基于光谱特征混合分析的高光谱遥感数据挖掘技术

郑丰收, 陶为翔, 李京

(正元地理信息集团股份有限公司， 北京 101300)

0 引言

随着遥感地物监测技术的发展，采用遥感信息检测方法进行遥感检测，建立高光谱遥感数据挖掘模型，根据高光谱遥感数据挖掘结果进行光学成像特征分析，提高高光谱遥感数据的信息融合和地物目标检测识别能力，通过利用光学成像技术进行高光谱遥感数据构造，通过分析高光谱遥感数据的检测和特征分析模型，结合模糊信息处理方法，进行高光谱遥感数据挖掘和特征提取，结合遥感信息识别技术，进行高光谱遥感检测，相关的高光谱遥感数据挖掘方法研究受到人们极大关注[1]。

对高光谱遥感数据的挖掘是建立在对高光谱遥感信息的采集和谱特征提取技术上，结合高光谱遥感数据的检测模型，进行信息融合和优化特征提取，结合高分辨的像素特征分析方法，进行高光谱遥感数据检测和挖掘[2]。本文提出基于光谱特征混合分析的高光谱遥感数据挖掘技术。建立高光谱遥感数据聚类模型，通过分析高光谱遥感数据的光谱特征量进行特征提取和分类识别，实现高光谱遥感数据的优化挖掘。最后进行仿真实验分析，展示了本文方法在提高高光谱遥感数据挖掘能力方面的优越性能。

1 高光谱遥感数据信息检测和特征提取

1.1 高光谱遥感数据信息检测

为了最后实现高光谱遥感数据挖掘，首先需要对获取到的高光谱遥感数据进行处理与分析，因此，结合光学特征提取检测方法[3]，构建高光谱遥感数据的模糊度检测模型，通过模糊度检测方法进行高光谱遥感数据信息检测。根据关联信息特征提取方法，将特征聚类因子定义为式(1)。

(1)

通过如上定义，结合概率特征分析方法，得到高光谱遥感数据检测的适应度函数为式(2)。

(2)

式中，f表示隐含层的激励函数；m表示隐含层节点个数；ωij表示高光谱遥感数据的幅度增益。在上述分析基础上，通过关联度特征分析法，得到高光谱遥感数据的区域像素分布集表达为式(3)。

(3)

式中，Hij表示进行高光谱遥感数据的像素重组。得到光谱信息的边缘像素级为式(4)。

(4)

式中，η表示空间分布像素增益;φ表示高光谱遥感数据的稀疏特征分量;R表示模板匹配系数;D表示迭代系数。在上述分析基础上，结合光学特征提取检测方法，构建高光谱遥感数据的模糊度检测模型为式(5)。

(5)

式中，根据上述分析，对高光谱遥感数据信息进行检测。结合信息编码技术与高光谱遥感数据信息检测结果，进一步对高光谱遥感数据信息进行特征提取、压缩和信息融合[5]。

1.2 高光谱遥感数据特征提取

通过模糊度检测方法进行高光谱遥感数据信息检测，提取高光谱遥感数据的自相关统计特征量，采用差异度模糊信息挖掘方法进行高光谱遥感数据的谱分析[6]，高光谱遥感数据的低分辨率特征分布集为式(6)。

(6)

式中，⊗表示卷积算子。通过分析高光谱遥感数据的状态空间，采用边缘信息融合的方法，建立高光谱遥感数据的高分辨特征分析模型为式(7)。

(7)

(8)

根据式(8)得到的特征分解结果为式(9)。

(9)

式中，akj表示通过分析高光谱遥感数据的小波特征分解结果。得到高光谱遥感数据的帧分布序列为式(10)。

(10)

根据光谱遥感数据的帧分布序列，在高光谱遥感数据分布集中建立核函数模型，以最小效用阈值Nj*为加权向量，得到高光谱遥感数据分布的邻域NEj*(t)，根据上述分析，高光谱遥感数据特征提取散射模型如图1所示。

图1 高光谱遥感数据特征提取散射模型

根据图1的特征散射分布，进行多次扫描和区域信息融合，得到高光谱遥感数据的聚类中心为式(11)。

U={μik|i=1,2,…,c；k=1,2,…,n}

(11)

