基于改进SAM的高光谱影像混合像元分解算法研究

小波包分解支持下的高光谱混合像元盲分解
李熙;陈学泓;陈晓玲;田礼乔;陈锋锐
【期刊名称】《光子学报》
【年(卷),期】2011(40)6
【摘要】提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度,其准确度明显优于独立成分分析方法.该方法为高光谱遥感影像的盲分解提供了一条新的途径.
【总页数】8页(P835-842)
【关键词】遥感;小波包分解;混合像元;独立成分分析;线性光谱混合模型
【作者】李熙;陈学泓;陈晓玲;田礼乔;陈锋锐
【作者单位】武汉大学测绘遥感信息工程国家重点实验室;名古屋大学环境学研究科;中国科学院遥感应用研究所
【正文语种】中文
【中图分类】P751.1
【相关文献】
1.基于正交非负矩阵分解的高光谱遥感图像混合像元分解 [J], 孙莉;赵庚星
2.结合空间光谱预处理和约束非负矩阵分解的高光谱图像混合像元分解 [J], 彭倩;
张兵;孙旭;高连如;于文博
3.基于独立分量分析的高光谱遥感图像混合像元盲分解 [J], 夏威;王斌;张立明
4.采用目标端元修正的高光谱混合像元盲分解 [J], 卓莉;曹晶晶;王芳;陶海燕;郑璟
5.一种改进的高光谱混合像元非负矩阵盲分解方法 [J], 曹晶晶;卓莉;
因版权原因，仅展示原文概要，查看原文内容请购买。

ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００３－３１０６．２０２３．０４．０１６引用格式：韩红伟，陈聆，苗加庆．一种低秩和图正则化的协同稀疏高光谱解混方法［Ｊ］．无线电工程，２０２３，５３（４）：８６８－８７６．［ＨＡＮＨｏｎｇｗｅｉ，ＣＨＥＮＬｉｎｇ，ＭＩＡＯＪｉａｑｉｎｇ．ＡＬｏｗ ｒａｎｋａｎｄＧｒａｐｈＲｅｇｕｌａｒｉｚａｔｉｏｎＣｏｌｌａｂｏｒａｔｉｖｅＳｐａｒｓｅＨｙｐｅｒｓｐｅｃｔｒａｌＵｎｍｉｘｉｎｇＭｅｔｈｏｄ［Ｊ］．ＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，２０２３，５３（４）：８６８－８７６．］一种低秩和图正则化的协同稀疏高光谱解混方法韩红伟１，陈　聆２，苗加庆３（１．成都理工大学工程技术学院基础教学部，四川乐山６１４０００；２．成都理工大学数学地质四川省重点实验室，四川成都６１００５９；３．西南民族大学数学学院，四川成都６１００４１）摘　要：针对经典协同稀疏解混方法中稀疏性表征不足以及丰度矩阵过平滑等问题，提出一种低秩和图正则化的协同稀疏高光谱解混方法。

引入加权因子，进一步促进丰度矩阵的稀疏性；引入了图正则化项，获取图像的空间信息，以促进图像的平滑性；在模型中增加低秩项，进而挖掘高光谱数据的细节结构，进一步提高解混的精度。

