高光谱遥感影像的光谱匹配算法研究_图文

1、中国科技论文在线高光谱遥感影像的光谱匹配算法研究蔡燕1，梅玲2作者简介：蔡燕，（1984-），女，硕士研究生，主要研究方向：高光谱遥感通信联系人：梅玲，（1984-），女，助理工程师，主要研究方向：水文地质. E-mail: meilingcumt（1. 中国矿业大学环境与测绘学院，江苏 徐州 221008；2. 江苏煤炭地质勘探四队，南京 210046）摘要：在高光谱遥感影像处理中，光谱匹配技术是高光谱地物识别的关键技术之一。本文主要围绕光谱匹配算法的研究展开，分析讨论了常用的几种光谱匹配技术的特点，根据先验知识建立了多种地物标准光谱库，并将其读入程序存储，基于Visual C+平台实现了最

2、小距离匹配，光谱角度匹配，四值编码匹配法，最后基于混淆矩阵对分类图像进行精度比较分析并对三种编码匹配法进行比较。关键词：高光谱；光谱匹配；最小距离匹配；光谱角度匹配；四值编码中图分类号：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 引言高光谱遥感技术的发展和广泛应用是20世纪最具有标志性的科学技术成就

6、之一，与传统的多光谱遥感技术相比，高光谱分辨率遥感的核心特点是图谱合一，即能获取目标的连续窄波段的图像数据1。高光谱遥感信息的分析处理集中于光谱维上进行图像信息的展开和定量分析。高光谱影像分类与地物识别是建立在传统的遥感图像分类算法基础之上，结合高光谱数据特点，对高光谱图像数据进行目标识别，是对遥感图像基本分类方法的扩展与延伸。高光谱遥感影像有着很高的光谱分辨率，且光谱通道连续，因此对于影像中的任一像元均能获取一条平滑而完整的光谱曲线，将其与地物波谱库中的光谱曲线进行匹配运算，实现地物识别与定量反演2-4。光谱匹配技术是成像光谱地物识别的关键技术之一，主要通过对地物光谱与参考光谱的匹配或地物光

7、谱与数据库的比较，求算他们之间的相似性或差异性，突出特征谱段，有小提取光谱维信息，以便对地物特征进行详细分析5。本文紧紧围绕光谱匹配的算法分析了最小距离法，光谱角度匹配法，以及四值编码法，进行精度分析与方法比较。1 光谱匹配算法简介1.1 最小距离匹配法 基于光谱间的最小距离匹配算法与最小距离分类法几乎一致，只是最小距离匹配基于样本数据，将未知光谱和参考光谱数值之间距离进行计算，再根据最小二乘法进行分类匹配。光谱间的距离可以是欧氏距离、马氏距离和巴氏距离等。最小距离匹配的算法流程如下：1. 在标准光谱数据中选择一种地物一般以第一种开始；2. 计算该标准地物与待匹配的像元的距离（图像中的第一波段

8、第一行），首先进行波段之间的循环，将待匹配像元的50个波段值分别和标准地物进行距离计算；3. 以欧式算法进行程序的实现，再进行样本循环，计算其它标准地物与待匹配像元之间的距离2/112 ( (=n j ij ij k i M x x d其中，i 为标准光谱中地物类别数，n 为总波段数，ij M 为光谱库中第I 种地物在j 波段的反射率，重复（2）的做法；4. 程序中我们采用逐行扫描，此时我们将第一种标准地物与下一个像元进行匹配计算，重复（2）和（3）；5. 假设min ( (k i k m x d x d =（i=1，2，c ；c 为光谱库中的地物类别数），且 (k m x d 不超过一定的阈

9、值，则待匹配的地物k x 属于标准光谱中的第m 种地物。1.2 光谱角度匹配法光谱角度匹配(Spectral Angle Match, SAM 方法是把光谱看作多维矢量，通过计算一个测量光谱(像元光谱 于一个参考光谱之间的“角度”来确定他们两者之间的相似性。 SAM 通过下式确定测试光谱i t 与一个参考光谱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 等于波段数。这种两个光谱之间相似性度量并不受增益因素影像，因为两个向量之间的角度不受向量本身长度的影像2。这一点在光谱分类上可以减弱地形对照度的影响（

10、它们的影响反映在同一方向直线的不同位置上）。结果，实验室光谱可以直接用来与遥感图像的反射率光谱比较而达到光谱识别的目的。光谱角匹配的算法流程如下：1. 在标准光谱数据中选择一种地物从第一种开始；2. 首先是进行波段循环，将b n 个波段的灰度值作为一个多维矢量，将标准地物的光谱数据与待匹配的地物进行光谱向量的角度余弦值计算；3. 在进行样本循环，计算其他标准样本数据与该带匹配像元的光谱向量余弦值；4. 余弦值越大，表明向量角度越小，越匹配，并将该像元归于余弦值最大的一类；5. 将下一地物依次与各标准地物光谱向量进行角度余弦计算，重复上述（2）（3）（4）步骤；6. 完成最终结果。 1.3 最小

11、距离匹配法为了在光谱库中对特定目标进行快速查找和匹配，Goetz 提出了光谱二值编码方法，=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 通道的编码； T 选定的门限值，一般选为光谱平均亮度；N 总的波段数。这样每个像元灰度值变为1bit ，像元的光谱变为一个与波段数长度相同的编码序列。然而有时这种编码不能提供合理的光谱可分性，也不能保证测量光谱和数据库里的光谱相匹配，一种改进的算法就是多值编码，文中采用了四值编码 6,7。四值编码的算法流程如下：1. 对已知地物类别的光谱辐射值取平均值，

