高光谱遥感图像端元提取算法研究(源码)
高光谱图像隐含着丰富的图像和光谱信息，在军事侦察、资源考察、城市布局、地图测绘等领域具有重要的研究价值。但由于遥感设备分辨率的不足及地表复杂等原因，导致高光谱图像中存在的混合像元干扰了其在定量化分析上的应用，因此高光谱图像的端元提取是高光谱遥感定量化应用的重要步骤。本文以高光谱图像为研究对象，分别采用N-FINDR算法、纯像元指数算法（PPI）、MVC-NMF算法等有针对性地进行端元提取方法的研究，确定纯净端元位置及纯净端元数量。3个算法的实验结果表明，3种算法确定16种端元的准确度分别达93.75%、81.25%、87.5%，而时间开销分别为447s、239s、1635s，可见N-FINDR算法性能最为优异。
目录
摘要 1
引言
引言
1绪论
1.1研究背景
遥感技术是一门通过非接触的方式，以电磁波与地球表面物质相互作用为基础，对地表资源与环境进行探测获取并加以分析研究，来揭示地表各物质要素空间结构分布特征与时空变化规律的科学技术[1]。自20世纪60年代以来，随着遥感技术的发展，遥感技术在许多方面得到了广泛的应用，如军事侦察、城市布局、气象观测、地图测绘等领域[2]。图1是遥感技术的示意图[3]。而成像光谱技术的发展，高光谱遥感的出现成为遥感历史上的一个重大技术创新。因为有着较高的光谱分辨率，所以高光谱图像保存着大量且窄的具有连续性的光谱数据，有着丰富的图像与光谱信息[4]。
/
图1 遥感处理流程图
虽然高光谱图像有着较高的光谱分辨率(可低于10nm)，有着几十到几百个，甚至数千个的波段信息，但它的空间分辨力非常有限。由于遥感设备分辨率的不足和地表信息复杂等原因，高光谱图像中的单个像元内实际获得的地表信息极有可能包含不同的地物类型，因此每个像元的光谱响应特征也会存在较大的差异。由此可见，高光谱图像中的单个像元的光谱响应特征可能是多种地物光谱特征叠加而成，而这样的像元即被称为混合像元。混合像元的存在使得传统的像元级遥感分类和定量分析很难达到实际使用要求[5]。为了有效提高遥感应用的精度，达到实际遥感探测的定量化应用要求，就必须解决混合像元的解混问题，将混合像元分解成各个不同的“基本组成单元”（即“端元”)，求得各个组成部分的百 *好棒文|www.hbsrm.com +Q: #351916072#
分比,而端元提取就是高光谱图像解混的一个关键步骤。
1.2国内外的研究现状
光谱图像端元提取技术对于遥感图像的处理具有着重要作用，是高光谱图像解混技术中关键的一个步骤，因此国内外对这项技术的研究都给予了极高的关注度。
1.2.1国内研究现状
随着国际遥感图像处理领域的不断发展和国内地理信息系统的不断完善，我国在高光谱遥感图像处理研究中取得了很多重大的突破，目前较为完善的遥感图像处理系统有HIPAS系统，由中国科学院自主研发。与此同时，端元提取技术的新研究也在不断涌现。耿修瑞[6]等人提出了一种通过计算单形体体积提取端元，与数据本身的维度不相关的算法。普晗晔等人提出了独特的混合像元丰度计算算法，该算法基于单形体几何，使得运算速度更快，精度更高。赵春晖等人[7]提出了一种优化后的NFINDR算法，利用光谱距离很好地优化了鲁棒性和提取效率。近年来也有一些学者尝试将压缩感知和稀疏表示理论的相关理念加入到高光谱图像的线性解混模型中，将已知的光谱库数据来替代端元集合来进行解混。李二森等人于2010年提出了将L0范数作为稀疏性正则项引入到MVCNMF算法中，来实现丰度矩阵的稀疏化，并取得了较高的高光谱线性解混精度[8]。
1.2.2国外研究现状
国外比较优秀的遥感图像处理系统包括美国的ENVI、ERDAS IMAGINE等软件和加拿大的PCI Geomatica等。而在高光谱图像解混端元提取技术方面，Boardman、Kruse和Green提出纯像元指数端元提取算法（PPI），通过生成随机向量计算像元投影到向量两端的次数来确定纯净端元。NFINDR算法通过利用PCA算法对光谱图像降维后来进行端元提取。Neville等人提出迭代误差分析算法（IEA），不需要对初始数据进行降维等预处理而通过一些线性约束解混得到端元。Miao等人提出了最小体积约束的非负矩阵分解（MVCNMF），该方法能够对高度混合的高光谱数据进行端元提取。
