[发明专利]基于独立分量分析的高光谱遥感图像混合像元分解方法

说明书

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于独立分量分析的，可解决高混合遥感数据混合像元分解问题的方法。

背景技术

遥感是本世纪六十年代发展起来的新兴综合技术，与空间、电子光学、计算机、地理学等科学技术紧密相关，是研究地球资源环境的最有力的技术手段之一。近年来，随着成像技术的进步，多波段遥感图像在越来越多的领域得到了广泛应用。由于成像系统空间分辨率的限制和地表的复杂多样，所获得的遥感图像中的一个像元往往包含着多种地物类型，这就形成了混合像元。如何从混合像元中提取典型地物的光谱，并且求出这些地物所占比例，在实际应用中有着重要意义[1]。

大部分混合像元分解方法都是基于线性混合模型的[2]。基于线性混合模型的像元解混可分为两个步骤，端元提取和丰度解混。端元提取是指从遥感数据中求取端元光谱的过程。丰度解混则是指确定各个端元在混合像元中所占的比例。

独立分量分析(Independent Component Analysis，ICA)[3]把混合像元分解问题视为一种盲分离问题，它们无需光谱信息就可以进行混合像元分解。该方法假设源信号之间相互独立，通过让分离结果彼此独立来恢复出源信号。以观测到的高光谱遥感图像作为混合信号，端元光谱或丰度作为源信号，ICA就可以应用于混合像元的解混，具有运算量小、不易陷入局部极小的优点。但是，直接使用ICA进行光谱解混所面临的一个重要问题是：算法的独立性假设直接与线性混合模型中的和为一约束相矛盾，导致解混结果和真实值之间出现偏差[4]。另一个问题是，ICA假设数据的统计分布规律是一定的，但是真实图像的统计特性各不相同，一般都与事先假设的情况有差别，这就影响了算法的性能。后一问题较难克服，因为ICA是一种盲分离方法，除观测值以外没有其他先验知识，只能假设数据的统计特性为某种确定的分布，然后让结果去逼近这种分布。

下面介绍与本发明相关的一些概念：

1线性混合模型

线性混合模型是分析研究高光谱遥感图像的一种简便有效的数据模型。在高光谱数据中，对于每个波段图像中的每一像元，其灰度值可表示为该像元中各端元的光谱特性与各端元在像元中所占比例的线性组合。设高光谱图像中共有L个波段，P个端元，则某一个像素的观察值可被表示为

x＝As+e.                               (8)

这里，x＝[x₁，x₂，...，x_L]^T；是端元光谱矩阵，其中代表第i个端元的光谱向量；是丰度向量，代表该像素中各端元所占的比例；表示由于噪声或模型不准等因素导致的误差。从物理实际出发，任意一个像元中各地物所占比例应该是非负的，并且其比例之和等于1。因此，丰度向量s应满足丰度非负约束(Abundance Nonnegative Constraint，ANC)以及和为一约束(Abundance Sum-to-oneConstraint，ASC)

Σi=1Psi=1,0≤si≤1,(i=1,2,...,P).---(9)]]>

设每个波段的高光谱图像都有N个像素点，则所有这些像素点的观察值可以组成一个矩阵从而(8)式可表示成矩阵形式

X＝AS+E.                                (10)