地球物理学进展  2014, Vol. 29 Issue (1): 430-433   PDF    
高光谱遥感混合像元盲分离模型
常睿春1,3, 王璐2    
1. 成都理工大学 管理科学学院, 成都 610059;
2. 成都东软学院 基础教学部, 成都 610059;
3. 数学地质四川省重点实验室, 成都 610059
摘要:针对高光谱遥感影像中“混合像元”问题, 在前人研究的基础上, 本文提出了结合盲源信号分离技术的混合像元盲分离模型, 该模型的核心算法是HFC算法和基于负熵的改进FastICA算法, 优点是能够通过非常少的先验知识就可以进行混合像元分解, 完成特征提取工作, 且收敛速度快, 精度较高.采用高光谱模拟数据和加噪数据, 分别检验混合像元盲分离模型的有效性和稳定性, 实验结果表明:模型受端元提取数目多少的影响以及高斯白噪声的影响较小, 对高光谱遥感数据特征提取具有有效性和稳定性.
关键词高光谱遥感     混合像元     盲分离模型    
The hyperspectral mixed pixel blind separation model
CHANG Rui-chun1,3, WANG Lu2    
1. College of Management Science, Chengdu University of Technology, Chengdu 610059, China;
2. Chengdu Neusoft University, Chengdu 610059, China;
3. Geomathematics Key Laboratory of Sichuan Province, Chengdu 610059, China
Abstract: Hyperspectral remote sensing images for “mixed pixel” issue, on the basis of previous studies, we propose a combination of blind source separation techniques blind separation of mixed pixel model, The model's core algorithm is based on negative entropy HFC algorithm and improved FastICA algorithm, the advantage is the ability to very little prior knowledge can be carried unmixing complete feature extraction work, and fast convergence and high precision. Simulated data using hyperspectral data processing noise were tested blind separation of mixed pixel model validity and stability, the experimental results showed that: Million by the end of the model to extract the influence of the number of Gaussian white noise and less impact on the feature extraction of hyperspectral remote sensing data validity and stability.
Key words: Hyperspectral remote sensing     mixed pixel     blind separation model    

0 引 言

光谱能量信号(地面反射、发射)被遥感传感器接受到,并以像元(Pixel)形式为基本度量的单位保存下来,当一个像元中仅仅包含一个单一均匀的地物时,这个像元就被称做“纯像元”(PP,Pure Pixel);当一个像元中包含两个或以上特征地物光谱时就称为混合像元(Mixed Pixel).受到传感器技术发展的制约,目前,获取的高光谱图像空间分辨率普遍较低,有限的空间分辨率和无限的复杂多变的地物之间的矛盾,导致在高光谱图像中“混合像元”问题尤为突出.同时,混合像元分解问题也成为了高光谱图像处理技术中的基础和关键问题.若干研究者提出了混合像元分解的方法,也取得了一些进展,如基于拉格朗日分解算法的SAR图像混合像元分解的方法(余先川等,2010),在进行高光谱混合像元非线性分解应用中, 提出一种非监督的高光谱混合像元非线性分解方法(厉小润等,2011),利用最小体积约束的线性光谱解混的算法(李二森等,2011),引入光谱分解算法,建立二类水体组分光谱分解反演模型反演分析太湖水体组分浓度(陆超平等,2011),提出一种可变神经网络结构的方法,逐步去除负值丰度对应的端元,并调整相应的网络结构使之针对剩余的端元进行分解的遥感影像光谱分解方法(李熙等,2012),在高光谱遥感图像光谱解混中使用独立成分分析技术,提出了丰度约束下总体相关性最小化的解决方案(罗文斐等,2010),基于面向对象的无监督分类的遥感影像自动分类方法(余先川等,2010).作者在研究、总结现有的光谱解混流程基础上,大胆提出可以结合盲源信号分离技术,构建混合像元盲分离模型.

1 模型构建

盲源信号分离技术的基本思路是:多源的信号按照相互的独立性(假设条件)建立起目标函数,通过数学优化算法把“盲源”混合信号分解为各自独立的信号分量.其技术特点是可以利用高光谱遥感原始光谱数据间的高阶统计性,能够使得遥感特征矩阵变换后,各个特征分量不仅互不相关,而且还能继续保持各分量间的统计独立性.根据盲源信号分离技术技术的这个特点,可以提取出高光谱数据中的端元信息(端元指的是只含一种地物类型的纯像元,这在实际情况中往往是不存在的,故此时所说的端元是从遥感图像中提取的相对包含某种地物类型比例较高的像元),从而完成混合像元分解工作.混合像元盲分离模型构建如 图1.