1.3研究的主要内容
此次毕业设计在高光谱图像的基础上进行端元提取算法的研究，研究内容有：
(1)实现NFINDR算法，即通过采用主成分分析方法（PCA）对高光谱数据进行降维，然后对降维后的光谱数据计算多维空间里具有最大体积的凸面单形体，利用凸面单形体的顶点确定各个端元，从而确定各种端元的位置以及纯净端元的数目。
(2)实现纯像元指数端元提取算法（PPI），先在高维空间中把光谱图像进行降噪处理，再利用生成随机向量来计算各像元投影到向量两端的次数，确定各种端元的位置以及纯净端元的数量。
(3)实现最小体积限制的非负矩阵算法（MVCNMF），依据合一化原理求解约束优化的问题，根据最小单形体这一约束条件确定各种端元的位置以及纯净端元数量
(4)界面设计实现了三种算法的端元提取结果输出，统计了不同端元的数量和比例，并分别将提取的端元光谱曲线显示出来，用以计算算法的准确度，将3种算法的实验结果进行分析对比，由此评价了算法的优劣，基本实现了研究目的。
1.4技术路线
/
图2 技术路线
2开发工具
2.1 MATLAB概述
MATLAB是matrix&laboratory两个词的组合,即矩阵实验室。相对于传统的C、C++或者FORTRAN语言，MATLAB提供了高效快速解决各种科学计算问题的方法。该软件将科学数据可视化以及非线性动态系统的建模和仿真等诸多功能整合在一个简洁明了的环境中，为许多领域的科研设计工作提供了一个完美的操作平台，加快了科研进程，缩短了数据分析和算法开发时间。
在MATLAB中内嵌了丰富的数学、统计和工程计算函数，使用这些函数进行问题的分析解答，可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言等等，无论是问题的提出还是结果的表达都采用工程师习惯的数学描述方法，这一特点使得MATLAB成为了数学分析、算法开发及应用程序开发的良好环境。因此MATLAB可以应用于不同的领域，例如信号与图像处理、控制系统设计与仿真、通讯系统设计与仿真、测量测试与数据采集、金融数理分析以及生物科学等。
2.2 算法和界面实现
本次毕业设计中所用到的三种算法都利用MATLAB语言实现，其中PCA降维算法、NFINDR算法和PPI算法是利用算法原理逐步实现的，而MVCNMF算法是使用已有的算法进行调试完成的。界面演示是使用MATLAB平台自带的GUI图形用户界面进行设计的。
目录
摘要 1
引言
引言
1绪论
1.1研究背景
遥感技术是一门通过非接触的方式，以电磁波与地球表面物质相互作用为基础，对地表资源与环境进行探测获取并加以分析研究，来揭示地表各物质要素空间结构分布特征与时空变化规律的科学技术[1]。自20世纪60年代以来，随着遥感技术的发展，遥感技术在许多方面得到了广泛的应用，如军事侦察、城市布局、气象观测、地图测绘等领域[2]。图1是遥感技术的示意图[3]。而成像光谱技术的发展，高光谱遥感的出现成为遥感历史上的一个重大技术创新。因为有着较高的光谱分辨率，所以高光谱图像保存着大量且窄的具有连续性的光谱数据，有着丰富的图像与光谱信息[4]。
/
图1 遥感处理流程图
虽然高光谱图像有着较高的光谱分辨率(可低于10nm)，有着几十到几百个，甚至数千个的波段信息，但它的空间分辨力非常有限。由于遥感设备分辨率的不足和地表信息复杂等原因，高光谱图像中的单个像元内实际获得的地表信息极有可能包含不同的地物类型，因此每个像元的光谱响应特征也会存在较大的差异。由此可见，高光谱图像中的单个像元的光谱响应特征可能是多种地物光谱特征叠加而成，而这样的像元即被称为混合像元。混合像元的存在使得传统的像元级遥感分类和定量分析很难达到实际使用要求[5]。为了有效提高遥感应用的精度，达到实际遥感探测的定量化应用要求，就必须解决混合像元的解混问题，将混合像元分解成各个不同的“基本组成单元”（即“端元”)，求得各个组成部分的百 *好棒文|www.hbsrm.com +Q: #351916072#
分比,而端元提取就是高光谱图像解混的一个关键步骤。
1.2国内外的研究现状
光谱图像端元提取技术对于遥感图像的处理具有着重要作用，是高光谱图像解混技术中关键的一个步骤，因此国内外对这项技术的研究都给予了极高的关注度。
