[发明专利]用于高光谱遥感图像逐波段修正负相关的光谱角填图方法

说明书

技术领域

本发明涉及一种用于高光谱遥感图像逐波段修正负相关的光谱角填图方法，用于高光谱遥感图像的光谱相似性度量，属于高光谱遥感数字图像处理和模式识别领域。逐波段修正负相关后的光谱角可以更好的反映相近光谱间的相似关系，增强光谱间的可分性，是更精细的光谱相似性度量手段，可以用于高光谱遥感图像中分类、目标识别等应用领域。

背景技术

高光谱成像仪可以获取的某一地域高光谱数据包含空间、光谱、辐射等多重信息，是遥感领域的前沿技术。分类是高光谱图像处理领域中一个重要的研究方向，在地物识别、对某地区地物分布进行精确划分以及对某地区地物改变进行探测等方面都有广泛的应用。高光谱图像传感器可以提供更广泛的光谱波段范围和更为细致的光谱特性，是高光谱遥感图像分类具有良好应用前景的保障，同时也是设计分类算法的难点所在。在对高光谱遥感图像进行分类时，主要涉及两方面的问题：一是选用何种光谱相似性度量方法，二是基于特定光谱相似性度量方法的分类策略。由此可以看出，如何判断两条光谱曲线的相似性，即光谱相似性度量方法，在高光谱遥感图像分类中占有举足轻重的地位。

目前存在的光谱相似性度量方法可以根据其侧重点分为以下几类：以光谱信号协方差矩阵为基础计算两个光谱样本相似度的马氏距离(Mahalanobis Distance，MD)；以信息论为基础衡量两个光谱样本相对熵值的光谱信息散度(Spectral Information Divergence，SID)；在光谱特征空间中衡量两个光谱向量空间距离的最小欧式距离(Euclidean Minimum Distance，EMD)以及衡量两个光谱向量夹角的光谱角填图(Spectral Angle Mapper，SAM)等。其中SAM采用特征空间中两个光谱向量间的夹角作为光谱相似性度量，角度越小，表明两条光谱越相似。自SAM算法提出以来，因其简单高效、标量乘不变性等优点在地物标定、植被研究、高光谱图像压缩、地物光谱变化检测等方面得到了广泛的应用。

然而SAM最终用一个标量来表示几十甚至上百波段光谱向量间的相似性，有着如下几点局限性：SAM中全部光谱都参与运算，大部分次要光谱的相似性会压制少数特征光谱之间的差异而造成SAM最终输出结果整体偏小，给后续的分类以及类间阈值的设定带来困难；SAM对每个光谱的加性因子敏感，这会给最终的输出带来不确定性；SAM无法分辨两个光谱向量间的正负相关，这使得相对于某一参考光谱，不同的光谱可能得到相同的角度值，最终造成误分、虚警率过高等现象。目前针对SAM内在的缺陷，一些改进的算法相继出现，BAO-SAM(Band add-on SAM)对光谱向量中的分量进行选择，用产生最大光谱角的分量代表整个光谱，增大了光谱间和类间的可分性；SCM(Spectral Correlation Mapper)和RAF-SAM(Removed Additive Factor SAM)都考虑了SAM对加性因子敏感的特点，前者用光谱向量减去均值向量，后者寻找产生最大光谱角的加性因子，两种算法在一定程度上都降低了虚警率；KSAC(Kernel SpectralAngel Cosine)和NSAM(Nonlinear SAM)通过核函数将光谱向量非线性映射到高维特征空间再求光谱角，可以增大角度值，从而达到增大分类阈值可选择范围的效果。

上述改进算法均能在一定程度上优化SMA算法的性能，同时也各有不足，BAO-SAM选取的波段子集，未必是表征整个光谱的最佳子集；而SCM和RAF-SAM在一定程度上改变了光谱数值，破坏了光谱与实际地物的对应关系；KSAC和NSAM通过非线性映射放大了光谱角度值，同时也放大了负相关的影响。

所谓SAM算法中的负相关，指用光谱向量夹角表征全光谱相似度时，因最终角度值和每一波段的光谱数值呈非线性相关，而由此造成的不同光谱产生同一角度值的现象。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种用于高光谱遥感图像逐波段修正负相关的光谱角填图方法，针对传统SAM算法负相关造成的光谱相似性误判问题，对SAM公式进行分析，将SAM求出的光谱角作为原始光谱角，给出公式逐波段展开形式，并根据每一波段对光谱角造成的影响判断该波段是否为负相关，然后对造成负相关的波段加以修正，最终达到去除负相关的效果。本发明提出的MNC-SAM可以有效地分离传统SAM算法错误等同的光谱向量，较之SAM算法，是更精确的光谱相似性度量手段，是后续分类、目标识别的基础。

技术方案