高光谱遥感影像混合像元分解算法研究

高光谱遥感影像混合像元分解算法研究

高光谱遥感影像相比多光谱遥感在波段数量和波段范围上提供了更多的信息,利用这些丰富的光谱信息可以更好对地物进行检测和识别。然而,混合像元的存在严重影响了高光谱数据的使用价值。

混合像元分解方法是解决混合像元问题最有效的手段。本文是在NLSMA （Non-Local Spectral Mixture Analysis）方法的基础上进行研究。

针对文中使用Kd-tree方法寻找非局部相似块占用内存过大,运算时间长的缺点,提出了基于低秩分解的联合稀疏解混方法。低秩分解模型将矩阵分解为低秩矩阵,稀疏矩阵和误差矩阵,其约束是稀疏矩阵和误差矩阵的?_?-范数小于阈值,该模型的优化算法较少且耗时过长,适当放松约束条件,

以?₂-范数来替代约束项中的?_?-范数,实验表明该方法可以取得同样的效果,并且极大地提高了运算效率。

对图像进行低秩分解后得到许多由许多相似像素构成的相似块,假定相似块中的像素点含有相同种类地物,但是对应的比例不同。NLSMA方法通过使用联合稀疏方法对每一个相似块进行全限制非负和一求解,即先通过T-MSBL （Transform-Multiple Sparse Bayesian Learning）方法来对多观测向量问题MMV（Multiple Measurement Vectors）进行求解,得到相似块中可能包含的地物种类,再根据FCLS（Fully Constrained Least Squares）方法求得相似块中每一个像素对应的丰度向量。

观察该方法得到的水体丰度图,可以看到有许多非水体的地方丰度系数并不为零。因此,考虑通过NDWI指标来先把水体提出来,这为以后可以单独提取某种特定地物提供一个框架。

T-MSBL方法相比较其他的MMV算法考虑了观测向量之间的时间相关性。但是该方法耗时长,因此采用不考虑时间相关性的MSBL（Multiple Sparse Bayesian Learning）方法近似求解,实验表明该方法运算速度快,精度基本与T-MSBL方法相近。

利用改进后的方法在公开的高光谱遥感数据集上进行实验,实验结果表明该方法9类分类平均精度达到93.35%,依据V-I-S模型将9类地物合并为5类,其总体分类精度达到96.88%,与NLSMA方法相比,所提方法在能够取得相似结果精度的情况下,运算速度得到了较大的提高。