（地图学与地理信息系统专业论文）高光谱遥感图像目标探测与分类技术研究.pdf

摘要 摘要 高光谱遥感图象目标探测与分类技术是高光谱遥感理论与应用研究的重要 环节。本文从光谱的表达方式、无监督聚类方式、样本分布概率、高光谱图象在 特征空间的几何结构以及在图象空间的连续性入手在特征提取、无监督分类、端 元提取、线性解混、目标探测、异常探测等方面得到了如下结论： 1 提出了一种基于光谱重排的特征提取方法。理论及实践证明，任何两种不同地 物的光谱通过光谱重排之后，总有显著的相对特征出现。这对具有相似波形不 同地物的特征提取乃至进一步的分析与处理无疑大有裨益。 2 提出了空间连续性的概念及其定量描述并将其成功的应用于图象分类、光谱优 化、去冗余以及端元提取的实时处理。 3 提出了一种基于万有引力的非监督自组织聚类算法。把需要分类的特征空间中 的各个样本比做宇宙中的星球，在其间的万有引力作用下产生运动，最后所形 成的各个大的星系即对应着我们所需要的分类结果 4 提出了两种自动提取图象端元的算法。根据高光谱图象在其特征空间中的单形 体结构，引入了高维解析几何及施密特正交化，提出了最大距离自动提取端元 的算法；引入了一种新的与数据维数无关的求取高维单形体体积的公式，将其 应用于端元的自动提取，克服了n - f i n d r 算法受数据维数限制的固有缺陷；并 提出了端元结构函数的概念，使得端元的重要性取决于它对单形体结构的影响 而不是其在图象中信息量的多少。这对小目标提取显然有着重大的意义。 5 提出了基于端元投影向量的目标提取算法。利用施密特正交化过程由图象中 的每个端元均可以向别的所有端元构成的超平面做一垂线，在此垂线上的投影 即可得到在不考虑信息量的基础上此端元为前景、别的端元为背景的最大区分 效果。而以此垂线指向为方向的单位向量我们称之为端元投影向量。 6 提出了一种基于单形体结构本质属性的几何定理并将其应用于线性解混。把图 象中任何一个混合象元内部各个端元所占的比例归结为一个简单的体积比，并 且给出了证明。无论从理论上，还是在应用上，此结论都有着重要的意义。 7 提出了加权相关矩阵( 协方差矩阵) 的思想。小目标探测与异常目标探测都是 根据图象的统计特性从信息量分布的角度对图象中低概率目标进行探测与分 摘要 析。本文提出了样本加权相关矩阵( 协方差矩阵) 的思想，不但一定程度上克 服了c e m 算法只能提取小目标而且虚警率相对较高的缺点，而且还能够提取大 目标。 8 提出了一种压制异常且抑制背景的小目标与异常目标探测算法。普通的小目标 与异常目标提取算法一般都是通过压制图象背景信息而实现对目标的探测的， 而没有考虑别的小目标与异常象元对探测结果的影响，因而可能会造成较高的 虚警率，本文提出的基于正交子空间投影的压制异常且抑制背景的算法很好得 克服了这一缺陷。 9 提出了图象白化距离探测小目标与异常目标的算法。当图象在异常象元与图象 均值向量的连线方向上有较大方差时，r x 异常探测算子无法提取出此异常象 元。本文提出的基于图象白化距离的异常目标探测算法很好得解决了这一问 题，其原理如下：原始高光谱图象经过白化处理之后，在特征空问中将由原始 的单形体结构向“球状”结构过渡，而此时异常象元却处于此“球体”之外， 因而可以直接根据距“球心”的距离来进行异常探测。实践中，由于r x d 与基 于图象白化距离的异常提取算法有不同的控制范围，因而可以同时使用，以防 有所遗漏。 关键字：高光谱遥感光谱重排空间连续性万有引力端元端元投影向量 端元结构函数单形体线性混合模型光谱解混施密特正交化目 标探测白化 摘要 t a r g e td e t e c t i o na n dc l a s s i f i c a t i o nf o rh y p e r s p e c t r a l i m a g e r y a b s t r a c t t a r g e td e t e c t i o na n dc l a s s i f i c a t i o ni so n eo f p r i m a r yt a s k so f h y p e r s p e c t r a li m a g i n g i n t e r m so ft h em e t h o do fs p e c t r a le x p r e s s i o n ，t h es t y l eo fu n s u p e r v i s e dc l u s t e r , p r o b a b i i i t yi nt h ed a t a , t h eg e o m e t r i c a lc o n s t r u c t i o no fh y p e r s p e c t r a li m a g i n gi nt h e b a n ds p a c ea n dt h ei t sc o n t i n u i t yi nt h ei m a g es p a c e ，t h ed i s s e r t a t i o nd r a w ss o m e c o n c l u s i o no nf e a t u r ee x t r a c t i o n ，u n s u p e r v i s e dc l a s s i f i c a t i o n ，e n d m e m b e rs e l e c t i o n ， l i n e a ru n m i x i n g ，t a r g e td e t e c t i o na n da n o m a l yd e t