基于丰度划分的高光谱遥感图像解混

余淞淞

（同济大学电子信息与工程学院，上海　201804）

基于丰度划分的高光谱遥感图像解混

余淞淞

（同济大学电子信息与工程学院，上海201804）

0　引言

随着世界科技发展，遥感技术日益成熟，已经成为对地观测的重要手段之一。与传统多光谱遥感器相比，高光谱遥感器光谱分辨率高，成像波段更多更窄，在可见光至近红外区域光谱分辨率达到纳米级，这大大加强了对观测目标的信息采集能力，因此有着广阔的应用前景。

然而受到高光谱成像光谱仪空间分辨率不足，以及自然界地物分布复杂等因素影响，高光谱遥感图像中存在这种像元，它的光谱数据未表现单一地物特性，而是由几种不同地物光谱混合组成，这样的像元被称为混合像元［1］。这是传统像元级图像分类和地物面积量测精度难以达到应用要求的主要原因。为了提高遥感应用的精度，必须解决混合像元的分解问题。

光谱解混就是求解混合像元内纯地物（端元）光谱及每种地物面积占比（丰度）［2］。然后从地物光子响应到图像采集过程之间的光学原理和作用过程非常复杂，同时受到时间、空间、环境等不确定性因素影响。同一类地物在不同的场景下，其端元光谱表现通常会有一定差异。如果端元不具有足够代表性，会解混精度严重影响解混精度。这种端元光谱可变性，对解混过程中的端元选择方法提出了更高的要求。为了解释光谱可变性，Robets等人提出了多端元光谱混合分析（MESMA），该方法为每个端元选取一组纯像元光谱，在对像元解混时，会从各端元的光谱组中，分别选取最合适的光谱，以降低均方根误差［3］。Bateson提出端元束（endmember bundles）概念，并用模拟退火算法生成端元束，来替代单一端元进行解混［4］。目前基于多端元的解混算法得到了广泛研究，但是对端元组数据的统计特性未进行深入挖掘。本文提出了一种丰度划分的遥感图像解混算法，利用支持向量机对多端元解混模型里丰富的端元信息进行充分挖掘。对真实遥感图像的解混实验，验证了算法的良好性能。

1　基于丰度划分的解混方法研究

支持向量机是统计学习理论的一种算法实现［5］。它在统计学理论中历史较短，但是由于其良好的学习效果，在各研究领域得到广泛应用。利用支持向量机进行遥感图像光谱解混的核心思想是：将端元丰度从0%～100%进行等间隔划分成若干丰度类，通过合成分属于不同丰度类的像元集对支持向量机进行训练，将丰度估计问题转化为丰度分类问题。该算法首先使用端元光谱集通过指定策略合成已知丰度的像元，并标记丰度标签。然后利用这组像元集对多类支持向量机模型进行训练，以这种方式对端元集数据的统计特性进行挖掘。而后使用SVM对目标遥感图像进行分类，获取丰度类图。根据加一性原理，对丰度类图进行归一化处理，得到最终解混结果。

图1　算法流程图

算法主要包括以下几个步骤：

①合成训练集。对于每类端元，算法需要合成指定丰度的虚拟混合像元作为该端元训练集，并使用丰度作为标签。其中丰度标签根据预先设定的丰度分辨率在0%～100%之间进行等间隔划分，0%表示此像元为纯像元，100%表示此像元不包含当前端元。

②SVM训练。对于每类端元，使用上一步合成的训练集对一个多类SVM进行训练。

③对高光谱图像进行丰度分类。对于每类端元，使用上一步训练得SVM对目标高光谱图像进行分类。分类结果中，每个像元根据分类标签得到该类端元的丰度。

④丰度归一化。在对所有端元都得到丰度图后，由于像元中所有端元的组分比之和一定是100%，因此对所有端元的丰度图进行归一化操作，得到目标高光谱图像的最终解混结果。

以下是算法伪代码，如表1。

2　实验分析

实验对象为意大利Pavia大学图像数据。ROSIS-03遥感器采集的尺寸为610×340的遥感图像，遥感器采集原始波段数为115个，覆盖光谱波长区域为0.43～0.96um，空间分辨率1.3m/pixel。在排除了一些受水汽吸收影响，和低信噪比的波段后，两幅图像分别保留了102,103个波段作为正式实验数据。