利用２个模拟和１个真实高光谱数据进行实验，结果表明，提出方法的解混精度与经典解混方法相比得到显著提升。

关键词：高光谱图像；稀疏；低秩；光谱解混；图正则化中图分类号：ＴＰ３９１．４１文献标志码：Ａ开放科学（资源服务）标识码（ＯＳＩＤ）：文章编号：１００３－３１０６（２０２３）０４－０８６８－０９ＡＬｏｗ ｒａｎｋａｎｄＧｒａｐｈＲｅｇｕｌａｒｉｚａｔｉｏｎＣｏｌｌａｂｏｒａｔｉｖｅＳｐａｒｓｅＨｙｐｅｒｓｐｅｃｔｒａｌＵｎｍｉｘｉｎｇＭｅｔｈｏｄＨＡＮＨｏｎｇｗｅｉ１，ＣＨＥＮＬｉｎｇ２，ＭＩＡＯＪｉａｑｉｎｇ３（１．ＤｅｐａｒｔｍｅｎｔｏｆＢａｓｉｃＥｄｕｃａｔｉｏｎ，ＴｈｅＥｎｇｉｎｅｅｒｉｎｇ＆ＴｅｃｈｎｉｃａｌＣｏｌｌｅｇｅｏｆＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｌｅｓｈａｎ６１４０００，Ｃｈｉｎａ；２．ＧｅｏｍａｔｈｅｍａｔｉｃｓＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ，ＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｃｈｅｎｇｄｕ６１００５９，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＭａｔｈｅｍａｔｉｃｓ，ＳｏｕｔｈｗｅｓｔＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００４１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｌｏｗ ｒａｎｋａｎｄｇｒａｐｈｒｅｇｕｌａｒｉｚａｔｉｏｎｃｏｌｌａｂｏｒａｔｉｖｅｓｐａｒｓｅｈｙｐｅｒｓｐｅｃｔｒａｌｕｎｍｉｘｉｎｇｍｅｔｈｏｄｉｓｐｒｏｐｏｓｅｄｔｏａｄｄｒｅｓｓｔｈｅｌａｃｋｏｆｔｈｅｓｐａｒｓｉｔｙｏｆａｂｕｎｄａｎｃｅｉｎｃｌａｓｓｉｃａｌｃｏｌｌａｂｏｒａｔｉｖｅｓｐａｒｓｅｕｎｍｉｘｉｎｇｍｅｔｈｏｄｓａｎｄｔｈｅｅｘｃｅｓｓｉｖｅｓｍｏｏｔｈｎｅｓｓｏｆａｂｕｎｄａｎｃｅｍａｔｒｉｘ．Ｆｉｒｓｔｌｙ，ａｗｅｉｇｈｔｅｄｆａｃｔｏｒｉｓｕｔｉｌｉｚｅｄｔｏｆｕｒｔｈｅｒｐｒｏｍｏｔｅｔｈｅｓｐａｒｓｉｔｙｏｆａｂｕｎｄａｎｃｅｍａｔｒｉｘ．Ｓｅｃｏｎｄｌｙ，ａｇｒａｐｈｒｅｇｕｌａｒｉｚａｔｉｏｎｔｅｒｍｉｓｅｍｐｌｏｙｅｄｔｏｃａｐｔｕｒｅｔｈｅｓｐａｔｉａｌｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｉｍａｇｅｔｏｐｒｏｍｏｔｅｔｈｅｓｍｏｏｔｈｎｅｓｓｏｆｔｈｅｉｍａｇｅ．