基于豐度劃分的高光譜遙感圖像解混

余淞淞

（同濟大學電子信息與工程學院，上海　201804）

基于豐度劃分的高光譜遙感圖像解混

余淞淞

（同濟大學電子信息與工程學院，上海201804）

0　引言

隨著世界科技發展，遙感技術日益成熟，已經成為對地觀測的重要手段之一。與傳統多光譜遙感器相比，高光譜遙感器光譜分辨率高，成像波段更多更窄，在可見光至近紅外區域光譜分辨率達到納米級，這大大加強了對觀測目標的信息采集能力，因此有著廣闊的應用前景。

然而受到高光譜成像光譜儀空間分辨率不足，以及自然界地物分布復雜等因素影響，高光譜遙感圖像中存在這種像元，它的光譜數據未表現單一地物特性，而是由幾種不同地物光譜混合組成，這樣的像元被稱為混合像元［1］。這是傳統像元級圖像分類和地物面積量測精度難以達到應用要求的主要原因。為了提高遙感應用的精度，必須解決混合像元的分解問題。

光譜解混就是求解混合像元內純地物（端元）光譜及每種地物面積占比（豐度）［2］。然后從地物光子響應到圖像采集過程之間的光學原理和作用過程非常復雜，同時受到時間、空間、環境等不確定性因素影響。同一類地物在不同的場景下，其端元光譜表現通常會有一定差異。如果端元不具有足夠代表性，會解混精度嚴重影響解混精度。這種端元光譜可變性，對解混過程中的端元選擇方法提出了更高的要求。為了解釋光譜可變性，Robets等人提出了多端元光譜混合分析（MESMA），該方法為每個端元選取一組純像元光譜，在對像元解混時，會從各端元的光譜組中，分別選取最合適的光譜，以降低均方根誤差［3］。Bateson提出端元束（endmember bundles）概念，并用模擬退火算法生成端元束，來替代單一端元進行解混［4］。目前基于多端元的解混算法得到了廣泛研究，但是對端元組數據的統計特性未進行深入挖掘。本文提出了一種豐度劃分的遙感圖像解混算法，利用支持向量機對多端元解混模型里豐富的端元信息進行充分挖掘。對真實遙感圖像的解混實驗，驗證了算法的良好性能。

1　基于豐度劃分的解混方法研究

支持向量機是統計學習理論的一種算法實現［5］。它在統計學理論中歷史較短，但是由于其良好的學習效果，在各研究領域得到廣泛應用。利用支持向量機進行遙感圖像光譜解混的核心思想是：將端元豐度從0%～100%進行等間隔劃分成若干豐度類，通過合成分屬于不同豐度類的像元集對支持向量機進行訓練，將豐度估計問題轉化為豐度分類問題。該算法首先使用端元光譜集通過指定策略合成已知豐度的像元，并標記豐度標簽。然后利用這組像元集對多類支持向量機模型進行訓練，以這種方式對端元集數據的統計特性進行挖掘。而后使用SVM對目標遙感圖像進行分類，獲取豐度類圖。根據加一性原理，對豐度類圖進行歸一化處理，得到最終解混結果。

圖1　算法流程圖

算法主要包括以下幾個步驟：

①合成訓練集。對于每類端元，算法需要合成指定豐度的虛擬混合像元作為該端元訓練集，并使用豐度作為標簽。其中豐度標簽根據預先設定的豐度分辨率在0%～100%之間進行等間隔劃分，0%表示此像元為純像元，100%表示此像元不包含當前端元。

②SVM訓練。對于每類端元，使用上一步合成的訓練集對一個多類SVM進行訓練。

③對高光譜圖像進行豐度分類。對于每類端元，使用上一步訓練得SVM對目標高光譜圖像進行分類。分類結果中，每個像元根據分類標簽得到該類端元的豐度。

④豐度歸一化。在對所有端元都得到豐度圖后，由于像元中所有端元的組分比之和一定是100%，因此對所有端元的豐度圖進行歸一化操作，得到目標高光譜圖像的最終解混結果。

以下是算法偽代碼，如表1。

2　實驗分析

實驗對象為意大利Pavia大學圖像數據。ROSIS-03遙感器采集的尺寸為610×340的遙感圖像，遙感器采集原始波段數為115個，覆蓋光譜波長區域為0.43～0.96um，空間分辨率1.3m/pixel。在排除了一些受水汽吸收影響，和低信噪比的波段后，兩幅圖像分別保留了102,103個波段作為正式實驗數據。