表1　本文算法伪代码

该数据集中包含九类地物。以此为原遥感数据集进行标记。然后对该数据集去除最后一行最后一列后，使用3×3均值滤波器处理，生成了一幅203×113的已知丰度的遥感数据集。

采用经典的全限制最小二乘法（FCLS）作为对照组进行实验。此外，构建SVM的核函数采用泛化性能良好的高斯径向基核函数。解混效果的评价标准为丰度估计数据复原遥感图与原始遥感图像间的均方根误差（RMSE）。表2给出了两种算法实验的RMSE结果。在单类RMSE上，该算法在多数情况下都小于FCLS的RMSE。而总体RMSE，该算法也好于FCLS算法。

3　结语

本文给出了一种基于丰度划分的高光谱图像像元解混算法。传统的丰度估计算法在利用端元集时策略相对简单。为了进一步挖掘端元集的统计特性，通过建立丰度划分类，将SVM算法引入到高光谱遥感图像像元解混问题中。通过设计一种基于丰度等间隔划分的的丰度类训练集，将丰度估计问题转化为分类问题。通过对真实遥感数据集进行解混实验，验证了该算法的有效性。相比传统的FCLS解混算法，本文算法在解混精度上有较大的优势。

表2　实验结果

［1］Tong Q X,Zhang B,Zheng L F.Hyperspectral Remote Sesing［M］.Beijing:Higher Education Press,2006

［2］Keshava N,Mustard J.Spectral Unmixing［J］.IEEE Signal Processing Mag,2002,19（1）：44～57

［3］D.A.Roberts,M.Gardner,R.Church,S.Ustin,G.Scheer,R.O.Green.Mapping Chaparral in the Santa Monica Mountains Using Multiple Endmember Spectral Mixing Models.［J］.Remote Sensing of Environment,1998,65:267～269

［4］C.A.Bateson,G.P.Asner,C.A.Wessman.Endmember Bundles:A New Approach to Incorporating Endmember Variability into Spectral Mixture Analysis［J］.IEEE Transactions on Geoscience and Remote Sensing,Mar，2000,38（2）:1083～1094

［5］A.Mathur and G.M.Foody,Crop Classification by a SVM with Intelligently Selected Training Data for an Operational Application［J］. Int.J.Remote Sensing,vol.29,no.8,pp.2227～2240,Apr.2008

Hyperspectral；Mixed Pixel；Spectral Unmixing；Abundance Division

A Hyperspectral Imagery Unmixing Method Based on Abundance Division

YU Song-song
（Department of Electronics and Information Engineering Tongji University，Shanghai 201804）

1007-1423（2015）08-0074-04

10.3969/j.issn.1007-1423.2015.08.018

余淞淞（1990-），男，江西南昌人，在读硕士研究生，研究方向为遥感图像处理

2015-03-01

2015-03-10

高光谱遥感成像技术能够获取目标区域丰富的光谱信息和空间信息。混合像元现象在遥感图像中普遍存在，处理遥感图像解混问题是提高地物识别精度的前提。由于端元光谱可变性的存在，传统的基于单一单元光谱的线性解混方法解混精度难以达到应用要求。对多端元光谱策略进行分析，并给出一种基于丰度划分的高光谱解混算法，对实际光谱数据进行试验并取得较好效果。

高光谱；混合像元；光谱解混；丰度划分

Hyperspectral remote sensing imagery provides rich spectral information and space information about the place of interest.Mixed pixels happen in spectral images frequently,which reduce the classification accuracy of ground truth.Due to spectral variability,early spectral unmixing methods using one pixel as endmember ectral unmixing can't provide enough performance for applications.Pays more attention to the multiple endmember spectral analysis,and proposes an unmixing method based on abundance division.Experiments on real hyperspectal images show high performance.