e c t i o na sf o l l o w s ： 1 am e t h o df o rs 1 ) e c t r a lf e a t u r ee x t r a c t i o nw a sd e v e l o p e db a s e do us p e c t r a l r e c o m p o s i t i o n b ya r r 蛐g i n gt h es p e c t r ab yt h es o r to f t h e i rr e f l e c t a n c eo rd n t h e s p e c t r a lc n r v e st h a ta o r i g i n a l l yd i 街c u l tt ob ee x t r a c t e df e a t u r e sf r o mw i l l u s u a l l yp r o d u c es o m eo b v i o u sf e a t u r e s i ti sh e l p f u lt of e a t u r ee x t r a c t i o na n d f a t h e ra n a l y s i sa n dp r o c e s s 2 t h ec o n c e p to fs p a t i a lc o n t i n u i t yw a sp r o p o s e da n ds u c c e s s f u l l ya p p l i e dt oi m a g e c l a s s i f i c a t i o n ,s p e c t r a l o p t i m i z a t i o n ,r e d u n d a n c y r e d u c t i o na n dr e a l - t i m e e n d m e m b e rd e t e r m i n a t i o n 3 ，au n s u p e r v i s e dc l a s s i f i c a t i o nm e t h o dw a sp r o p o s e db a s e do nu n i v e r s a lg r a v i t a t i o n e a c hp i x e lt h a tw a st a k e na sas t a ri nt h eu n i v e r s ew o u l dm o v ew i t l lt h eg r a v i t a t i o n o fa l lt h eo t h e rp i x e l s t h el a s tf o r m e dg a l a x yi sc o r r e s p o n d i n gt ot h er e s u l to f c l a s s i f i c a t i o n 4 t w o a p p r o a c h e s o fa u t o n o m o u s s p e c i a le n d m e m b e r d e t e r m i n a t i o nw e r e d e v e l o p e d b a s e do nt h ec o n v e xu a t u r eo fh y p e r s p e c t r a ld a t ai ni t sc h a r a c t e r i s t i e s p a c e ，g r a m - s c h m i d to r t h o n o r m a l i z a t i o np r o c e s s ，h i g hd i m e n s i o n a la n a l y t i c g e o m e t r ya n dd i s t a n c eb e t w e e np i x e l sw e r ei n t r o d u c et of i n dau n i q u es e to f p u r e s t p i x e l si na ni m a g e ；an e wv o l u m ef o r m u l ao fs i m p l e xw h i c hw a si n d e p e n d e n to f d i m e n s i o no f t h ed a t aw a si n t r o d u e e dt of i n da l lt h ee n d m e m b e r sw h i c ha r el a r g e r t h a na n yo t h e rv o l u m ef o r m e df r o ma n yo t h e rc o m b i n a t i o no fp i x e l s t h ec o n e e d t o fe n d m e m b e rc o n s t r u t i o nf u n c t i o nw a sf i r s tp r o p o s e d ，s ot h ew e i g h t i n e s so fe a c h e n d m e m b e ri sd e p e n d e do ni t si n f l u e n c et ot h es i m p l e xc o n t r a c t i o n b u tn o ti t s i n f o r m a t i o nm a g n i m d