表1　本文算法偽代碼

該數據集中包含九類地物。以此為原遙感數據集進行標記。然后對該數據集去除最后一行最后一列后，使用3×3均值濾波器處理，生成了一幅203×113的已知豐度的遙感數據集。

采用經典的全限制最小二乘法（FCLS）作為對照組進行實驗。此外，構建SVM的核函數采用泛化性能良好的高斯徑向基核函數。解混效果的評價標準為豐度估計數據復原遙感圖與原始遙感圖像間的均方根誤差（RMSE）。表2給出了兩種算法實驗的RMSE結果。在單類RMSE上，該算法在多數情況下都小于FCLS的RMSE。而總體RMSE，該算法也好于FCLS算法。

3　結語

本文給出了一種基于豐度劃分的高光譜圖像像元解混算法。傳統的豐度估計算法在利用端元集時策略相對簡單。為了進一步挖掘端元集的統計特性，通過建立豐度劃分類，將SVM算法引入到高光譜遙感圖像像元解混問題中。通過設計一種基于豐度等間隔劃分的的豐度類訓練集，將豐度估計問題轉化為分類問題。通過對真實遙感數據集進行解混實驗，驗證了該算法的有效性。相比傳統的FCLS解混算法，本文算法在解混精度上有較大的優勢。

表2　實驗結果

［1］Tong Q X,Zhang B,Zheng L F.Hyperspectral Remote Sesing［M］.Beijing:Higher Education Press,2006

［2］Keshava N,Mustard J.Spectral Unmixing［J］.IEEE Signal Processing Mag,2002,19（1）：44～57

［3］D.A.Roberts,M.Gardner,R.Church,S.Ustin,G.Scheer,R.O.Green.Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixing Models.［J］.Remote Sensing of Environment,1998,65:267～269

［4］C.A.Bateson,G.P.Asner,C.A.Wessman.Endmember Bundles:A New Approach to Incorporating Endmember Variability into Spectral Mixture Analysis［J］.IEEE Transactions on Geoscience and Remote Sensing,Mar，2000,38（2）:1083～1094

［5］A.Mathur and G.M.Foody,Crop Classification by a SVM with Intelligently Selected Training Data for an Operational Application［J］. Int.J.Remote Sensing,vol.29,no.8,pp.2227～2240,Apr.2008

Hyperspectral；Mixed Pixel；Spectral Unmixing；Abundance Division

A Hyperspectral Imagery Unmixing Method Based on Abundance Division

YU Song-song
（Department of Electronics and Information Engineering Tongji University，Shanghai 201804）

1007-1423（2015）08-0074-04

10.3969/j.issn.1007-1423.2015.08.018

余淞淞（1990-），男，江西南昌人，在讀碩士研究生，研究方向為遙感圖像處理

2015-03-01

2015-03-10

高光譜遙感成像技術能夠獲取目標區域豐富的光譜信息和空間信息。混合像元現象在遙感圖像中普遍存在，處理遙感圖像解混問題是提高地物識別精度的前提。由于端元光譜可變性的存在，傳統的基于單一單元光譜的線性解混方法解混精度難以達到應用要求。對多端元光譜策略進行分析，并給出一種基于豐度劃分的高光譜解混算法，對實際光譜數據進行試驗并取得較好效果。

高光譜；混合像元；光譜解混；豐度劃分

Hyperspectral remote sensing imagery provides rich spectral information and space information about the place of interest.Mixed pixels happen in spectral images frequently,which reduce the classification accuracy of ground truth.Due to spectral variability,early spectral unmixing methods using one pixel as endmember ectral unmixing can't provide enough performance for applications.Pays more attention to the multiple endmember spectral analysis,and proposes an unmixing method based on abundance division.Experiments on real hyperspectal images show high performance.