[发明专利]一种考虑光谱变异性的高光谱图像非线性解混方法

说明书

本发明属于遥感图像处理技术领域，具体为一种考虑光谱变异性的高光谱图像非线性解混方法。本发明首先利用核方法将原始数据映射到高维特征空间，在高维空间中考虑光谱变异系数进行线性解混；同时，依据地物分布的空间连续性，对丰度和变异系数添加局部平滑约束，使得二者具有空间上的平滑性。本方法在Hapke和GBM两种非线性混合模型中存在光谱变异性时，能进行有效的无监督非线性光谱解混。本发明能克服不同非线性混合场景中存在的光谱变异性问题，提高光谱解混的精度，在实际应用中具有重要的意义。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种高光谱图像非线性解混方法。

背景技术

遥感技术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。高光谱遥感是将成像技术与光谱技术相结合的多维信息获取技术，其图像通常包含数百个波段，具有较高的光谱分辨率，可以在获取地物空间分布的同时得到丰富的光谱信息，被广泛应用在军事侦察、环境监测和地质勘探等诸多领域[1]。但是，由于传感器较低的空间分辨率以及地面物质构成的复杂性，导致混合像元大量存在于高光谱图像中，严重阻碍了高光谱图像的高精度应用。光谱解混可以将高光谱图像中的混合像元分解为纯物质光谱(即端元)和端元在混合像元中所占的比例(即丰度)，从而将图像分析深入到亚像元级，推动了定量遥感的发展。

线性混合模型(Linear Mixing Model,LMM)是在以往的研究中使用比较多的一种模型[2]。LMM模型简单、物理意义明确，它基于光子只与地面场景中的一种物质发生作用的假设，因而，像元光谱被表示为由端元光谱以一定的比例系数线性组合而成。在LMM模型中，所有像元由一组共同的端元光谱表示，但是在实际情况中，由于光照、采集条件和物质的固有性质等因素的影响，端元光谱在像元中会发生改变，产生光谱变异性问题[3]。而忽略光谱变异性的存在会给解混结果带来较大的误差，为此学者针对LMM中的光谱变异性问题开展了许多研究。但是LMM的假设在真实场景中并不能总被满足，特别是对于非线性混合效应显著的复杂场景情况[4]。因此，在开展非线性光谱解混研究的同时，考虑场景中的光谱变异性，在实际应用中具有重要的意义。

通常，非线性混合场景中主要关注两种非线性混合模型。第一种是Hapke等模型，其主要针对沙地、矿物等地区存在的紧密混合现象。Hapke模型[5]依据辐射传输理论，把双向反射率表示为与场景相关的粒子密度和大小以及单次散射反照率等物理参数的非线性函数，从而描述光线在微观尺度上与不同粒子之间的多次散射。第二种是广义双线性模型(Generalized Bilinear Model,GBM)[6]，一般被用来描述植被覆盖、建筑林立的地区存在的多层次混合现象。GBM在LMM的基础上添加了两两端元间存在的二次散射效应并忽略更高次散射的影响。尽管这两种非线性混合模型在混合机理和表达形式上都有很大的不同，但是，核方法可以利用合理的核函数形式，将低维空间的非线性混合的原始数据投射到高维特征空间中，从而将低维空间的非线性解混问题转变为高维空间中的线性解混问题[7]。因为它不需要考虑具体的非线性形式，所以可适用于不同的非线性模型。Zhu等人提出了Bi-objective NMF算法[8]，同时考虑了原始空间和核方法映射后的高维特征空间中的数据重构误差，并调整两者间的权重因子实现解混。文献[9]中提出了一种基于丰度约束核非负矩阵分解ASSKNMF的解混算法，该算法用核方法对数据进行非线性映射的同时，也根据地物分布特性在丰度上添加了稀疏和平滑约束来进行非线性解混。但是，以上所述算法都仅关注非线性解混问题，而没有考虑到非线性场景中存在的光谱变异性，这样仍会使实际的解混结果出现较大的偏差。

Hapke混合模型