e i t ss i g n i f i c a n tt ot h es m a l lt a r g e te x t r a c t i o n 5 am e t h o do ft a r g e te x t r a c t i o nb a s e do ne n d m e m b e rp r o j e c t i o nv e c t o rw a s d e v e l o p e d b a s e do nt h ec o n v e xn a m r eo fh y p e r s p e c t r a ld a t ai ni t sb a n ds p a c e a s e r i e so fv e c t o r sn a m e de n d m e m b e rp r o j e c t i o nv e c t o ra r ep r o d u c e df o ru s eo f o b j e e le x t r a c t i o n t h et e c h n i q u ei sb a s e do nt h ef a c tt h a ti nb a n ds p a c e a n y e n d m e m b e ri st h ef a r t h e s tp o i n tf r o mt h eh y p e r p l a n ec o n s i s t e do fa l lt h eo t h e r e n d m e m b e r s 6 an e wt h e o r e ma b o u tt h en a t u r eo fs i m p l e xw a sp r o p o s e da n da p p l i e dt os p e c t r a l l i n e a ru n m i x i n g o n e ea l lt h ee n d m e m b e r sw e r ef o u n d t h ei m a g ec u b ec a nb e ”u n m i x e d ”i n t of r a c t i o n a la b u n d a n c e so fe a c hm a t e r i a li ne a c hp i x e lb yas i m p l e r a t i oo f v o l u m e 摘要 7 t h ei d e ao fw e i g h t e ds a m p l ec o r r e l a t i o n ( c o v a r i a n c e ) m a t r i xw a sp r o p o s e da n d a p p l i e dt ot h es m a l lt a r g e td e t e c t i o na n da n o m a l o u st a r g e td e t e c t i o n t h eg e n e r a l t a r g e td e t e c t i o na l g o r i t h mw i t hl o wp r o b a b i l i t yw a sb a s e do nt h ea b u n d a n c eo f i m a g ei n f o r m a t i o n t h em e t h o do ft a r g e td e t e c t i o nb a s e do nw e i g h t e ds a m p l e c o r r e l a t i o n ( c o v a r i a n c 曲m a t r i xn o to n l yc a nr e d u c ef a l s ea l a r mr a t et os m a l lt a r g e t b u tc a ne x t r a c tt a r g e tw i t hh i g hp r o b a b i l i t y 8 as m a l la n da n o m a l o n st a r g e td e t e c t i o nm e t h o dw i t hl o wp r o b a b i l i t yw h i c hc a l l e f f e c t i v e l ys u p p r e s sb a c k g r o u n da n do t h e rs m a l lt a r g e tw a sd e v a l o p e d b e c a u s eo f n o tt a k i n gi n t oa c c o u n tt h ei n f l u e n e eo fo t h e rs m a l lt a r g e ta n da b n o r m i t y , t h e g e n e r a ls m a l lt a r g e td e t e c t o r sh a v eh i 曲f a l s ea l a r mr a t e t h cm e t h o dd e v e l o p e di n t h i sd i s s e r t a t i o np e r f o r me f f e c t i v e l yi ne x t r a c t i n gs m a l lt a r g e ta n da b n o r m i t yw i t h l o wf a l s ea