高光譜遙感影像的光譜匹配算法研究_圖文

1、中國(guó)科技論文在線高光譜遙感影像的光譜匹配算法研究蔡燕1，梅玲2作者簡(jiǎn)介：蔡燕，（1984-），女，碩士研究生，主要研究方向：高光譜遙感通信聯(lián)系人：梅玲，（1984-），女，助理工程師，主要研究方向：水文地質(zhì). E-mail: meilingcumt（1. 中國(guó)礦業(yè)大學(xué)環(huán)境與測(cè)繪學(xué)院，江蘇 徐州 221008；2. 江蘇煤炭地質(zhì)勘探四隊(duì)，南京 210046）摘要：在高光譜遙感影像處理中，光譜匹配技術(shù)是高光譜地物識(shí)別的關(guān)鍵技術(shù)之一。本文主要圍繞光譜匹配算法的研究展開(kāi)，分析討論了常用的幾種光譜匹配技術(shù)的特點(diǎn)，根據(jù)先驗(yàn)知識(shí)建立了多種地物標(biāo)準(zhǔn)光譜庫(kù)，并將其讀入程序存儲(chǔ)，基于Visual C+平臺(tái)實(shí)現(xiàn)了最

2、小距離匹配，光譜角度匹配，四值編碼匹配法，最后基于混淆矩陣對(duì)分類(lèi)圖像進(jìn)行精度比較分析并對(duì)三種編碼匹配法進(jìn)行比較。關(guān)鍵詞：高光譜；光譜匹配；最小距離匹配；光譜角度匹配；四值編碼中圖分類(lèi)號(hào)：TP751The Study on the Spectral Matching Technique ofhyperspectral romote sensingCai Yan1, Mei Ling2(1. School Of Environment Science and Spatial Informatics China University of Mining andTechnology, JiangSu

3、XuZhou 221008;2. JiangSu Geological Prospecting Team Four, NanJing 210046Abstract: In the hyperspectral image processing, the spectral match technique is one of key techniques to identify and classify materials in the image. This paper addresses some issues of spectral matching methods. Several algo

4、rithms are analyzed and compared, such as minimum distance matching, spectral angle mapping and quad-encoding. According to the prior knowledge, standard spectral library including typical land-cover types is built, which is stored and used for spectral matching. All of work is done in the programmi

5、ng environment of Visual C+. Finally, the experimental results are tested and compared when classification accuracies are computed based on confusion matrixes.Keywords:hyperspectral; spectral match; minimum distance matching; spectral angle mapping; quad-encoding0 引言高光譜遙感技術(shù)的發(fā)展和廣泛應(yīng)用是20世紀(jì)最具有標(biāo)志性的科學(xué)技術(shù)成就

6、之一，與傳統(tǒng)的多光譜遙感技術(shù)相比，高光譜分辨率遙感的核心特點(diǎn)是圖譜合一，即能獲取目標(biāo)的連續(xù)窄波段的圖像數(shù)據(jù)1。高光譜遙感信息的分析處理集中于光譜維上進(jìn)行圖像信息的展開(kāi)和定量分析。高光譜影像分類(lèi)與地物識(shí)別是建立在傳統(tǒng)的遙感圖像分類(lèi)算法基礎(chǔ)之上，結(jié)合高光譜數(shù)據(jù)特點(diǎn)，對(duì)高光譜圖像數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別，是對(duì)遙感圖像基本分類(lèi)方法的擴(kuò)展與延伸。高光譜遙感影像有著很高的光譜分辨率，且光譜通道連續(xù)，因此對(duì)于影像中的任一像元均能獲取一條平滑而完整的光譜曲線，將其與地物波譜庫(kù)中的光譜曲線進(jìn)行匹配運(yùn)算，實(shí)現(xiàn)地物識(shí)別與定量反演2-4。光譜匹配技術(shù)是成像光譜地物識(shí)別的關(guān)鍵技術(shù)之一，主要通過(guò)對(duì)地物光譜與參考光譜的匹配或地物光

