基于线性最小二乘支持向量机的光谱端元选择算法1.pdfVIP

基于线性最小二乘支持向量机的光谱端元选择算法1 王立国，邓禄群，张晶 哈尔滨工程大学信息与通信工程学院，哈尔滨（150001 ） E-mail:wangliguo@hrbeu.edu.cn 摘 要：光谱端元选择是高光谱数据解混分析的重要前提。在各种端元选择算法中，N-FINDR 算法因其自动性和高效性受到广泛欢迎。然而，该算法需要进行数据降维预处理，且包含大 量的体积计算导致该算法的运算速度较慢，限制了该算法的应用。为此提出基于线性最小二 乘支持向量机的N-FINDR 改进算法，该算法无需降维预处理，且采用低复杂度的距离尺度 代替复杂的体积尺度来加速算法。此外还提出对野值点施加有效控制以赋予算法鲁棒性，以 及利用像素预排序方法来降低算法的迭代次数。实验结果表明，基于线性最小二乘支持向量 机的改进N-FINDR 算法在保证选择效果的前提下复杂度大大降低，鲁棒性方法和像素预排 序方法则进一步提高了算法的选择效果和选择速度。 关键词：高光谱图像; 光谱端元选择; 线性最小二乘支持向量机; N-FINDR 算法 中图分类号：TP75 1 引 言 随着遥感技术的发展，高光谱图像(HSI)得到了越来越广泛的应用。高光谱图像的空间 分辨率一般较低，这种情况导致了混合像素的广泛存在，即一个像素可能是几种类别的混合。 [1] 对于这类像素，将其按照一般分类方法 归属为任何一类都是不准确的。分析各类别成分在 [2] 混合像素内所占的比例的技术称为光谱解混 ，是高光谱数据分析的最基本、最重要内容之 一，从实质上讲它是一种更为精确的分类技术。光谱解混实施的必要前提是要知道高光谱数 据中包含哪些地物类别，在此背景下提取各类别代表性纯光谱的技术称为光谱端元选择，简 称端元选择。在近十多年里，多种高光谱图像光谱端元选择方法相继发展起来[3] 。典型的光 [4] [5] 谱端元选择方法包括：像素纯度索引(Pixel Purity Index，PPI) 、N-FINDR 算法 、迭代误 差分析(Iterative Error Analysis ，IEA)[6] 、光学实时自适应光谱辨识系统(Optical Real-time Adaptive Spectral Identification System ，ORASIS)[7] 、自动形态光谱端元选择(Automated Morphological Endmember Extraction，AMEE)[8]，等等。IEA 是基于迭代的方法，在这个过 程中，能降低约束光谱解混误差的像素被当作光谱端元。该方法的缺点是越是先选出的光谱 端元根据性越差，而像素一经被选作光谱端元便无法更新。ORASIS 通过学习和矢量量化 (LVQ)来进行光谱端元的选择，但该方法对于阈值参数极其敏感。AMEE 利用形态学，选择 光谱端元的过程中同时利用了空间和光谱信息，其不足之处在于运算量较大。PPI 和 N-FINDR 是基于N 维空间谱凸多面体的搜索光谱端元的经典例子。N-FINDR 是全自动的方 法，PPI 是半自动化的方法。相比之下，N-FINDR 因其具有全自动、无参数、选择效果较好 等优点而受到广泛欢迎。但该算法需要进行数据降维预处理，且包含大量的体积计算，这也 是它最为耗时的部分。并且，体积计算(即主要为行列式的计算) 的复杂度将随着所选择的光 谱端元数目增大而呈现立方增长，从而导致算法运算速度大大降低。 目前已有一些典型文献提出了对N-FINDR 算法的改进方案。文献[9]引入虚拟维（virtual dimensionality, VD ）的概念来确定待选择光谱端元的数目，对算法的实施具有一定意义，但 这并不能改变该算法的如上两点不足。文献[10]采用像素预选的方式来降低后续搜索的复杂 1本课题得到国家自然科学基金项目，教育部博士点新教师基金项目（200802171003 ）和水下 智能机器人技术国防科技重点实验室项目资