1.2.1国内研究现状
随着国际遥感图像处理领域的不断发展和国内地理信息系统的不断完善，我国在高光谱遥感图像处理研究中取得了很多重大的突破，目前较为完善的遥感图像处理系统有HIPAS系统，由中国科学院自主研发。与此同时，端元提取技术的新研究也在不断涌现。耿修瑞[6]等人提出了一种通过计算单形体体积提取端元，与数据本身的维度不相关的算法。普晗晔等人提出了独特的混合像元丰度计算算法，该算法基于单形体几何，使得运算速度更快，精度更高。赵春晖等人[7]提出了一种优化后的NFINDR算法，利用光谱距离很好地优化了鲁棒性和提取效率。近年来也有一些学者尝试将压缩感知和稀疏表示理论的相关理念加入到高光谱图像的线性解混模型中，将已知的光谱库数据来替代端元集合来进行解混。李二森等人于2010年提出了将L0范数作为稀疏性正则项引入到MVCNMF算法中，来实现丰度矩阵的稀疏化，并取得了较高的高光谱线性解混精度[8]。
1.2.2国外研究现状
国外比较优秀的遥感图像处理系统包括美国的ENVI、ERDAS IMAGINE等软件和加拿大的PCI Geomatica等。而在高光谱图像解混端元提取技术方面，Boardman、Kruse和Green提出纯像元指数端元提取算法（PPI），通过生成随机向量计算像元投影到向量两端的次数来确定纯净端元。NFINDR算法通过利用PCA算法对光谱图像降维后来进行端元提取。Neville等人提出迭代误差分析算法（IEA），不需要对初始数据进行降维等预处理而通过一些线性约束解混得到端元。Miao等人提出了最小体积约束的非负矩阵分解（MVCNMF），该方法能够对高度混合的高光谱数据进行端元提取。
1.3研究的主要内容
此次毕业设计在高光谱图像的基础上进行端元提取算法的研究，研究内容有：
(1)实现NFINDR算法，即通过采用主成分分析方法（PCA）对高光谱数据进行降维，然后对降维后的光谱数据计算多维空间里具有最大体积的凸面单形体，利用凸面单形体的顶点确定各个端元，从而确定各种端元的位置以及纯净端元的数目。
(2)实现纯像元指数端元提取算法（PPI），先在高维空间中把光谱图像进行降噪处理，再利用生成随机向量来计算各像元投影到向量两端的次数，确定各种端元的位置以及纯净端元的数量。
(3)实现最小体积限制的非负矩阵算法（MVCNMF），依据合一化原理求解约束优化的问题，根据最小单形体这一约束条件确定各种端元的位置以及纯净端元数量
(4)界面设计实现了三种算法的端元提取结果输出，统计了不同端元的数量和比例，并分别将提取的端元光谱曲线显示出来，用以计算算法的准确度，将3种算法的实验结果进行分析对比，由此评价了算法的优劣，基本实现了研究目的。
1.4技术路线
/
图2 技术路线
2开发工具
2.1 MATLAB概述
MATLAB是matrix&laboratory两个词的组合,即矩阵实验室。相对于传统的C、C++或者FORTRAN语言，MATLAB提供了高效快速解决各种科学计算问题的方法。该软件将科学数据可视化以及非线性动态系统的建模和仿真等诸多功能整合在一个简洁明了的环境中，为许多领域的科研设计工作提供了一个完美的操作平台，加快了科研进程，缩短了数据分析和算法开发时间。
在MATLAB中内嵌了丰富的数学、统计和工程计算函数，使用这些函数进行问题的分析解答，可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言等等，无论是问题的提出还是结果的表达都采用工程师习惯的数学描述方法，这一特点使得MATLAB成为了数学分析、算法开发及应用程序开发的良好环境。因此MATLAB可以应用于不同的领域，例如信号与图像处理、控制系统设计与仿真、通讯系统设计与仿真、测量测试与数据采集、金融数理分析以及生物科学等。
2.2 算法和界面实现
本次毕业设计中所用到的三种算法都利用MATLAB语言实现，其中PCA降维算法、NFINDR算法和PPI算法是利用算法原理逐步实现的，而MVCNMF算法是使用已有的算法进行调试完成的。界面演示是使用MATLAB平台自带的GUI图形用户界面进行设计的。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1644.html