7、譜與數(shù)據(jù)庫(kù)的比較，求算他們之間的相似性或差異性，突出特征譜段，有小提取光譜維信息，以便對(duì)地物特征進(jìn)行詳細(xì)分析5。本文緊緊圍繞光譜匹配的算法分析了最小距離法，光譜角度匹配法，以及四值編碼法，進(jìn)行精度分析與方法比較。1 光譜匹配算法簡(jiǎn)介1.1 最小距離匹配法 基于光譜間的最小距離匹配算法與最小距離分類(lèi)法幾乎一致，只是最小距離匹配基于樣本數(shù)據(jù)，將未知光譜和參考光譜數(shù)值之間距離進(jìn)行計(jì)算，再根據(jù)最小二乘法進(jìn)行分類(lèi)匹配。光譜間的距離可以是歐氏距離、馬氏距離和巴氏距離等。最小距離匹配的算法流程如下：1. 在標(biāo)準(zhǔn)光譜數(shù)據(jù)中選擇一種地物一般以第一種開(kāi)始；2. 計(jì)算該標(biāo)準(zhǔn)地物與待匹配的像元的距離（圖像中的第一波段

8、第一行），首先進(jìn)行波段之間的循環(huán)，將待匹配像元的50個(gè)波段值分別和標(biāo)準(zhǔn)地物進(jìn)行距離計(jì)算；3. 以歐式算法進(jìn)行程序的實(shí)現(xiàn)，再進(jìn)行樣本循環(huán)，計(jì)算其它標(biāo)準(zhǔn)地物與待匹配像元之間的距離2/112 ( (=n j ij ij k i M x x d其中，i 為標(biāo)準(zhǔn)光譜中地物類(lèi)別數(shù)，n 為總波段數(shù)，ij M 為光譜庫(kù)中第I 種地物在j 波段的反射率，重復(fù)（2）的做法；4. 程序中我們采用逐行掃描，此時(shí)我們將第一種標(biāo)準(zhǔn)地物與下一個(gè)像元進(jìn)行匹配計(jì)算，重復(fù)（2）和（3）；5. 假設(shè)min ( (k i k m x d x d =（i=1，2，c ；c 為光譜庫(kù)中的地物類(lèi)別數(shù)），且 (k m x d 不超過(guò)一定的閾

9、值，則待匹配的地物k x 屬于標(biāo)準(zhǔn)光譜中的第m 種地物。1.2 光譜角度匹配法光譜角度匹配(Spectral Angle Match, SAM 方法是把光譜看作多維矢量，通過(guò)計(jì)算一個(gè)測(cè)量光譜(像元光譜 于一個(gè)參考光譜之間的“角度”來(lái)確定他們兩者之間的相似性。 SAM 通過(guò)下式確定測(cè)試光譜i t 與一個(gè)參考光譜i r 的相似性：=b b b n i n i i n i i i i r t r t 12/1122/1121( (/cos 式中b n 等于波段數(shù)。這種兩個(gè)光譜之間相似性度量并不受增益因素影像，因?yàn)閮蓚€(gè)向量之間的角度不受向量本身長(zhǎng)度的影像2。這一點(diǎn)在光譜分類(lèi)上可以減弱地形對(duì)照度的影響（

10、它們的影響反映在同一方向直線的不同位置上）。結(jié)果，實(shí)驗(yàn)室光譜可以直接用來(lái)與遙感圖像的反射率光譜比較而達(dá)到光譜識(shí)別的目的。光譜角匹配的算法流程如下：1. 在標(biāo)準(zhǔn)光譜數(shù)據(jù)中選擇一種地物從第一種開(kāi)始；2. 首先是進(jìn)行波段循環(huán)，將b n 個(gè)波段的灰度值作為一個(gè)多維矢量，將標(biāo)準(zhǔn)地物的光譜數(shù)據(jù)與待匹配的地物進(jìn)行光譜向量的角度余弦值計(jì)算；3. 在進(jìn)行樣本循環(huán)，計(jì)算其他標(biāo)準(zhǔn)樣本數(shù)據(jù)與該帶匹配像元的光譜向量余弦值；4. 余弦值越大，表明向量角度越小，越匹配，并將該像元?dú)w于余弦值最大的一類(lèi)；5. 將下一地物依次與各標(biāo)準(zhǔn)地物光譜向量進(jìn)行角度余弦計(jì)算，重復(fù)上述（2）（3）（4）步驟；6. 完成最終結(jié)果。 1.3 最小

