非監(jiān)督的高光譜圖像解混技術(shù)研究.pdf

1、高光譜圖像是利用成像光譜儀對(duì)同一地表區(qū)域的幾十乃至幾百個(gè)波段同時(shí)成像而獲得的三維圖像。利用這些豐富的光譜信息對(duì)地物進(jìn)行檢測(cè)和識(shí)別是高光譜圖像的主要應(yīng)用之一，同對(duì)，這也是商光譜圖像能夠廣泛應(yīng)用于軍事和民用領(lǐng)域的重要原因。然而，由于高光譜圖像的空間分辨率一般較低，導(dǎo)致混合像元普遍存在于遙感圖像中；混合像元問題不僅影響地物的識(shí)別和分類精度，而且是遙感技術(shù)向定量化發(fā)展的重要障礙。因此，如何有效地解譯混合像元是高光譜遙感應(yīng)用的關(guān)鍵問題之一。

2、 將混合像元的測(cè)量光譜分解為不同的“基本組分”，或稱“端元”，并求得這些組分在像元中所占的比例，或稱“豐度”，這就是所謂的“光譜解混”過程。傳統(tǒng)的光譜解混一般包含端元選擇和混合像元分解兩個(gè)步驟，不過，地物光譜數(shù)據(jù)庫的非完備性以及每種地物類別對(duì)于純像元的存在性假設(shè)導(dǎo)致該方法的解混效果并不理想。相反地，非監(jiān)督的高光譜圖像解混技術(shù)則是在端元信息完全未知的情況下，直接從遙感圖像本身入手，根據(jù)混合像元的光譜模型以及約束條件等信息，利用非監(jiān)督的信

3、號(hào)處理方法得到端元光譜及其組分信息。非監(jiān)督的光譜解混技術(shù)克服了傳統(tǒng)方法的限制條件，為高光譜圖像中混合像元問題的解決提供了一條新的思路，成為近年來的一個(gè)研究熱點(diǎn)。本文以非監(jiān)督的高光譜圖像解混技術(shù)為主要研究內(nèi)容，根據(jù)高光譜圖像中端元光譜及其空間分布的非負(fù)性和連續(xù)性約束，以及端元分布的稀疏性約束，運(yùn)用盲信號(hào)分離(blind source separtion，BSS)和非負(fù)矩陣分解(nonnegative matrix factorizatio

4、n，NMF)技術(shù)來獲得關(guān)于混合像元的光譜合成信息及其空間分布。主要豹研究工作始下： 1)利用Markov隨機(jī)場(Markov random field，MRF)模型將空間信息引入到獨(dú)立分量分析(independent component analysis，ICA)算法中，提出了MRF-ICA混合模型。由于地物在圖像空間分布上的連續(xù)性，使得某一地物的周圍同樣為此種地物的可能性很大，表現(xiàn)出像元在空間上的相關(guān)性；而MRF模型是根據(jù)像素

5、的局部空間相關(guān)性建立其聯(lián)合概率分布的一種強(qiáng)有力的工具。實(shí)驗(yàn)結(jié)果表明MRF-ICA混合模型能夠得到比快速：ICA(FastICA)算法更好的解混結(jié)果。 2)針對(duì)ICA算法處理光譜解混問題的缺陷 (其前提條件—獨(dú)立性和穩(wěn)定的數(shù)據(jù)統(tǒng)計(jì)規(guī)律一在高光譜圖像中都是不滿足的)，引入了一種基于復(fù)雜度的盲信號(hào)分離技術(shù)來進(jìn)行光譜解混，該方法利用復(fù)雜度的度量來代替獨(dú)立性。首先，我們把處理一維混合信號(hào)分離的復(fù)雜度映射算法擴(kuò)展到二維空間來描述端元豐度的空

6、間自相關(guān)性，稱為空間復(fù)雜度的盲信號(hào)分離算法。然后，將描述光譜平滑性特征的光譜復(fù)雜度引入到該算法中，稱為光譜和空間復(fù)雜度的盲信號(hào)分離算法?；趶?fù)雜度的盲信號(hào)分離算法主要有以下三方面的優(yōu)點(diǎn)： ●基于復(fù)雜度的盲信號(hào)分離算法基于一個(gè)更合理的假設(shè)：由于高光譜數(shù)據(jù)的光譜分辨率較高而圖的空間分辨率較低，使得相應(yīng)的端元光譜及其分布的統(tǒng)計(jì)特性具有平滑變化的特點(diǎn)。 ●在高光譜數(shù)據(jù)中，譜段的個(gè)數(shù)(L）一般都遠(yuǎn)大于端元的個(gè)數(shù)(P)。對(duì)于這種情況

7、，ICA通常使用主分量分析法(principal component analysis，PCA)通過保留大特征值對(duì)應(yīng)的分量來達(dá)到降維的目的。然而，一些重要的特征可能存在于被PCA丟棄的子空間中。而對(duì)于基于復(fù)雜度的盲信號(hào)分離方法來說，我們發(fā)現(xiàn)了一個(gè)重要的性質(zhì)，鄹譜段的個(gè)數(shù)越多，獲得的原始信號(hào)精度越高，這表明L》P不僅不是一個(gè)限制條件，反而體現(xiàn)了算法的優(yōu)勢(shì)所在。 ●高光譜圖像巨大的數(shù)據(jù)量使得數(shù)據(jù)處理的時(shí)間復(fù)雜度是衡量算法有效性的一個(gè)

8、重要指標(biāo)。由于信號(hào)(光譜或空間)預(yù)測(cè)度的度量方式很容易被實(shí)現(xiàn)，因此基于復(fù)雜度的盲信號(hào)分離算法具有一個(gè)可行的計(jì)算代價(jià)。實(shí)驗(yàn)結(jié)果表明，基于復(fù)雜度的盲信號(hào)分離算法為非監(jiān)督的高光譜圖像解混提供了一種有前景的方法。 3)進(jìn)一步，通過引入光譜數(shù)據(jù)的非負(fù)性和端元分布的稀疏性約束來對(duì)基于復(fù)雜度的盲信號(hào)分離算法進(jìn)行擴(kuò)展。其中,稀疏性的度量是通過非平滑的NMF算法和稀疏約束的NMF算法來實(shí)現(xiàn)的；而且借助于輔助函數(shù)證明了算法的單調(diào)收斂性。合成數(shù)據(jù)的實(shí)