画进行端元提取, 并运用坐标映射寻觅高分辨率印象中的相应端元, 运用光谱角来断定是否为纯端元。终究, 遍历上述办法至一切切割印象以获取终究的端元调集。运用模仿数据和实在的高分五号高光谱数据对提出的办法进行实验验证。实验成果标明, 空谱协同多标准极点成分剖析办法可提取高精度的纯洁端元, 且核算功率较高。

  高光谱印象具有较高的光谱分辨率,在地物精密辨认中具有巨大的运用潜力[1]。可是,因为传感器规划无法一起统筹高空间分辨率、高光谱分辨率和高信噪比方针,高光谱印象一般具有较低空间分辨率[2]。这导致了印象单个像元中存在两种及以上地物即混合像元[3],从而严峻影响了高光谱遥感技能的运用作用。光谱解混算法将混合像元分化为端元光谱和相应的丰度份额,从而为处理这一问题供给了重要的技能支撑。其间端元提取在整个解混进程中占有重要方位,关于保证解混成果的精确性具有重要的含义[4]。

  端元提取是从高光谱印象中提取纯洁的地物光谱曲线。现在高光谱端元提取算法首要分为以下5大类[5]:几许单形体体积法、核算差错法、空间投影法、交融空间信息的端元提取算法、稀少回归算法。

  几许单形体体积法依据图面几许体理论,运用高光谱点云数据在特征空间中呈现的凸面单形体结构,寻觅极点作为高光谱印象中的端元,典型办法包含内部最大体积剖析(N-FINDR)[6]、迭代差错法(iterative error analysis, IEA)[7]、极点成分剖析(vertex component analysis, VCA)[8]等。核算差错法经过引进几许束缚,运用核算剖析的最小差错来提取端元,典型办法包含非负矩阵分化(non-negative matrix factorization, NMF)[9]、稳健性协同非负矩阵分化(robust collaborative non-negative matrix factorization, RC-NMF)等。空间投影法依据单形体向量投影进行端元提取,典型办法包含纯洁像元指数(pixel purity index, PPI)[10]、子空间投影(orthogonal subspace projection, OSP)[11]、支撑向量机(support vector machine,SVM)[12]等。交融空间信息法将高光谱印象中的空间信息束缚引进求解进程方针函数中完成端元提取,典型办法包含主动形态学端元提取(automated morphological endmember extraction,AMEE)[13]、空间预处理算法(spatial preprocessing, SPP)[14]等。稀少回归算法假定印象中的光谱信息由几种纯洁像元的光谱曲线组合而成,从光谱库中寻觅与印象中每一个混合像元的光谱最挨近的光谱子集,可一起得到端元矩阵和丰度矩阵,代表性办法包含L1/2稀少束缚非负矩阵分化算法(L1/2-NMF)等。当时办法取得了较好的作用,可是并未考虑端元光谱的空间变异和地物散布的杂乱特性,较难完成杂乱空间格式下地物的纯洁端元提取。

  VCA算法具有较高的核算功率,关于相对简略的地物可进行精确的端元提取,是当时端元提取算法中较优的一种。可是,当高光谱印象噪声较大,地物散布较杂乱时,VCA会呈现严峻的端元估量差错。为此,本文提出一种空谱协同的多标准VCA(collaborative vertex component analysis, CVCA)端元提取办法。首要,对高光谱印象进行预处理;其次,对印象进行多特征提取,运用多特征对印象进行聚类切割,经过对切割图进行降采样,运用VCA对低分辨率切割图进行端元提取;然后,将该端元的坐标信息映射到高分辨率印象,核算两个端元间的光谱角,确认该端元是否为纯洁端元;终究,选用上述进程对一切切割图进行操作以得到终究的端元调集。该办法充分运用地物散布的空间异质性信息,并考虑噪声对端元提取的影响,从而提高端元提取的精度。

