基于基模分析的高光谱混合像元分解王杰1蒋良群1向卫1西华.docVIP

基于高光谱混合像元分解 王杰1良群11 （西华师范大学国土资源学院，四川 南充，637009 摘 要：过对真实高光谱遥感影像大量实验发现，此方法简单易行，且精度。 关键词：混合像元分解；；； 分类号：TP751.1 文献标识码：A 文章编号： 引言 高光谱混合像元分解通常分为两种模型，线性与非线性。线性高光谱分解方法认为影像立方体上每个像元光谱由端元线性构成，而非线性混合像元分解方法认为端元之间存在辐射的交互，不只是满足线性混合条件，同时也满足非线性的因素。线性混合像元分解由于其实际点，大量算法被提出[1-3]。最近几年，非线性解混算法也发展迅速，其中以Halimi与Altman的工作最为显著，分别提出了GBM与NNPPM模型[4-5]。通常在假定纯净像元存在的前提下，混合像元分解最要分为两步，首先进行端元提取，主要算法有VCA[6]，N-FINDR[7]。在端元被识别之后，采用解混算法进行解混影像立方体，目前此类算法主要有全约束混合像元分解FCLS)[8]，梯度下降算法[9]。通常纯净像元存在的假定不一定与遥感影像相符，为了解决此问题，大量的盲信号分离算法被提出，其中具有代表性的算法为独立成分分析ICA)[10], 非负矩阵分解NMF)[11]。其中NMF算法非常突出，其将影像分解成端元矩阵与比例系数矩阵，同时满足线性混合的两个限制条件，由于非负矩阵分解只能保 证获取局部最优化值，常常导致解混结果精度不高。同时利用非负矩阵进行分解时，很难保证提取到必要的信息[12]，这也限制了非负矩阵分解的应用。目前针对此问题，通常通过增加限制性因素进入非负矩阵分解成本函数，如体积因子[13]，稀疏因子[14]等，迫使其解稳定。由于缺乏验证数据，我们这里通过稀疏回归解混算法SUNSAL[2]与地面实测的光谱库进行解混遥感影像，以此作为验证数据。经过对比分析，我们发现基于算法具有较高的精度。 算法描述 基模分析被Cutler与Breiman提出[21]，其兼顾数据降维与数据聚类的优点，同时对仿射变换与尺度变换具有不变形的特点。基模分析是基于凸体分析，同时考虑误差最小化，基本原理可以用公式(1)的对象函数进行概括。 (1) 公式(1)中的C为原始数据的权重系数矩阵，S为原始数据变换后的比例系数矩阵，它们的和为1，同时非负。在高光谱盲信号分离中，S为比例系数矩阵，XC为端元矩阵。 基于核算法的基模分析 对于公式(1)的求解可以采用迭代的梯度下降算法，对于C与S的非负限制，可以采用渐进的软边界或者硬边界阈值理论进行处理。Morten M?rup提出了基于投影梯度的基模求解框架[22]，同时他扩展了传统的基模分析理论，针对无纯像元存在的情况，他引进了一个尺度变量α与δ，同时将公式中的权重系数进行扩展，最后对象函数变为： (2) 通过引进 α与δ可以有效利用凸体分析，尽可能用凸体包括这些数据，这可以从图1中看出。 图1 不同δ取值下数据凸体分析 Fig.1 Convex analysis for different δ values 基模分析的初始化非常重要，Cutler和Breiman指出合理的初始化有助于加速程序的收敛，同时降低找到无关紧要基模的风险，传统的基模分析采用K-Means的FURTHESTFIRST算法进行初始化[23]，这个算法采用随机地初始化基模作为数据中心，然后迭代地选择那些与已经存在中心点距离最大的点作为基模。Morten M?rup提出了FURTHESTSUM算法来提高初始化的精度及稳定性，他表明FURTHESTSUM算法具有更快的执行效率及精度。我们这里也采用FURTHESTSUM算法进行初始化。基模分析的参数迭代过程相当于估计两点的距离运算，核算法非常类似此过程，引进一个核矩阵K，计算数据矩阵的乘积，于是Morten M?rup将传统的基模分析扩展到基于核算法的基模分析，其模型的参数具体的迭代公式可以参考Morten M?rup的文章。大量实验表明，基于核算法的基模分析具有较高的精度，同时与原始数据保持一定的协调性，我们将这理论运用到高光谱盲信号分离的过程。 数据预处理 本次实验高光谱影像来自此网站[2]，传感器为HYDICE，总共210波段，此区域为城市，包括大量的地物类型，适合于检验目标探测算法。首先对原始影像加入波段信息，通过导入波长信息即可，然后裁剪一块多类的区域作为此次实验的解混数据。删掉一些坏波段，包括103-114,136