11、距離匹配法為了在光譜庫(kù)中對(duì)特定目標(biāo)進(jìn)行快速查找和匹配，Goetz 提出了光譜二值編碼方法，=1n h 0n h ）（）（ T n x T n x > ( ( =，21n N 式中： (n x 像元第n 通道的亮度值；）（n h 像元第n 通道的編碼； T 選定的門(mén)限值，一般選為光譜平均亮度；N 總的波段數(shù)。這樣每個(gè)像元灰度值變?yōu)?bit ，像元的光譜變?yōu)橐粋€(gè)與波段數(shù)長(zhǎng)度相同的編碼序列。然而有時(shí)這種編碼不能提供合理的光譜可分性，也不能保證測(cè)量光譜和數(shù)據(jù)庫(kù)里的光譜相匹配，一種改進(jìn)的算法就是多值編碼，文中采用了四值編碼 6,7。四值編碼的算法流程如下：1. 對(duì)已知地物類(lèi)別的光譜輻射值取平均值，

12、得到閾值T ；2. 根據(jù)閾值T 將光譜輻射值劃分為兩個(gè)區(qū)間Xmin ,T、T , Xmax；3. 根據(jù)劃分的兩個(gè)區(qū)間重復(fù)（1）（2）步驟。得到四個(gè)區(qū)間Xmin, TL、TL,T和T,TR、TR, Xmax；4. 形成的四個(gè)區(qū)間分別用0，1，2，3表示；5. 用同樣的方法對(duì)待判定像元光譜曲線進(jìn)行四值編碼；6. 使用異或方法，進(jìn)行待判定光譜和已知光譜匹配（異或操作用于檢查兩個(gè)數(shù)是否有差別，有則為1，無(wú)則為0）；7. 最后比較相等的個(gè)數(shù)，將待分類(lèi)像元分到波段數(shù)目相似性最多的類(lèi)別中。 2 實(shí)驗(yàn)與分析2.1 實(shí)驗(yàn)數(shù)據(jù)本論文采用美國(guó)內(nèi)華達(dá)州的Cuprite 地區(qū)的遙感影像數(shù)據(jù), 該地區(qū)是赤銅礦地區(qū)，數(shù)據(jù)來(lái)

13、源于ENVI 遙感軟件自帶的遙感影像庫(kù)。參考光譜數(shù)據(jù)的選取主要依據(jù)兩個(gè)網(wǎng)站提供的關(guān)于Cuprite 地區(qū)的分類(lèi)結(jié)果圖：（1）網(wǎng)站中國(guó) 科技論文在線圖1 高光譜遙感影像與訓(xùn)練樣本的選取Fig.1 Hyperspectral remote sensing imagery and training samples 圖2 各種地物的光譜曲線圖Fig.2 spectra curves of features2.2 實(shí)驗(yàn)流程本文緊緊圍繞光譜匹配的算法展開(kāi)，基于Microsoft Visual C+平臺(tái)讀入，顯示，輸出了高光譜遙感影像，分析了最小距離匹配法，光譜角度匹配法，以及四值編碼法并，進(jìn)行精度分析與方

14、法比較。實(shí)驗(yàn)流程圖如圖3所示：中國(guó)科技論文在線 圖3. 光譜匹配流程圖Fig3. flow chart of Spectral Matching2.3 實(shí)驗(yàn)結(jié)果與分析經(jīng)過(guò)最小距離匹配法，光譜角度匹配以及四值編碼法實(shí)驗(yàn)后的高光譜遙感影像分別如圖4中（a ），(b，(c所示，混淆矩陣如表1，表2和表3。論文中的所有精度分析基于同一個(gè)測(cè)試樣本來(lái)計(jì)算混淆矩陣。并且所選的測(cè)試樣本與訓(xùn)練樣本是無(wú)重復(fù)的，第一類(lèi)鈉明礬石共選取137像元。第二類(lèi)方解石共選取98個(gè)像元，第三類(lèi)高嶺石共選取60個(gè)像元，第四類(lèi)鉀明礬石共選取70個(gè)像元，第五類(lèi)紅色代表未改變得136個(gè)像元，第六類(lèi)青綠色代表其它礦石共選取80個(gè)像元，通過(guò)

