以光谱信息熵改进的N-FINDR高光谱端元提取算法.pdfVIP

第17卷 第8期 Vol. 17, No.8 2015 年8 月 Aug., 2015 以光谱信息熵改进的N-FINDR 高光谱端元提取算法 杨可明，魏华锋，刘 飞，史钢强，孙阳阳 (中国矿业大学（北京）地球科学与测绘工程学院，北京 100083) 摘要：端元提取是高光谱混合像元分解的关键步骤，也是高光谱影像分析的重要前提。N-FINDR 算法是一种经典 且有效的端元提取算法，但其需遍历所有可能的像元组合，计算量巨大，时间效率不高。本文以光谱信息熵和凸面 几何学理论，利用高光谱影像像元，在光谱特征空间形成的单形体顶点附近为相对纯净像元，单形体内部为混合像 元的特性，提出了一种结合光谱信息熵的N-FINDR 改进算法。该方法根据各波段像元灰度概率计算影像中每个 像元的光谱信息熵，将大于光谱信息熵阈值的像元作为混合像元被剔除，在保留的像元组成的单形体上搜索最大 体积，并提取最大体积顶点处像元作为端元。最后，使用美国EO- 1卫星获取的江西省德兴某铜矿的Hyperion 数 据，对改进后的算法进行验证。结果表明，改进后的N-FINDR 算法在确保较高端元提取精度的同时，大大提高了 数据处理的时间效率。 关键词：高光谱影像；混合像元；光谱信息熵；N-FINDR ；端元提取 DOI:10.3724/SP.J. 1047.2015.00979 1 引言 元的最大体积，从而提取出影像的端元。 高光谱遥感影像具有“图谱合一”、波谱信息丰 2 理论与算法 富等特征，在多个领域得到广泛应用，但受较低空 间分辨率和地表复杂性影响，高光谱影像中普遍存 2.1 光谱信息熵 在混合像元，端元提取及其算法研究是混合像元分 信息是对客观事物运动规律及其属性标识的 解的重要内容之一。目前，具有代表性的端元提取 描述。通常说到信息时，只能对其进行概述，却难 算法有：N-FINDR[1] 、像元纯度指数（Pixel Purity In- 以量化信息量的多少。直到1948年，Shannon 提出 [2] [8] dex ，PPI ）、迭代误差分析（Iterative Error Analysis ， 了“信息熵”的概念 ，使得信息有了量化的度量。 [3] 信息熵可理解为某种信息出现的概率，其出现概率 IEA ）、单体增长 （Simplex Growing Algorithm ， [4] 越大，表明该信息被引用程度越高。从信息传播角 SGA）、顶点成分分析（Vertex Component Analysis ， [5] 度来说，信息熵可作为一个衡量信息价值的标准。 VCA ）等。传统的N-FINDR 算法因操作简单、计 [6] 信息熵可定义为：一个值域为{x,…,x }的随机变量 算无参数和端元提取效果好等优点被广泛应用 ， 1 n 但因其搜索凸面体最大体积需遍历所有可能的像 X 的熵值H 。 [7] H(X)=E(I(X)) （1） 元组合而计算量巨大 。