  本文的立异之处在于充分运用原始高光谱印象与降质印象的切割图块中提取VCA端元的共同联络来优化选取纯洁端元,能够推行运用到其他办法。

  VCA算法的根底为线]。依据凸面几许学对高光谱印象进行单形剖析,该算法以为单形体的极点与端元相共同,在无先验条件的状况下提取端元。因而,运用线性混合模型对像元矢量进行如下描绘

  式中,p为B×1维的像元矢量,B为高光谱印象的波段数;Ε =[e1, e2,…, em]代表B×m的端元矩阵,m为端元数量;α是数学形态学份额因子;z =[z1, z2, …, zm]T代表m×1维的系数向量,该向量标明各个端元在任一像素中所占的成分份额;n为高斯白噪声。

  凸锥Dp投影到超平面p Tv=1构成单形体Vm={γ∈ RB: γ= p/(pTv), p∈Dp}。当Vm确认后,VCA算法将数据重复正交投影到已知端元构成的子空间上,其间最大投影向量为端元。VCA将数据首要投影于第一个方向f1得到第一个端元,之后将数据投影于与第一个端元正交的方向f2得到下一个端元,重复以上进程,直到满意所需端元数。

  现在,大大都算法仅运用光谱信息来进行端元提取,疏忽了地物光谱的空间联络,导致端元提取不精确,对后续的丰度估量影响较大。例如,受周围地舆环境如湿度、光照和地物散布等归纳要素的影响,同一地物或许表现出不同的光谱呼应特性,从而对惯例的VCA办法提取端元造成了较大的困难。因而,本文依据传统的VCA办法,提出了一种空谱协同的多标准极点成分剖析办法(CVCA),拓宽VCA办法的运用规模,完成杂乱地表高光谱印象的端元提取(图 1),详细如下。图1 CVCA用于端元提取的技能流程

  进程1:预处理。首要包含正射校对、辐射定标、大气校对及坏波段除掉,此外,依据低秩分化去噪办法对高光谱印象进行噪声去除,消除噪声对端元提取的影响。

  进程2:印象聚类切割。提取印象的光谱特征(PCA)、纹路特征(LBP)、形状特征(Canny算子), 并经过K-means办法对印象多特征进行聚类切割。

  进程3:端元提取和优化。首要,选用高斯滤波器对原始高分辨率切割印象HSi进行空间降采样,得到对应的低分辨率切割印象HSLi。其次,选用VCA对得到的HSLi进行端元提取可得到ELi=[eL1, eL2, …, eLij],其间ELi标明HSLi的端元调集,eLij为端元,j为端元数量。终究,经过坐标映射可获取HSi中相应方位的端元Ei=[e1, e2, …, eij],核算ELi与Ei之间端元的光谱角(SAM)进行端元优化挑选,确认终究的端元调集EF。

  首要对高光谱印象进行空间预处理,首要包含正射校对、辐射校对、大气校对、去除坏波段。此外,考虑噪声对端元提取的影响,运用低秩矩阵分化[15]对高光谱印象进行去噪,消除噪声对后续端元提取的影响。

  式中,Y为高光谱图画;X为低秩的明晰图画;S为噪声,具有稀少性。低秩矩阵分化标明为

  实际地舆空间包含杂乱的地物类型,经过印象切割可将空间异构区域进行区别,提高端元提取的精度。一起,为了取得更好的聚类成果并提高核算功率,提取印象的光谱、形状和纹路特征,并选用多特征交融进行聚类切割。

  经过对印象进行主成分改换,提取改换后包含99.5%光谱信息的前5个主成分重量作为光谱特征[16];运用Canny算子提取印象的形状特征[17];选用功能较好的部分二值形式(local binary pattern, LBP)算法对印象的纹路特征进行提取[18]。将提取得到的光谱、形状、纹路特征进行叠加,能够较好地提高地物聚类切割的精度,然后选用K-means算法对印象进行聚类切割。经过对切割图画进行端元提取,一方面在同质区域进行端元提取,较大程度上提高了端元提取的精度,另一方面能够较好地防止场景中呈现的“同物异谱”和“异物同谱”的问题。

