基于线性最小二乘支持向量机的光谱端元选择.pdfVIP

第30卷，第3期 光谱学与光谱分析 20l and March，2010 0年3月 SpectroscopySpectralAnalysis 基于线性最小二乘支持向量机的光谱端元选择算法 王立国，邓禄群，张 晶 哈尔滨工程大学信息与通信工程学院．黑龙江哈尔滨150001 摘要光谱端元选择足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算法困其自 动性和高效性受到广泛欢迎。然【fii，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dx-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文献标识码：A 矢苗最化(LVQ)来迸行光谱端元的选择，但该方法对于阈值 引 言 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。 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。高光谱图像的卒间分辨率一般较低，这种情况 元的经典例子。N-FINDR是全自动的方法，PPI是半自动化 导致r混合像素的J“泛存在，即一个像素町能是几种类别的 的方法。相比之下，N-FINDR因其具有全自动、无参数、选 混合。对于这类像素，将其按照一般分类方法[1]归属为任何 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 一类都是不准确的。分析各类别成分在混合像素内所占的比 降维预处理，且包含大虽的体积计算，这也是它最为耗时的 例的技术称为光谱解混[2]，是高光谱数据分析的最基本、最 部分。并且，体积计算(即主要为行列式的计算)的复杂度将 重要内容之一．从实质上讲它是一种更为精确的分类技术。 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 光谱解混实施的必要Ii{『提是要知道高光谱数据中包含哪些地 算法运算速度大大降低。 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 目前已有一些典型文献提出了对N-FINDR算法的改进 谱端元选择，简称端元选择。在近十多年里，多种高光谱图 方案。文献E9]引入虚拟维(virtual 像光谱端元选择方法相继发展起来【3]。典型的光谱端元选择 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 方法包括：像素纯度索引(pixel index。PPI)L4J、义，但这并不能改变该算法的如上两点不足。文献E103采用 purity error N-FINDR算．法[5]、迭代误差分析(iterative analysis，像素预选的方式来降低后续搜索的复杂性，也是从侧丽来降 real-time IEA)[引、光学实时自适应光谱辨识系统(optical低算法计算量。文献[10，11]利用顺次选择的方式来代替联 identification adaptivespectral system，ORASIS)[7。、自动形合选择的方式。顺次选择方法的主要缺陷在于算法的初始化 endmember 态光谱端元选