采用模糊度检测方法，得到高光谱遥感数据的加权效用值为式(12)。

(12)

计算高光谱遥感数据的最大交叉概率，得到最终高光谱遥感数据特征提取结果为式(13)。

(13)

式中，pi,j(t)表示高光谱遥感数据的模糊隶属度函数。在上述技术上，对高光谱图像的像元点进行遥感信息降维处理，最后进行光谱特征混合处理。

2 高光谱遥感数据挖掘

2.1 高光谱遥感数据的光谱特征混合

在对高光谱遥感数据进行信息检测和特征提取的基础上，通过信息融合方法进行高光谱遥感数据的光谱滤波处理，采用模糊相关性特征检测方法得到高空间光谱特征分布集为式(14)。

(14)

计算高光谱遥感数据挖掘的约束量，在最佳分辨特征约束下，得到高空间光谱特征提取结果为式(15)。

(15)

其中，w*为式(16)。

w*=I(k)g[2(m-1)+u,2(n-1)+v]

u∈{1,2};v∈{1,2}

(16)

式中，u表示高光谱遥感数据的区域特征像素点p(i,j)的锐化特征分布集;(i,j)表示模板匹配系数。由此建立高光谱遥感数据的光谱特征混合模型为式(17)。

(17)

根据式(17)得到的特征混合结果进行数据挖掘[9]。

2.2 高光谱遥感数据挖掘输出

建立高光谱遥感数据的光谱信息增强模型，通过分析高光谱遥感数据的光谱特征量进行特征提取和分类识别，采用分块监测的方法，得到光谱特征信息的检验模板函数为式(18)。

(18)

采用本体特征融合的方法，得到高光谱遥感数据的集优化量化函数为式(19)。

(19)

考虑高光谱遥感数据的信息化融合分布集，结合寻优控制的方法，得到光谱特征融合状态函数为式(20)。

(20)

采用区块信息融合的方法，得到高空间光谱特征提取结果为式(21)。

(21)

根据上述分析，建立高光谱遥感数据的光谱信息增强模型为式(22)、式(23)。

(22)

Cm=(1-λ+λt)t3

(23)

式(22)表示在高光谱遥感数据挖掘的控制变量，通过相关性分析，得到高光谱遥感数据挖掘的特征量为G={P1,P2,…,Pn;u1,u2,…,un}，高光谱遥感数据挖掘的状态函数为式(24)。

(24)

通过分析高光谱遥感数据的光谱特征量及高光谱遥感数据挖掘的状态函数计算结果，得到高光谱遥感数据中特征提取和分类识别挖掘输出分别为式(25)、式(26)。

(25)

(26)

根据上述特征提取和分类识别结果，进行高光谱遥感数据的光谱特征混合分析，提高高光谱遥感数据的挖掘性能，实现高光谱遥感数据的优化挖掘。

3 仿真测试分析

通过仿真实验验证本文方法在实现高光谱遥感数据挖掘中的应用性能，进行实验测试分析，采用C++仿真软件进行高光谱遥感数据挖掘的仿真测试，数据采集的样本长度为1 024，训练集500，相似度系数为0.21，数据采集的离散点分布如图2所示。

图2 数据采集的离散点分布

根据图2对高光谱遥感数据的离散采集结果进行数据挖掘，得到光谱特征混合分析结果如图3所示。

(a) 原始光谱图像

(b) 混合特征分析图像

分析图3得知，本文方法进行高光谱遥感数据挖掘，提高了光谱特征图像的挖掘和遥感识别能力。

4 总结

利用光学成像技术进行高光谱遥感数据构造，通过分析高光谱遥感数据的检测和特征分析模型，结合模糊信息处理方法，进行高光谱遥感数据挖掘。提出基于光谱特征混合分析的高光谱遥感数据挖掘技术。采用差异度模糊信息挖掘方法进行高光谱遥感数据的谱分析，分析得知，本文方法进行高光谱遥感数据挖掘的精度较高，提高了地物遥感目标的检测识别能力。