[发明专利]一种基于自动形态学端元提取的高光谱图像数据解混方法

说明书

本发明涉及一种基于自动形态学端元提取的高光谱图像数据解混方法，属于图像数据处理技术领域。该方法利用参考光谱向量计算得到整幅图像中混合程度最大的像元，并在此基础上改进形态学算子，通过新的MEI计算方法，对原有的结构元素进行改进，用偶数大小结构元素取代奇数大小的结构元素，从每个结构元素内选出四个候选端元，从而有效避免了可能的信息遗失，进一步提高数据处理的准确性，最终提高数据处理后获得图像的清晰度，且本发明的基于自动形态学端元提取的高光谱图像数据解混方法，其实现方法也相当简便。

技术领域

本发明涉及图像数据处理技术领域，特别涉及高光谱图像数据处理技术领域，具体是指一种基于自动形态学端元提取的高光谱图像数据解混方法。

背景技术

高光谱图像具有较高的光谱分辨率，能提供地物更为详尽的光谱信息，因而它能够更好的用于遥感影像的分类和目标识别。与此同时，由于高光谱传感器较低的空间分辨率，混合像元在高光谱图像中普遍存在。端元提取和光谱解混是混合像元线性分解的两大核心任务，而端元提取又是混合像元分解的前提。典型的端元提取算法主要可分为三种类型：基于投影的方法，如纯净像元指数法(Pure Pixel Index，PPI)；基于单形体体积的方法，如N-FINDR、单形体体积增长算法(Simplex Growing Algorithm，SGA)等；基于统计误差最小的方法，如迭代误差分析(Iterative Error Analysis，IEA)。上述端元提取算法都只考虑了遥感图像中像元的光谱特征，把数据当作是光谱测量的一个无序列表而不是作为一幅图像来处理。事实上，端元在空间上的分布上应当具有一定的形状和集聚性，仅仅利用光谱特征来提取端元会忽略图像中的空间信息。Plaza等人将形态学算子引入到高光谱图像处理中，提出了自动形态学端元提取(Automated Morphological Endmember Extraction，AMEE)算法，充分利用了图像的空间信息。

自动形态学端元提取算法由于将像元的光谱特征和空间特征结合在一起考虑，取得了很好的效果，然而该方法也存在一些缺陷。首先，AMEE算法在定义形态学算子时将结构元素内所有像元的平均值作为混合程度最大的像元，然而当结构元素内包含较多纯像元时，像元的均值也更加接近纯像元，那么膨胀和腐蚀运算就无法得到预期的结果。其次，原有的形态学离心率指数(Morphological Eccentricity Index，MEI)表示结构元素内最纯像元与混合程度最大像元的光谱夹角距离，而不同结构元素内混合程度最大的像元一般是不同的，因此MEI的绝对大小无法真正代表像元的纯度。最后，算法中从每个结构元素内只选出一个像元作为候选端元，当结构元素内包含两个或两个以上不同物质的纯像元时就可能造成重要像元的遗失。

因此，如何提供一种在处理过程中有效避免信息流失，提高数据处理的有效性，最终提高数据处理后获得图像的清晰度，且实现方法简便的数据解混方法，成为本领域亟待解决的问题。

发明内容

本发明的目的是克服了上述现有技术中的缺点，提供一种通过引入参考光谱向量的概念，计算得到整幅图像中混合程度最大的像元，并在此基础上改进形态学算子，通过新的MEI计算方法，对原有的结构元素进行改进，用偶数大小结构元素取代奇数大小的结构元素，从每个结构元素内选出四个候选端元，有效避免了可能的信息遗失，进一步提高数据处理的准确性，最终提高数据处理后获得图像的清晰度，且实现方法简便的基于自动形态学端元提取的高光谱图像数据解混方法。

为了实现上述的目的，本发明的基于自动形态学端元提取的高光谱图像数据解混方法包括以下步骤：

(1)估计高光谱图像数据f中的端元数p；

(2)设置结构元素K_min和K_max，根据所述的结构元素K_min、K_max求得最大迭代次数I_max，计算所述高光谱图像数据的参考光谱向量U_ben；其中K_min和K_max均为偶数；