  不同空间分辨率下的遥感印象存在不同程度的光谱混合现象,本文以为经过原始高光谱印象空间降采样,如在降采样后的印象上选取到的端元与原始印象的端元共同,则阐明选取的端元满意纯洁以至于在更低分辨率下仍旧能够被提取。

  首要,选用3×3窗口的高斯滤波器对切割后印象HSi进行空间滑润,并对印象进行降采样(降采样系数为r),得到低空间分辨率的切割印象HSLi。

  其次,选用VCA对HSLi进行端元提取可得到ELi=[eL1, eL2, …, eLij],其间ELi标明降采样后第i个切割图HSLi的端元调集,eLij标明为对应的端元,j为端元数量。经过坐标映射获取HSi中相应方位的端元Ei=[e1, e2, …, eij],其间第j个端元对应的方位为

  式中,(x′, y′)为高分辨率印象端元的空间坐标。(x, y)为端元对应的降采样后低分辨率标准印象的空间坐标。

  然后,选用SAM核算降分辨率印象提取端元与原始印象提取端元间的差错,经过对降采样后提取的端元与原始地物光谱迭代核算光谱角,将提取到的每一类端元中最挨近实在地物的SAM取平均值作为端元提取的阈值来优化选取端元

  实验运用两个模仿数据集(图 2)和一个线。模仿高光谱数据运用分形生成来模仿自然界中的实在地物散布状况。从USGS光谱库中随机选取8种地物端元,包含绿泥石、斜绿石、白云石、阳起石、鼠尾草、白杨、松树和冷杉,然后结构不同端元的线性混合以构成组成图画。运用K-means办法将初始分形图画划分为多个簇分区,其间聚类数大于图画的端元数量。然后,运用高斯滤波器生成每个簇分区中像素的丰度份额,保证挨近分区鸿沟的像素高度混合。每个像素的丰度满意非负和为1束缚,保证一切像素满意彻底约束线性混合模型。终究,将零均值高斯噪声以30∶1至90∶1的不同信噪比(SNR)添加到组成图画中。图 2 模仿数据图 3 线 实验数据集的参数一览表

  实在数据为高分五号卫星高光谱传感器于2019年11月14日获取的黄河口区域印象,空间分辨率为30 m,波长规模为400~2500 nm,经过除掉水汽吸收严峻的22个波段,共308波段用于实验。黄河口区域12种地物端元:海洋、河流、养殖池、坑塘、芦苇、互花米草、柽柳、旱地、水田、滩涂、盐沼、修建,参阅端元光谱曲线来源于实地采样,获取每类地物的10个样本的均值作为线

  图 4、图 5展现了模仿数据集1的端元点评成果。一切办法在绿泥石、白云石、鼠尾草和冷杉的端元提取中取得了较好的成果,但关于斜绿石、阳起石、白杨和松树的端元辨认存在显着差异。AMEE、EEBQ、N-FINDR和VCA成果较好,IEA、SPP和ECSO的端元辨认成果较差。CVCA在一切地物都与参阅端元光谱曲线最挨近,作用最优。图 4 模仿数据集1端元比照成果图5 模仿数据集1端元精度定量点评成果

  图 6、图 7展现了模仿数据集2的端元比照成果。提取的8种地物端元为方解石、石灰石、融雪、冰水、尼龙纤维、玻璃纤维、橡树、苔藓。一切办法在方解石、融雪、尼龙纤维、玻璃纤维的端元提取中取得了很好的成果,可是石灰石、冰水、橡树、苔藓的端元辨认成果存在较大差异,大都办法都取得了较差的成果,尤其是N-FINDR和ECSO。比较而言,CVCA仍然在一切地物的端元提取中取得了最好的成果。图6 模仿数据集2端元成果图7 模仿数据集2端元精度定量点评成果