Ｆｉｎａｌｌｙ，ａｌｏｗ ｒａｎｋｔｅｒｍｉｓａｄｄｅｄｔｏｔｈｅｍｏｄｅｌｔｏｅｘｐｌｏｒｅｔｈｅｄｅｔａｉｌｅｄｓｔｒｕｃｔｕｒｅｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｎｄｆｕｒｔｈｅｒｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｕｎｍｉｘｉｎｇ．Ｔｗｏｓｉｍｕｌａｔｅｄｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｎｄｏｎｅｒｅａｌｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｒｅｕｓｅｄｆｏｒｅｘｐｅｒｉｍｅｎｔｓ，ａｎｄｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｉｓｍｏｒｅａｃｃｕｒａｔｅｔｈａｎｏｔｈｅｒｃｌａｓｓｉｃａｌｍｅｔｈｏｄｓ．Ｋｅｙｗｏｒｄｓ：ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇ；ｓｐａｒｓｅ；ｌｏｗ ｒａｎｋ；ｓｐｅｃｔｒａｌｕｎｍｉｘｉｎｇ；ｇｒａｐｈｒｅｇｕｌａｒｉｚａｔｉｏｎ收稿日期：２０２２－１０－１２基金项目：四川省科技厅－中央引导地方项目（２０２１ＺＹＤ００２１）；数学地质四川省重点实验室开放基金项目（ｓｃｓｘｄｚ２０２１ｚｄ０１，ｓｃｓｘｄｚ２０１９ｙｂ０１）ＦｏｕｎｄａｔｉｏｎＩｔｅｍ：ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＤｅｐａｒｔｍｅｎｔｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅ ＬｏｃａｌＰｒｏｊｅｃｔｓＧｕｉｄｅｄｂｙｔｈｅＣｅｎｔｒａｌＧｏｖｅｒｎｍｅｎｔ（２０２１ＺＹＤ００２１）；ＧｅｏｍａｔｈｅｍａｔｉｃｓＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｉｃｈｕａｎＰｒｏｖｉｎｃｅＯｐｅｎＦｏｕｎｄａｔｉｏｎ（ｓｃｓｘｄｚ２０２１ｚｄ０１，ｓｃｓｘｄｚ２０１９ｙｂ０１）０　引言高光谱图像在军事目标探测、智慧农业和环境监测等领域得到了广泛的应用，这是因为它具有“图谱合一”的特点［１］。