l a r mr a t e 9 am e t h o do fa b n o r m a ld e t e c t i o nb a s e do nd i s t a n c eo fp i x e l si nt h ew h i t e ni m a g e w a sd e v e l o p e d r xd e t e c t o rc a n tf i n dt h ea b n o r m i t yw h i c hw a si nm a j o r c o m p o n e n t s i nt h eo r i g i n a l i m a g e a f t e ri m a g e w a sw h i t e n , i t s s i m p l e x c o n s t r u c t i o ni nt h eb a n ds p a c eg r a d u a l l yt r a n s f o i t n st o “s p h e r e ”，t h ea b n o r m a l p i x e l sl i eo u t s i d et h es p h e r e ，s ow ec a l lf i n dt h e mb yd i s t a n c e st ot h ec e n t e ro fa s p h e r e k e y w o r d s ：h y p e r s p e c t r a lr e m o t es e n s i n g ，s p e c t r a lr e c o m p o s i t i o n , s p a t i a l c o n t i n u i t y , u n i v e r s a lg r a v i t y , e n d m e m b e r , e n d m e m b e rp r o j c e t i o nv e c t o r , e n d m e m b e r c o n s t r u c t i o nf u n c t i o n ，s i m p l e x ，l i n e a rm i x i n gm o d e l ，s p e c t r a lu n m i x i n g ，s c h m i d t o r t h o n o r m a l i z a t i o n ，t a r g e td e t e c t i o n ，w h i t e n 高光谱遥感图像目标探i t l l 与分类技术研究 第一章前言 高光谱遥感将确定物质或地物性质的光谱与把握其空间和几何关系的图象 革命性地结合在一起，它所获取的地球表面图象包含了丰富的空间、辐射和光谱 三重信息，因而在地质、农业、环境、军事、水文、大气等方面都有着巨大的应 用前景。 1 1 本文的研究目的及意义 高光谱目标探测与分类技术是高光谱遥感最为重要的应用方向，可以有效地 应用于环境检测、城市规划、地质岩矿的识别、海洋水色定量检测、植被的精细 分类以及军事目标的探测等诸多方面。 一般地，目标探测与分类可以从三个方面入手：图象空间、光谱空间和特征 空间。图象空间反映了地物的分布和变化以及不同地物之间的空间关系，图象是 对地物最直观的表示。单纯基于图象空间的目标探测与分类属于一般图象处理的 范畴，处理效果通常取决于图象的空间分辨率，而往往这正是高光谱图象的局限 所在；光谱空间由景物中的各个象元对应的光谱曲线所组成，基于光谱空间的分 析方法侧重于地物本身的物理属性，主要利用不同地物有不同光谱特征这一性质 来进行探测与处理；景物中的每个象元在高维特征空间均对应于一个点，利用高 光谱数据在高维空间的特性可以更有效的进行目标探测与分类的处理，这也是高 光谱遥感的巨大内涵及独到之处。 高光谱遥感是- - f 新兴的科学，是当前遥感技术的前沿；相对于高光谱数据 提供的巨大的数据量，当前的数据处理技术还有很大的发展空间。尤其是国内， 高光谱图象处理算法研究尚处于初级阶段，与国外相比还有很大的差距。因此， 本论文期望根据高光谱数据的内在特性，综合高光谱数据在图象空间、光谱空间 尤其是特征空间的信息建立起具有一定理论意义和实用价值的1 7 1 标探测与分类 算法，进一步促进高光谱遥感的广泛应用和发展。 高光谱遥感图像目标探铡与分类技术研究 1 2 研究现状 1 2 1 成象光谱技术的发展概况 高光谱分辨率遥感( h y p e r s p e e t r a lr e m o t es e n s i n g ) 是指利用很多很窄的电 磁波波段从感兴趣的物体获取有关数据。高光谱遥感具有1 0 。2 的光谱分辨率， 它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱 连续的图象数据的技术 l i l l e s a n d & k i e f e r , 1 9 9 4 ，所以高光谱遥感技术通常又被 称为成像光谱技术。由于成像光谱仪能够得到上百通道、连续波段的图像，从而 可以从每个图像像元中提取一条完整的光谱曲线 g o e t z e t a l ，1 9 8 1 ，1 9 8 5 1 ( 如图 1 1 ) 图1 1 高光谱图象的概念( 从每个象元均可提取一条连续的光谱曲线) 高光谱遥感的出现是遥感界的一场革命。它使本来在宽波段遥感中不可探测 的物质，在高光谱遥感中能被探测，研究表明许多地表物质的吸收特征在吸收峰 深度一般处的宽度为2 0 , - 4 0 n m h u n t ，1 9 8 0 】。