12、得到阈值T ；2. 根据阈值T 将光谱辐射值划分为两个区间Xmin ,T、T , Xmax；3. 根据划分的两个区间重复（1）（2）步骤。得到四个区间Xmin, TL、TL,T和T,TR、TR, Xmax；4. 形成的四个区间分别用0，1，2，3表示；5. 用同样的方法对待判定像元光谱曲线进行四值编码；6. 使用异或方法，进行待判定光谱和已知光谱匹配（异或操作用于检查两个数是否有差别，有则为1，无则为0）；7. 最后比较相等的个数，将待分类像元分到波段数目相似性最多的类别中。 2 实验与分析2.1 实验数据本论文采用美国内华达州的Cuprite 地区的遥感影像数据, 该地区是赤铜矿地区，数据来

13、源于ENVI 遥感软件自带的遥感影像库。参考光谱数据的选取主要依据两个网站提供的关于Cuprite 地区的分类结果图：（1）网站中国 科技论文在线图1 高光谱遥感影像与训练样本的选取Fig.1 Hyperspectral remote sensing imagery and training samples 图2 各种地物的光谱曲线图Fig.2 spectra curves of features2.2 实验流程本文紧紧围绕光谱匹配的算法展开，基于Microsoft Visual C+平台读入，显示，输出了高光谱遥感影像，分析了最小距离匹配法，光谱角度匹配法，以及四值编码法并，进行精度分析与方

14、法比较。实验流程图如图3所示：中国科技论文在线 图3. 光谱匹配流程图Fig3. flow chart of Spectral Matching2.3 实验结果与分析经过最小距离匹配法，光谱角度匹配以及四值编码法实验后的高光谱遥感影像分别如图4中（a ），(b，(c所示，混淆矩阵如表1，表2和表3。论文中的所有精度分析基于同一个测试样本来计算混淆矩阵。并且所选的测试样本与训练样本是无重复的，第一类钠明矾石共选取137像元。第二类方解石共选取98个像元，第三类高岭石共选取60个像元，第四类钾明矾石共选取70个像元，第五类红色代表未改变得136个像元，第六类青绿色代表其它矿石共选取80个像元，通过

15、混淆矩阵计算得出最小距离匹配后的分类图的总分类精度为83.6489%，Kappa 系数为0.7989；光谱角度匹配的总分类精度为83.3046%，Kappa 系数为0.79414；四值编码排序的总分类精度为72.6334%，Kappa 系数为0.6730。 (a 最小距离匹配的结果图 (b 光谱角度匹配后的结果图保存匹配影像匹配模型评价精度分析中国科技论文在线 (c 四值编码匹配后的结果图 图 4 匹配后的结果图 Fig.4 the results of the image after e matching 表 1 最小距离匹配后的混淆矩阵 Tab.1 Confusion Matrix aft

16、er minimum distance matching 地面参考数据 钠明矾石 方解石 高岭石 钾明矾石 未改变得 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 光谱角度匹配后的混淆矩阵 Tab.2 Confusion Matrix after spectra angle matching 地面参考数据 方解石 高岭石 钾明矾石 未改变得 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 四值编码匹配后的混淆矩阵 Tab.3 Co

17、nfusion Matrix after quad-encoding 地面参考数据 方解石 高岭石 钾明矾石 0 6 0 98 0 2 0 54 0 0 0 67 0 0 0 0 0 1 分类结果 钠明矾石 方解石 高岭石 钾明矾石 未改变得 其他 其他 0 0 0 3 2 78 分类结果 钠明矾石 方解石 高岭石 钾明矾石 未改变得 其他 钠明矾石 128 0 0 9 0 0 其他 0 3 0 7 58 12 分类结果 钠明矾石 方解石 高岭石 钾明矾石 未改变得 其他 钠明矾石 135 0 2 0 0 0 未改变得 5 6 0 4 0 121 其他 1 8 0 3 0 68 根据以上几种匹

18、配方法得出的分类图以及精度表我们可以粗略看出四值编码匹配的精 度是最低的，因为它是一个粗略的匹配方法，但是它相对于二值编码匹配要效果好得多，此 方法虽然会丢失很多细节光谱信息， 但是能满足我们粗略识别地物光谱的需求。 最小距离匹 配对噪声比较敏感， 去除噪声之后的精度会提高很多， 此方法虽然还会受到光照或者其它的 影像，使得波形发生平移，但是在此次试验中精度还是比较高的。光谱角度匹配法是一种比 -6- 中国科技论文在线 较理想的方法能克服很多缺陷，只跟光谱在形状上的相似程度有关。 3 结论与展望 本文针对高光谱数据的特点通过 VC 程序实现了三种光谱匹配算法， 并对它们的匹配精 度进行了比较，分析了他们各自的优缺点。 对于一幅高光谱图像， 应该如何针对不同的应用选择不同的光谱匹配技术， 以及能否发 展更为完善的光谱匹配算法并且能加强光谱数据库的分析功能， 使得光谱数据库中集成已经 成熟的模型和算法技术仍然值得探讨。 参考文献 (References 1 中国科学院:白继伟.基于高光谱数据库的光谱匹配技术研究D, 2002. 2 武汉大学:李新双.光谱数据库的设计及光谱匹配技术研究D.，2005.