15、混淆矩陣計(jì)算得出最小距離匹配后的分類(lèi)圖的總分類(lèi)精度為83.6489%，Kappa 系數(shù)為0.7989；光譜角度匹配的總分類(lèi)精度為83.3046%，Kappa 系數(shù)為0.79414；四值編碼排序的總分類(lèi)精度為72.6334%，Kappa 系數(shù)為0.6730。 (a 最小距離匹配的結(jié)果圖 (b 光譜角度匹配后的結(jié)果圖保存匹配影像匹配模型評(píng)價(jià)精度分析中國(guó)科技論文在線 (c 四值編碼匹配后的結(jié)果圖 圖 4 匹配后的結(jié)果圖 Fig.4 the results of the image after e matching 表 1 最小距離匹配后的混淆矩陣 Tab.1 Confusion Matrix aft

16、er minimum distance matching 地面參考數(shù)據(jù) 鈉明礬石 方解石 高嶺石 鉀明礬石 未改變得 137 31 6 0 9 0 48 0 0 28 0 1 54 0 0 0 0 0 70 0 0 18 0 0 99 0 0 0 0 0 表 2 光譜角度匹配后的混淆矩陣 Tab.2 Confusion Matrix after spectra angle matching 地面參考數(shù)據(jù) 方解石 高嶺石 鉀明礬石 未改變得 0 0 0 0 88 0 0 0 0 60 0 0 1 0 67 0 0 0 0 129 9 0 3 7 表 3 四值編碼匹配后的混淆矩陣 Tab.3 Co

17、nfusion Matrix after quad-encoding 地面參考數(shù)據(jù) 方解石 高嶺石 鉀明礬石 0 6 0 98 0 2 0 54 0 0 0 67 0 0 0 0 0 1 分類(lèi)結(jié)果 鈉明礬石 方解石 高嶺石 鉀明礬石 未改變得 其他 其他 0 0 0 3 2 78 分類(lèi)結(jié)果 鈉明礬石 方解石 高嶺石 鉀明礬石 未改變得 其他 鈉明礬石 128 0 0 9 0 0 其他 0 3 0 7 58 12 分類(lèi)結(jié)果 鈉明礬石 方解石 高嶺石 鉀明礬石 未改變得 其他 鈉明礬石 135 0 2 0 0 0 未改變得 5 6 0 4 0 121 其他 1 8 0 3 0 68 根據(jù)以上幾種匹

18、配方法得出的分類(lèi)圖以及精度表我們可以粗略看出四值編碼匹配的精 度是最低的，因?yàn)樗且粋€(gè)粗略的匹配方法，但是它相對(duì)于二值編碼匹配要效果好得多，此 方法雖然會(huì)丟失很多細(xì)節(jié)光譜信息， 但是能滿(mǎn)足我們粗略識(shí)別地物光譜的需求。 最小距離匹 配對(duì)噪聲比較敏感， 去除噪聲之后的精度會(huì)提高很多， 此方法雖然還會(huì)受到光照或者其它的 影像，使得波形發(fā)生平移，但是在此次試驗(yàn)中精度還是比較高的。光譜角度匹配法是一種比 -6- 中國(guó)科技論文在線 較理想的方法能克服很多缺陷，只跟光譜在形狀上的相似程度有關(guān)。 3 結(jié)論與展望 本文針對(duì)高光譜數(shù)據(jù)的特點(diǎn)通過(guò) VC 程序?qū)崿F(xiàn)了三種光譜匹配算法， 并對(duì)它們的匹配精 度進(jìn)行了比較，分析了他們各自的優(yōu)缺點(diǎn)。 對(duì)于一幅高光譜圖像， 應(yīng)該如何針對(duì)不同的應(yīng)用選擇不同的光譜匹配技術(shù)， 以及能否發(fā) 展更為完善的光譜匹配算法并且能加強(qiáng)光譜數(shù)據(jù)庫(kù)的分析功能， 使得光譜數(shù)據(jù)庫(kù)中集成已經(jīng) 成熟的模型和算法技術(shù)仍然值得探討。 參考文獻(xiàn) (References 1 中國(guó)科學(xué)院:白繼偉.基于高光譜數(shù)據(jù)庫(kù)的光譜匹配技術(shù)研究D, 2002. 2 武漢大學(xué):李新雙.光譜數(shù)據(jù)庫(kù)的設(shè)計(jì)及光譜匹配技術(shù)研究D.，2005.