图 1 混合像元盲分离模型 Fig.1 Blind source separation model of mixed pixels

核心算法利用高光谱遥感图像数据的特点,相邻波段间具有较高的关联性,采用基于负熵的固定点改进FastICA(Fast Independent Component Analysis)算法,以负熵最大为优化标准,他可以同时完成高光谱遥感端元提取和丰度分离任务,而且算法本身具有较快的收敛速度与较高的精度.利用基于负熵的固定点改进FastICA算法提取端元之前,要确定高光谱遥感影像数据中的特征个数.虚拟维数(Virtual Dimensionality,VD)(Chang et al.,2004Chang et al., 2006)概念提出了一种分析数据中的特征数目对已有数据维数进行界定的思路.模型中采用HFC(Harsanyi Farrand and Chang)算法方法估计虚拟维数(VD).

2 实验与分析

利用构建的混合像元盲分离模型分离矿物信息,以测试模型的有效性和稳定性.首先,构建一个测试模拟数据,从美国USGU矿物标准数据库中选取白云母、蛇纹石、方解石、绿帘石、绿泥石、明矾石、方解石、阳起石矿物光谱,光谱参数:光谱范围395.1~2560 nm,分辨率10 nm,波段数420,作为模拟端元(图2);此时像元数取N=8×8,波段数L=420,端元个数q=8个,在0~1之间随机组合生成端元的模拟丰度αq×N,使得每列元素(确保丰度和为一,丰度值非负).

图2 光谱曲线 Fig.2 S Pectral curve
2.1 模型有效性实验

通过混合像元盲分离模型对模拟数据提取不同数目的端元,比较端元提取的精度变化,以此来检验模型的有效性.

为了定量化说明端元提取的精度变化,引入各端元误差指标的均方根误差RMS(Root Mean Square )的概念(Hyvrinen,1999a, 1999b)

其中,X表示端元信号(降维后),Y表示端元信号(降维前),θii表示原始图像第i个像元与降维后图像中第i个像元的光谱夹角.

RMS描述的是样本之间的离散程度,反映的是度量数据与实际数据之间的偏离程度.那么,RMS越小,表示端元提取精度越高,因此,可以利用RMS作为评定端元提取的精度标准,检验混合像元盲分离模型的有效性.表1列出了提取不同端元时的RMS,可以定量化研究使用混合像元盲分离模型提取不同数目端元时,端元提取精度的变化.

表1不同端元数目均方根误差 Table 1 Different number of Endmember RMS

实验结果分析:混合像元盲分离模型的核心算法基于负熵的固定点改进FastICA算法是利用高光谱遥感图像向量的信息量矩阵来生成变换矩阵,提取端元数目从2个变化到6个时,对提取端元结果的均方根误差影响不大(从1.65e-04变化到9.65e-04),总体控制在10-4.说明本论文构建的混合像元盲分离模型对不同端元数目的提取,不会造成较大的误差变化.证明模型本身具有实用性、有效性.

2.2 模型稳定性实验

在构造的模拟高光谱数据中加入随机高斯白噪声(0~0.1内的噪声序列),分析混合像元盲分离模型受噪声的影响,以此来检验模型的稳定性.

混合像元盲分离模型受噪声的影响程度,设计用分类的效果来衡量:即用高光谱分类技术对使用模型前的加噪数据和使用模型后的加噪数据分别进行分类,根据分类精度的变化,比较噪声对混合像元盲分离模型的影响.此时,选用的高光谱分类技术是光谱角填图SAM(Spectral Angle Mapping),SAM分类方法是把光谱数据看做光谱空间中的多维矢量,计算两个广义光谱矢量数据的夹角,公式为

用此来表示两个光谱向量的匹配程度.其中,T、R分别表示维数为L的两条光谱矢量,θ越小,则T和R相似度越大.

