[发明专利]基于吉文斯旋转的高光谱图像端元提取方法

说明书

本发明具体涉及一种基于吉文斯旋转的高光谱图像端元提取方法。该方法利用吉文斯旋转求取最大投影位置，进而求得端元光谱，不仅保证对于同一幅高光谱图像，其提取结果始终一致，并且只需要在原始数据中提取第一个端元，即可在此基础上提取剩余所有端元，使得端元提取的精度大大提升。该方法的步骤是：1、输入原始高光谱图像数据为；2、对原始高光谱图像进行端元数目估计；3、对原始高光谱数据进行降维，得到降维高光谱数据；4、利用原始高光谱数据提取质心像元，通过质心像元来求得第一个端元；5、对第一个端元进行吉文斯旋转的QR分解求取第二个端元；6、对p‑1个端元进行吉文斯旋转的QR分解求取第p个端元。

技术领域

本发明属于图像处理技术领域，更进一步涉及高光谱遥感图像信息提取领域，具体是一种基于吉文斯旋转的高光谱图像端元提取方法。

背景技术

高光谱遥感图像同时包含所拍摄区域的空间信息和光谱信息，具有“图谱合一”的特点。空间信息可以提供所拍摄区域的几何信息，光谱信息可以用于所拍摄区域的真实地物分类识别等实际应用。正因为此，高光谱遥感图像技术在近年来飞速发展，成为一个研究热点，其理论方法的研究和实际应用的分析也越来越多。其技术研究主要集中于寻找图像中目标的分类和识别方法。目前，高光谱遥感图像技术已经应用在军事目标探测、舰船识别、农业灾害监测、矿物勘探、环境监测、城市规划、地图绘制及行星探测等领域。

然而，由于高光谱遥感图像多是基于星载或者机载等遥感平台，其空间分辨率受到一定限制，同时，受到所拍摄区域地物地形复杂度的影响，高光谱图像的单个像元中往往存在着多种物质，是多种物质的一种组合状态，这种像元也称为混合像元，影响了对高光谱图像的精确分析和应用。因此，如何来分解混合像元，也称为解混，成为当前高光谱遥感领域最有研究意义的课题之一。

目前，高光谱遥感图像的混合模型可分类两种，一种是线性混合模型，一种是非线性混合模型。非线性混合模型更接近于高光谱图像的实际混合情形。但是，该混合模型需要所观测区域的地理信息及物质的物理属性的先验知识，例如复杂地貌的考虑、地表不同反射率的考虑、大气反射率的考虑等等，这使得该模型的分析非常复杂。所以，线性混合模型成为目前最为常用的高光谱遥感图像混合模型。该混合模型认为，高光谱图像中的混合像元是一组物质按照一定比例的线性组合。其中，各种纯净物质即称为端元，每种物质的比例信息即称为丰度信息。解混的目的就是要获取端元及其丰度信息。

目前，高光谱解混过程可分为三步：

首先，获取高光谱图像中端元数目；

其次，提取高光谱图像中的端元光谱信息；

最后，获取各端元的丰度。

实际中，由于高光谱图像的数据量大、冗余信息多，含有噪声等不利因素，使得对高光谱数据的降维降噪也成为高光谱图像处理领域的一个研究方向。降维可以大量减少解混方法的计算复杂度，降噪可以进一步提高解混方法的精度。

基于几何学的高光谱解混方法已经日益发展成熟，此方法认为高光谱图像数据可看作一个凸面几何体，其中的端元被认为是几何体的顶点。较为流行的VCA和MVHT等都属于基于几何的解混方法。同时，这两类方法普遍适用于假设图像中存在纯像元的情形下。

其中，VCA算法认为高光谱数据的所有像元点均在一个未知端元支撑的锥体内，将此数据锥体投影到一个合适的超平面上，投影后得到一个单形体，那么则认为此单形体的顶点即为端元。VCA算法计算复杂度低、运行效率高，具有较好的端元提取结果，但是由于VCA算法在投影过程中是随机选择投影方向，这导致其多次运算结果不一致的情况。