[发明专利]一种快速高光谱图像线性解混方法

说明书

本发明涉及遥感图像处理技术领域，公开了一种快速高光谱图像线性解混方法，包括以下步骤：S1、计算高光谱图像的平均像素；S2、用施密特正交化方法计算出高光谱图像中所有像素关于平均像素的正交投影；S3、选择最大正交投影的像素作为第一个端元；S4、提取第一个端元后，计算每个像素到已提取端元的正交投影，将投影最大的像素作为新的端元；S5、当提取端元数＝p或者停止因子大于100时，结束循环；S6、丰度估计：利用施密特正交化方法，逐次求出每个端元在各个像元中的投影。这高光谱图像线性解混方法，能够快速对高光谱图像线性解混，同时提供比传统算法更好的解混性能。

技术领域

本发明涉及遥感图像处理技术领域，特别涉及一种快速高光谱图像线性解混方法。

背景技术

高光谱遥感成像技术是将成像技术与光谱技术相结合的多位信息获取技术，不但可以获取探测场景的二维或高维几何空间，而且还可以探测一维的光谱信息，探测获得的高光谱的光谱分辨率是连续的，窄波段的图像数据。

从高光谱遥感数据中得到纯地物光谱信号，是遥感数据处理中一项基本且重要的工作。然而由于成像系统空间分辨率的限制和地表的复杂多样，图像中的一个像元往往包含着多种地物类型，即形成了混合像元。混合像元的存在严重影响遥感图像地物分类的精确度和目标探测效果。为了解决混合像元的问题就必须解决混合像元的分解问题，即将混合像元分解为不同的“组成单元”，“或称端元”(endmember)，并求得这些基本组分所占比例，就是“光谱解混”的过程。

高光谱像元解混主要分为线性和非线性解混。线性光谱解混相对简单易行，非线性解混考虑了物体的二次散射效应，更符合实际光谱采集情况，但情况相对复杂，相关因素众多，导致解混难度大，仍处于研究初期。线性解混已经迅速成为解决高光谱遥感图像像元混合最广泛的技术之一。线性解混过程通常分为三个不同的步骤：端元数估计、端元提取和丰度计算。国外学者已经提出了许多不同的算法来解决解混过程中存在的问题。基于最小误差的高光谱识别算法(HySIME)和虚拟维数算法通常用于估计端元数量；顶点成分分析算法(VCA)和N-finder算法通常用于端元提取；全约束最小二乘线性解混算法(FCLSU)用于端元丰度计算。

然而，它们在一些实际应用中，存在一些问题，在当前解混算法中，通常分为三个不同的步骤：端元数估计、端元提取和丰度计算，每一个步骤需要使用不同的算法。这三个步骤将解混过程变成一个顺序链，即在程序的执行过程中，必须要按顺序执行解混过程的每一个步骤，每个步骤的结果都取决于前一个步骤的结果。例如，在VCA和N-finder中，必须在每次迭代中计算一个矩阵的逆矩阵，算法计算量较大。当尝试用硬件实现解混算法时会发现，由于在每一步中都需要使用不同的算法，这增加了解混算法硬件实现的难度，使得几乎不可能实现算法的实时性。

本发明提出一种快速的高光谱图像线性解混算法能够加快计算速度及降低硬件实现难度，同时提供比传统方法更好的解混性能。

发明内容

本发明提供一种快速高光谱图像线性解混方法，能够提供比传统方法更好的解混性能。

本发明提供了一种快速高光谱图像线性解混方法，包括以下步骤：

S1、计算高光谱图像的平均像素；

S2、用施密特正交化方法计算出高光谱图像中所有像素关于平均像素的正交投影；

S3、选择最大正交投影的像素作为第一个端元；

S4、选择第一个端元后，计算每个像素到已提取端元的正交投影，将投影最大的像素作为新的端元；

S5、当提取端元数等于p或者停止因子大于100时，结束循环；

S6、丰度估计