从(3)式可知SAM分类技术的优点在于:夹角值θ与光谱向量的模无关,即与两个光谱矢量的长度的绝对值无关,与图像的增益系数无关,只与两个待比较的光谱的形状有关.即便是前期经过了混合像元盲分离模型处理,也不会对SAM分类技术本身造成影响.假设不经过模型处理直接进行SAM分类的精度为100%,经过模型处理后再进行SAM分类的精度计算方法是

其中,n为矿物类别数,xi为经过降维模型后再进行SAM分类时每一种矿物类别所包含的像元总数,xi 为直接进行SAM分类时每一种矿物类别所包含的像元总数.

比较SAM分类精度就可以看出,混合像元盲分离模型受噪声的影响情况.为了更加有说服力,这里矿物分类数目依次从两个递增到八个(表2).

实验结果分析: 从SAM分类结果的精度不难看出,随机分布的噪声对混合像元盲分离模型有一定的影响,总体分类精度均呈下降状态,但在获取8个矿物类别时,精度仍能保持在90%左右.说明混合像元盲分离模型具有实用性和稳定性.

3 结论与讨论

论文针对高光谱遥感影像中“混合像元”问题,本文提出了混合像元盲分离模型, 优点是,通过非常少的先验知识就

表2 SAM分类结果比较 Table 2 SAM classification results compare

可以进行目标端元和背景端元的分离,同时完成降维和端元提取的工作,且收敛速度快,精度较高;为了测试混合像元盲分离模型的有效性和稳定性,首先构建模拟数据,接着检验不同数目的端元提取以及噪声对混合像元盲分离模型的影响,最后实验结果表明混合像元盲分离模型受端元提取数目多少的影响以及高斯白噪声的影响较小,模型本身具有较高的有效性和较好的稳定性.

目前,论文提出的混合像元盲分离模型是对模拟高光谱数据的矿物信息进行提取,今后该模型还可推广应用在其他地物类型的信息提取中,笔者也将在后续的工作中,使用真实高光谱数据对不同地物类型信息提取做进一步的实践与探讨.