  为了探求不同标准降采样对端元提取的影响,在实在数据会集将降采样系数别离设置为:3、5、7、9,对不同系数下CVCA提取的12类端元的SAM、SID、CC及核算时刻核算平均值,成果见表 2,降采样系数为3的状况下,端元提取的各项点评方针成果最优。

  为了验证CVCA在实在数据会集的运用功能,选用高分五号黄河口高光谱数据进行验证。以黄河口实在采样数据与实测的地物光谱信息作为先验常识,对黄河口进行聚类,为了探求最适合的聚类类别,对实在数据会集聚类别离设置为:1、2(水体、其他地物)、3(水体、植被、其他地物)、4(水体、植被、土地、修建4类)、5(水体、植被、犁地、修建、未运用地)、6(天然水体、人工水体、植被、犁地、修建、未运用地),核算对应聚类状况下提取得到的12类端元的SAM、CC与SID核算平均值,定量成果见表 3,聚类类别设置为4的状况下稳健性最好。

  实验中,CVCA办法将实在数据聚类为水体、植被、土地、修建4类。结合先验常识,对各切割图进行端元提取,在切割图中共提取得到12类端元,别离为:海洋、河流、养殖池、坑塘(水体切割图);芦苇、互花米草、柽柳(植被切割图);水田、旱地、滩涂和盐沼(土地切割图);修建(修建切割图)。

  图 8和表 4展现出了8种办法的端元提取成果。能够看出,因为实在地物的杂乱性,一切办法所提取的端元与实在端元存在必定差异。N-FINDR、IEA和ECSO取得了较差的成果,AMEE、SPP、EEBQ和VCA次之,CVCA办法在提取的一切地物的端元中取得了最好成果。综上所述,CVCA办法端元提取精度整体优于其他办法,而且能较好地用于杂乱场景中。图8 不同办法与实在数据集的端元比照成果

  在解混的进程中,端元提取发生的差错会传递到丰度反演中。因而,本文经过丰度估量办法SUNSAL(sparse unmixing by variable splitting and augmented Lagrangian)[21]对各种办法的端元完成印象重构以验证端元。图 9展现了重组成果与原始印象的SAM图。AMEE和IEA、ECSO在与不同的丰度估量办法组合时得到了最差的重构成果,SPP、N-FINDR、EEBQ和VCA次之,CVCA办法的重构差错最小,相同证明了本办法的有效性。图9 SUNSAL重组印象光谱角点评成果

  为了进一步探求噪声对端元提取的影响,本文进行了去噪前后端元提取的比照实验,如图 10所示,经过CVCA办法对线个端元。一起在未经去噪处理的CVCA办法上进行端元提取,经过表 5中的SAM、SID、CC方针对去噪前后提取的端元精度进行点评。能够看到,噪声存在的状况下相同的办法提取的端元有较大差异,因而,噪声在端元提取进程中的影响不应该被忽视。图10 去噪前后的端元比照成果

  本文针对当时VCA端元提取办法较难对杂乱地物环境的端元进行精确提取的问题,提出了一种依据空-谱协同的多标准CVCA端元提取办法。该办法充分运用地物散布的空间异质性信息,并考虑噪声对端元提取的影响,提高端元提取的精度。经过模仿数据和实在数据,运用定量剖析和重构剖析的实验标明,该办法比其他7种干流办法的提取成果愈加精确,而且端元光谱更挨近实在地物光谱。在后续的研讨中,笔者将用星空一体的实在高光谱印象数据来进行正向有监督验证,一起将运用后续发射的国产高光谱卫星,选用更多研讨实验区来归纳验证本文办法。

咨询热线:400-029-2366
公司地址:陕西省西安市高新区科技路都荟国际A座1302室
拓展基地:西安市秦岭祥峪森林公园卓远拓展训练基地

在线咨询
全国咨询热线

400-029-2366