高空间分辨率高光谱成像与识别理论方法研究随着科学技术的不断进步，高空间分辨率高光谱成像与识别理论方法研究成为了当今研究领域中备受关注的重要课题之一。

本文将对该主题进行深入探讨，主要包括以下内容：一、高光谱成像技术概述高光谱成像技术是一种将电磁辐射波长范围内的连续光谱分成数十甚至上百个较窄波段进行成像的技术。

它能有效获取地物的高光谱特征信息，对于土地利用、环境监测、资源勘探等领域具有重要应用价值。

二、高空间分辨率高光谱成像技术原理高空间分辨率高光谱成像技术是将高光谱成像技术与高分辨率成像技术相结合，能够获取地物更为精细的特征信息。

通过在空间和光谱维度上进行信息提取和分析，可以实现对地物的更加准确的识别和分类。

三、高光谱成像与识别理论方法研究进展近年来，随着先进的遥感技术和数据处理算法的不断发展，高光谱成像与识别理论方法取得了显著的研究进展。

基于光谱角度分类、光谱混合像元分解、高光谱数据融合等方面的方法不断涌现，极大地丰富了高光谱成像数据的信息提取和分析手段。

四、高光谱成像与识别理论方法的应用高光谱成像与识别理论方法已经在农业、城市规划、自然资源调查、环境监测、气象预测等领域得到了广泛应用。

通过对地物特征的全面分析，可以为相关领域的研究和应用提供有力的支持。

五、高光谱成像与识别理论方法的未来发展趋势作为遥感技术的重要分支，高光谱成像与识别理论方法在未来的发展中将面临更多的挑战和机遇。

如何克服高光谱数据处理中的噪声干扰、提高地物边界的分辨率、实现大范围实时监测等方面都是需要重点关注的问题。

六、结语高空间分辨率高光谱成像与识别理论方法研究在当今遥感领域具有重要的研究意义和实际应用价值。

通过不断深入的研究和探索，相信在不久的将来，该领域将会取得更加丰硕的成果，为人类社会的可持续发展做出更大的贡献。

高空间分辨率高光谱成像与识别理论方法研究是遥感领域中一项重要的研究课题，其应用领域涵盖了农业、城市规划、自然资源调查、环境监测、气象预测等多个领域。

光谱混合分析（SMA）1.光谱分析法：利用光谱学的原理和实验方法以确定物质的结构和化学成分的分析方法。

特点：（1）分析速度较快（2）操作简便（3）不需要纯样品（4）可同时测定多种元素或化合物，省去复杂的分离操作（5）选择性好。

可测定化学性质相近的元素和化合物（6）灵敏度高（7）样品损坏少探随着新技术的采用，定量分析的线性范围变宽，使高低含量不同的元素可以同时测定，还可以进行微区分析。

局限性：光谱定量分析建立在相对比较的基础上，必须有一套标准样品的组成和结构状态应与被分析的样品一致。

2•高光谱遥感：指利用很多很窄的电磁波波段获得观测目标的相关信息。

（即高光谱分辨率）特点：波段数目多，波段宽度窄，波段分布连续，光谱分辨率高，图谱合一。

f 地物识别、分类具有优势，适用于混合像元分析。

高光谱遥感影像分析f 集中于对光谱维信息的提取和定量分析。

（1）影像立方体X, Y:普通影像的长和宽乙由波长长短顺序叠加形成的。

（上短下长）图：单个像元沿Z轴的不同亮度值形成了一条连续的光谱曲线波(X 长，Y亮度)f描述每个像元所代表的地物光谱特征。

(2)光谱数据库：自然条件下，仪器实测的各种地物光谱数据。

人为控制下，测得的矿物，植物矿片等光谱数据。

每条光谱记录都对应有其测量的仪器，气象条件，周围环境等详细信息。

(3)光谱匹配：将地物光谱与实验室测量的参考光谱进行匹配，或将地物光谱与参考光谱数据库进行比较，求得它们之间的相似性或差异性，以达到识别地物的目的。

3.混合光谱分析纯像元：仅包含一种土地覆盖类型。

记录的是该土地覆盖类型的光谱响应特征或光谱信号。

混合像元：包含不止一种土地覆盖类型。

记录的是不同土地覆盖类型光谱响应特征的综合。

(1)线性混合：指传感器无法分辨的多种小地物光谱的线性合成。

只要这些不同小地块的光谱能互不干扰地到达传感器，就可用线性方法通过像元亮度值估算不同地块比例f (各地块分布紧密的区域) 包括：物理学描述，代数学描述，几何学描述。

第33卷第2期2008年3月测绘科学Sc i ence o f Survey ing and M app i ngV o l 33N o 2M ar作者简介:张立朝(1981 ),男,河南新乡人,在读博士生,主要研究方向为军事地理信息系统。

E ma i:l z hang li chao_2004@yahoo co m cn 收稿日期:2007 01 04基金项目:2007年信息工程大学博士研究生学位论文创新基金改进的光谱角度制图分类方法研究张立朝,王青山,潘 贞,郑海鹰,张世全( 解放军信息工程大学测绘学院,郑州 450052; 郑州高新区管委会,郑州 450001)摘 要 本文深入研究传统的光谱角度制图分类法(S AM )存在的缺陷,提出了一种改进的光谱角度制图分类法,并给出了算法的思路和流程。

实验得出得出改进S AM 算法具有分类精度高,错分现象少,更符合地物实际状况等特点。

关键词 高光谱;分类;光谱角度制图分类法;改进中图分类号 P282 文献标识码 A 文章编号 1009 2307(2008)02 0070 02DO I :10 3771/j issn 1009 2307 2008 02 0251 引言由于遥感数据存在混合像元等效应,因此采用最小距离法和最大似然法等传统地物遥感分类方法往往产生漏分及混分现象。