参考文献
[1] Chang C I, Du Q. 2004. Estimation of number of spectrally distinct signal sources in hyperspectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 42(3): 608-619.
[2] Chang J, Chang C I. 2006. Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 44(6): 1586-1600.
[3] Hyvrinen A. 1999a. Fast and robust fixed-point algorithms for independent component analysis[J]. IEEE Transactions on Neural Networks, 10(3): 626-634.
[4] Hyvrinen A. 1999b. The fixed-point algorithm and maximum likelihood estimation for independent component analysis[J]. Neural Processing Letters, 10(1): 1-5.
[5] Li E S, Xu B, Li N, et al. 2011. Minimum volume constrained linear spectral Unmixing algorithm[J]. Geomatics and Information Science of Wuhan University (in Chinese), 36(6): 683-686.
[6] Li G M, Feng L. 2012. Image processing the enhancement of the seismic fault of method and its application[J]. Progress in Geophysics (in Chinese), 27(5): 2138-2143.
[7] Li P, Liu C, Feng X, et al. 2013. The identification technology of the low amplitude structure based on high resolution instantaneous information and coherence algorithm[J]. Progress in Geophysics (in Chinese), 28(1): 394-401.
[8] Li X, Shi C M, Li C, et al. 2012. Spectral Unmixing method of remote sensing images in variable architecture of neural network[J]. Computer Engineering (in Chinese), 38(9): 1-3.
[9] Li X R, Wu X M, Zhao L Y. 2011. Unsupervised nonlinear decomposing method of hyperspectral imagery[J]. Journal of Zhejiang University (Engineering Science) (in Chinese), 45(4): 607-613.
[10] Lin T, Liu X N, Tan Z. 2011. Improved independent component analysis algorithm and its application on crop spectral classification [J]. Computer Engineering (in Chinese), 37(11): 272-274.
[11] Lin Z L, Yan L M. 2011. Object recognition algorithm and its application on Hyperspectral imagery based on M-ICA[J]. Geo-Information Science (in Chinese), 13(1): 126-132.
[12] Liu W, Zhang R, Wang H Z, et al. 2012. Sea surface flow field retrieval and estimation based on satellite remote sensing data[J]. Progress in Geophysics (in Chinese), 27(5): 1989-1994.
[13] Lu C P, Lv H, Li Y M. 2011. Algorithms based on spectral decomposition algorithm for retrieval of constituents in Taihu Lake[J]. Geo-Information Science (in Chinese), 13(5): 687-694.
[14] Luo W F, Zhong L, Zhang B, et al. 2010. Independent component analysis for spectral Unmixing in Hyperspectral remote sensing image[J]. Spectroscopy and Spectral Analysis (in Chinese), 30(6): 1628-1633.
[15] Song W Q, Chen C, Liu C, et al. 2012. Sandstone high prediction of alternating beds with spectral peak number on spectral analyses[J]. Progress in Geophysics (in Chinese), 27(6): 2470-2477.
[16] Su L H. 2007. Research on the Method of Hyperspectral Image Compression(in Chinese)[D]. Changsha: National University of Defense Technology.
[17] Wang L. 2011. Independent Component Analysis for Mineralizing Alteration Information Extraction of Hyperspectral Remote Sensing Data (in Chinese)[D]. Chengdu: Chengdu University of Technology.
[18] Ye C M, Han L, Miao F. 2012. Monitoring and analysis of vegetation using remote sensing in 5.12 Wenchuan earthquake region[J]. Progress in Geophysics (in Chinese), 27(5): 1922-1928.
[19] Yu X C, Chu X F, Cao H Z, et al. 2010. Decomposition of SAR image mixed pixels based on lagrangian constrained neural network[J]. Progress in Geophysics (in Chinese), 25(1): 316-323.
[20] Yu X C, An W J, He H. 2012. A method of auto classification based on object oriented unsupervised classification[J]. Progress in Geophysics (in Chinese), 27(2): 744-749.
[1] 李二森, 徐波, 李娜,等. 2011. 最小体积约束的线性光谱解混算法[J].   武汉大学学报(信息科学版), 36(6): 683-686.
[2] 李光明, 冯磊. 2012. 基于图像信息的地震断层增强方法及其应用[J].   地球物理学进展, 27(5): 2138-2143.
[3] 李鹏, 刘财, 冯晅,等. 2013. 基于高分辨率瞬时信息与相干算法的低幅度构造识别[J].   地球物理学进展, 28(1): 394-401.
[4] 李熙, 石长民, 李畅,等. 2012. 可变神经网络结构下的遥感影像光谱分解方法[J].   计算机工程, 38(9): 1-3.
[5] 厉小润, 伍小明, 赵辽英. 2011. 非监督的高光谱混合像元非线性分解方法[J].   浙江大学学报(工学版), 45(4): 607-613.
[6] 林婷, 刘湘南, 金铭. 2011. 改进ICA算法及其在作物光谱分类中的应用[J].   计算机工程, 37(11): 272-274.
[7] 林志垒, 晏路明. 2011. 高光谱影像的M-ICA地物识别算法与应用[J].   地球信息科学学报, 13(1): 126-132.
[8] 刘巍, 张韧, 王辉赞,等. 2012. 基于卫星遥感资料的海洋表层流场反演与估算[J].   地球物理学进展, 27(5): 1989-1994.
[9] 陆超平, 吕恒, 李云梅. 2011. 混合光谱分解算法的太湖水体组分浓度反演分析[J].   地球信息科学学报, 13(5): 687-694.
[10] 罗文斐, 钟亮, 张兵,等. 2010. 高光谱遥感图像光谱解混的独立成分分析技术[J].   光谱学与光谱分析, 30(6): 1628-1633.
[11] 宋维琪, 陈琛, 刘程,等. 2012. 基于谱分析的谱峰数预测薄互层砂岩厚度[J].   地球物理学进展, 27(6): 2470-2477.
[12] 苏令华. 2007. 高光谱图像压缩技术研究[D].   长沙: 国防科学技术大学.
[13] 王 璐. 2011. ICA在高光谱遥感矿物蚀变信息提取中的应用[D].   成都: 成都理工大学.
[14] 叶成名, 韩岭, 苗放. 2012. 5.12汶川震区植被遥感动态监测与分析[J].   地球物理学进展, 27(5): 1922-1928.
[15] 余先川, 初晓凤, 曹恒智,等. 2010. 基于拉格朗日分解算法的SAR图像混合像元分解[J].   地球物理学进展, 25(1): 316-323.
[16] 余先川, 安卫杰, 贺辉. 2012. 基于面向对象的无监督分类的遥感影像自动分类方法[J].   地球物理学进展, 27(2): 744-749.