高光谱遥感影像的光谱匹配算法研究概要文档格式.docx
- 文档编号:13759381
- 上传时间:2022-10-13
- 格式:DOCX
- 页数:7
- 大小:923.70KB
高光谱遥感影像的光谱匹配算法研究概要文档格式.docx
《高光谱遥感影像的光谱匹配算法研究概要文档格式.docx》由会员分享,可在线阅读,更多相关《高光谱遥感影像的光谱匹配算法研究概要文档格式.docx(7页珍藏版)》请在冰豆网上搜索。
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VisualC++平台实现了最小距离匹配,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:
TP751
TheStudyontheSpectralMatchingTechniqueof
hyperspectralromotesensing
CaiYan1,MeiLing2
(1.SchoolOfEnvironmentScienceandSpatialInformaticsChinaUniversityofMiningand
Technology,JiangSuXuZhou221008;
2.JiangSuGeologicalProspectingTeamFour,NanJing210046
Abstract:
Inthehyperspectralimageprocessing,thespectralmatchtechniqueisoneofkeytechniquestoidentifyandclassifymaterialsintheimage.Thispaperaddressessomeissuesofspectralmatchingmethods.Severalalgorithmsareanalyzedandcompared,suchasminimumdistancematching,spectralanglemappingandquad-encoding.Accordingtothepriorknowledge,standardspectrallibraryincludingtypicalland-covertypesisbuilt,whichisstoredandusedforspectralmatching.AllofworkisdoneintheprogrammingenvironmentofVisualC++.Finally,theexperimentalresultsaretestedandcomparedwhenclassificationaccuraciesarecomputedbasedonconfusionmatrixes.
Keywords:
hyperspectral;
spectralmatch;
minimumdistancematching;
spectralanglemapping;
quad-encoding
0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((⎥⎦⎤⎢⎣⎡−=∑=njijijkiMxxd
其中,i为标准光谱中地物类别数,n为总波段数,ijM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((kikmxdxd=(i=1,2,…c;
c为光谱库中的地物类别数),且(kmxd不超过一定的阈值,则待匹配的地物kx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(SpectralAngleMatch,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it与一个参考光谱ir的相似性:
⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡=∑∑∑===−−bbbniniiniiiirtrt12/1122/1121
((/cosα
式中bn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(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bn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,
⎩
⎨⎧==1nh0nh)()(TnxTnx>
≤((…=,,21nN式中:
(nx——像元第n通道的亮度值;
)
(nh——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,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.1Hyperspectralremotesensingimageryandtrainingsamples
图2各种地物的光谱曲线图
Fig.2spectracurvesoffeatures
2.2实验流程
本文紧紧围绕光谱匹配的算法展开,基于MicrosoftVisualC++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.flowchartofSpectralMatching
2.3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.4theresultsof
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 光谱 遥感 影像 匹配 算法 研究 概要