各种物质都有其特征吸收峰,因此通过波谱识别就可以大大减少混分和漏分的弊病。

波谱角分类(SAM )是针对高光谱遥感信息定量分析的一种地物分类方法。

其原理是通过计算n 维空间的波谱样本矢量与未知波谱向量之间的角度来进行类别分析。

同类地物波谱矢量方向一致,异类地物波谱矢量方向不同,由于受所处位置不同,同类地物影像密度(或灰阶)产生差别,但其波谱矢量方向一致,只是大小有差别。

S AM 类别识别能力强,可以剔除光照和地形等的影响[1]。

2 光谱角度制图分类方法2 1 传统的光谱角度制图分类方法光谱角度制图法通过计算一个测试光谱(像元光谱)与一个参考光谱之间的 角度 来确定它们两者之间的相似性。

高光谱图像非线性解混技术研究高光谱遥感图像通过成像光谱仪对同一地表在不同波段上连续成像,形成连续的光谱信息。

所以具有很高的光谱分辨率,有较强的地物分类、辨识能力。

同时其空间分辨率低也使混合像元普遍存在,一个像元内包含多种地物光谱信息。

随着高光谱遥感技术的应用越来越广泛,对高光谱图像处理技术的要求也越来越高,混合像元解混就是成了高光谱图像处理技术中一个热点和难点。

对于一个混合像元,解混工作是提取出其包含的每种地物光谱的组分。

为了避免盲目解混,地物光谱的类别以及光谱信息应是已知的。

高光谱分类技术就是为解混提供类别监督信息。

端元提取就是从整幅图像数据中提取出含有的不同的地物端元,为丰度的求解准备端元信息。

高光谱解混主要分为线性解混模型和非线性解混模型。

线性解混模型是将混合像元的形成过程简单化,假设一个混合像元是由几种地物的光谱信息按照不同的比例线性叠加而成。

由于其易于理解、计算简单而有着广泛的应用。

但是在很多情况下,如一些包含砂石、矿物、植被以及水域等地物分布的高光谱图像,在混合像元形成的过程中,忽略成像中的非线性因素会影响解混的精度。

为了解决这个问题,非线性解混模型被越来越多的学者研究,非线性像元解混是本课题的研究重点,主要研究内容如下。

1、重点研究了基于多项式的非线性解混模型,并根据其不足,提出一种新的非线性解混模型。

多项式非线性解混模型的基本思想是在线性混合模型的基础上,加上非线性非线性项来模拟像元中地物间非线性混合的机理。

地物间的反射、折射的相互作用,入射光子与其他光子反射两次及以上的反射、折射,造成像元的非线性混合。

光子反射三次以上影响很小,所以只考虑二次反射项。

基于二次多项式的混合模型中的非线性项就是端元间的两两混合。

在现有的多项式混合模型中将端元光谱简单的点乘来模拟地物两两二次反射的代表端元光谱。

这种混合方式,在光谱值过大或过小的时候,其二次反射代表光谱就严重偏离的正常的光谱值,影响解混工作。

遥感影像的光谱混合分析技术在当今的科技领域，遥感技术正发挥着日益重要的作用，而其中的光谱混合分析技术更是成为了研究的焦点之一。

遥感影像就像是从太空中为我们拍摄的地球“照片”，但这些“照片”蕴含着远比我们肉眼所见更为丰富和复杂的信息。

光谱混合分析技术，则是帮助我们解读这些信息的一把关键“钥匙”。

要理解光谱混合分析技术，首先得明白什么是光谱。

简单来说，光谱就像是每种物质独特的“指纹”。

不同的物体，由于其组成成分和物理化学特性的差异，在接收和反射光线时会表现出特定的光谱特征。

比如，植被在特定的光谱波段会有明显的反射特征，而水体、土壤等也各自有着独特的光谱表现。

当我们通过遥感卫星或飞机获取到某个区域的影像时，所得到的往往不是单一物体的纯净光谱信息，而是多种物体混合在一起的复杂信号。

这就好比在一张照片中，既有草地、又有树木、还有建筑物和道路。

光谱混合分析技术的任务，就是要从这种复杂的混合信号中，分解出不同物体各自的贡献比例和成分信息。

那么，为什么要进行光谱混合分析呢？这其中有着多方面的重要意义。

从资源管理的角度来看，通过准确分析遥感影像中的土地利用类型和植被覆盖情况，我们可以更好地规划和保护自然资源。

比如，能够清晰地了解某个区域的森林面积是否在减少，或者哪些地方的耕地受到了侵蚀。

在环境监测方面，它可以帮助我们监测水体的污染程度、大气中污染物的分布等。

例如，通过分析光谱特征，我们可以判断出某片水域中的藻类含量是否超标，或者某个区域的大气中是否存在过量的颗粒物。

对于城市规划，光谱混合分析能够提供关于城市土地利用、建筑物分布和基础设施状况的详细信息。

这有助于合理规划城市的发展，优化交通布局，提高城市的生活质量。

在农业领域，它可以用于评估农作物的生长状况、监测病虫害的发生，从而为精准农业提供有力的支持。

比如，通过分析遥感影像中农田的光谱特征，农民可以知道哪些区域的作物缺水、缺肥，以便及时采取措施。

实现光谱混合分析的方法有多种，其中较为常见的包括线性光谱混合模型和非线性光谱混合模型。