基于流形学习和空间信息的改进N-FINDR端元提取.pdfVIP

第33卷，第9期 光谱学与光谱分析 2 01 and 3年9月 Spectral September，2013 Spectroscopy Analysis 基于流形学习和空间信息的改进N—FINDR端元提取算法 唐晓燕1’2，高 昆¨，倪国强1，朱振宇1，程颢波1 1．北京理工大学光电成像技术与系统教育部重点实验室，北京100081 z．南阳理工学院电子与电气工程学院，河南南阳473004 摘要光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF)，像元内的 多重散射和亚像元成分的异质性等因素，高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元 提取算法是以线性光谱混合模型为基础，因此提取的端元精度不高。在光谱非线性混合的基础上，提出一种 将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌 入在高维非线性数据空间的本质的低维结构，将原始高光谱数据非线性降维到低维空间．接着利用地物分 布具有连续性的特点，通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体 积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构，并利用了空间信息，提高了端元提取 的精度．模拟数据实验和真实高光谱遥感数据实验结果均表明，采用该算法得到的结果优于顶点成分分析 法。 关t词流形学习；非线性端元提取；空阅信息；N-FINDR算法；高光谱图像 中圈分类号：TP751文献标识码：A 旨在发现嵌入在高维非线性数据空间的低维流形的内在几何 引 言 结构。该方法是一种基于数据统计的模式识别方法，并不是 从物理意义上来建立非线性模型，被广泛的应用于具有非线 由于高光谱成像光谱仪空间分辨率的限制以及自然界地 性结构的高维数据。由于高光谱数据的分布近似流形[7]，流 物的复杂多样性，获得的遥感图像的某些像素中往往包含多 形学习算法被广泛的应用于高光谱图像特征提取卿和分类p] 种地物类型，即混合像元[1]。为了提高遥感应用的精度，就 中。为了提高光谱非线性混合时的端元提取精度，Heyled”] 必须对混合像元进行解混。光谱解混主要包括两个步骤：端 参考流形学习ISOMAP算法提出了基于测地线距离的最大 元提取和丰度估计，其中端元提取是光谱解混的关键。 单形体体积(GSvM算法。由于采用了非线性降维，该算法 传统的端元提取算法都是基于线性光谱混合模型。线性 得出的结果比以线性光谱混合模型为基础的算法要好，但其 光谱混合模型具有建模简单、物理含义明确的优点，但是由 计算量较大，占用内存多，很难用它来对海量数据的高光谱 图像进行分析，并且该算法只考虑了光谱信息而忽略了图像 于双向反射分布函数(BRDF)，像Ji内的多重散射和亚像元 成分的异质性等因素，高光谱图像中的混合像元实际上是非 的空间信息。 线性光谱混合[z,33，需要根据源图像的非线性影响对线性模 本文针对GSVM算法效率较低，对噪声点比较敏感的 型进行扩展或利用独立模型方法来处理非线性问题(例如双 缺点，提出采用自适应局部切空间排列算法来计算嵌入低维 坐标的方法，大大提高了计算效率，且通过邻域参数k的自 线性混合模型[‘]，人工神经网络[5’s1)。这些非线性处理方法 都是在丰度估计阶段采用非线性模型进行光谱分解，其端元 适应选择，可自适应的去除噪声点。另外将地物分布的空间 提取算法依然是采用线性混合模型为基础的算法，因此导致