而成象光谱系统获得的连续波段宽度 一般都在1 0 r i m 以内，因此这种数据能以足够的光谱分辨率区分出那些具有诊断 性光谱特征的地表物质，这也是高光谱技术用于探测甚至识别地物的物质基础。 由于高光谱遥感将确定物质或地物性质的光谱与把握其空间和几何关系的图象 革命性地结合在一起，它所获取的地球表面图象包含了丰富的空间、辐射和光谱 三重信息，因而在地质、农业、环境、军事、水文、大气等方面都有着巨大的应 高光谐遥感图像目标探测与分类技术研究 用前景f 童庆禧，1 9 9 9 ；童庆禧。1 9 9 5 ，1 9 9 6 ；郑兰芬，1 9 9 5 ：c l o u t i s ，1 9 9 6 ； g r e e n ，1 9 9 8 1 。自从上世纪7 0 年代末美国喷气推进实验室( j p l ) 在n a s a 支持下 首先对成象光谱仪进行概念设计 o o e t z ，1 9 9 2 】以来，高光谱遥感技术就受到了极 大的关注，世界上一些有条件的国家，如美、加、澳、法、德等都竞相投入了大 量资本进行成象光谱仪器的研制和应用童庆禧，1 9 9 8 。比如，在n a s a 支持下， 美国对内华达州c o m s t o c kl o d e 地区进行了长达1 5 年的系统高光谱遥感研究，除 获得了大量的地面光谱资料外，还先后用a j s 、a v i r s 、p r o b e - 1 和h y m a p 等航 空高光谱成象仪获取了多光谱范围、多时期、多分辨率的高光谱图象、取得了一 系列成果，从而直接推动了高光谱在地质遥感应用中的发展 s m a i l b e g o v i c ，2 0 0 0 。 特别是近2 0 年来。在美国、加拿大、澳大利亚、日本和中国等国的重视下。高光 谱遥感技术不断发展。最早的航空成象仪a i s 是上世界8 0 年代才出现的 【k r u s e ，1 9 8 8 】，随后从8 0 年代后期至9 0 年代，各国竟相研制，出现了一系列航空 成象光谱仪。如美国的h y d i c e 、s e b a s s c a l v i n ，e ta l ，2 0 0 0 和a v i r i s g r e e n ，e | a 1 1 9 9 8 1 ，加拿大的f l i 、c a s i 和s f s i ，德国的r o s i s ，荷兰的c a e s a r 童庆禧， 1 9 9 5 ，澳大利亚的h y m a p 童庆禧，1 9 9 8 1 。其 h y m a p 主要针对可见光短波 红外，共有1 2 8 波段，信噪比达1 0 0 0 ：1 ，s e b a s s 主要针对中红外( 3 5 4 o n ) 和热红外( 7 8 - 1 3 5 a m ) ，各分1 2 8 波段，信噪比达2 0 0 0 ：1 ，温度敏感度 o 0 5 k c a l v i n ，2 0 0 0 1 。我国在九五和十五期间，中科院上海技术物理研究所成功研 制t p h i 推帚式高光谱成像仪和o m i s 实用性模块化高光谱成像仪，也达到了很 高的水平。在航空遥感技术进步的同时，航天高光谱遥感也蓬勃发展起来。近年 来，国外相继发射了一系列高光谱卫星如美国e o - i 卫星中的h y p e r i o n ， m i g h t y s a t - - i i 中的f t h s i ，e o s 系统中的m o d i s 、a s t e r ，美国以及欧空局 e n v i s a t 系统中的m e r i s ，欧空局p r o b a 卫星中的c h r i s 等。除美国和欧洲以 外，澳大利亚和日本也各有完整的航天高光谱遥感系统发展计划，澳大利亚的 a r i e s 系统，日本也将在今后5 年内发射高光谱卫星。在我国的神舟三号无人飞 船中搭载了个中分辨率的成象光谱仪( c m o d i s ) ，另外，在我国的环境与减灾 小卫星星座中，也包括有高光谱遥感器。 高光谱遥感图像目标探测与分类技术研究 1 2 2 目标探测与分类技术研究现状 随着成象光谱仪的迅速发展，高光谱图象分析与处理算法也日益蓬勃发展。 目标探测与分类技术是其中一个最为重要的分支。一般的，目标探测与分类可以 从图象空间、光谱空间和特征空间来进行。理想情况下，如果成象光谱仪能获取 没有噪声和外界干扰的具有无限空间分辨率的图象，那么可以从图象空间上探测 目标，然后再根据所研究区域的先验知识从光谱库中找出与目标光谱具有最佳匹 配效果的参考光谱，从而达到目标识别与分类的目的。然而空间分辨率与光谱分 辨率往往是一对矛盾，目前高光谱遥感数据的空间分辨率尚不够高，使得某些感 必趣的小目标在图象中只能以子象元的形式存在，即图象中只存在感兴趣目标与 别的地物的混合象元，而没有只含有此目标的纯粹象元，这无疑是对传统的目标 探测与分类技术的一个巨大的挑战。但随着光谱分辨率的提高、波段数的增多， 高光谱图象有足够的维数容纳地物在其特征空间的单形体结构，而传统的一般光 学图象处理手段以及多光谱图象处理方法显然已经不能完全适应或者不能充分 利用高光谱数据在特征空间中的这种内在属性，各种针对高光谱数据这种内在特 点的处理算法应运而生。 在目标探测方面，总的说来，可以把现有的研究归结为四个方面： 1 低维空间情况： 高光谱图象通常都具有几十甚至上百个波段，对如此大的数据量进行处理往往需 要以时间为代价，尤其是当这些数据需要传输的时候还要求传输介质有足够的带 宽( 比如星上数据下传) ，所以很多情况下，在保证目标与背景有足够分离度的 基础上先对原始数据进行降维操作，这其实也是一个特征提取的过程。在遥感图 象分析中，特征提取可以从两个意义上来实旌：一种是按照一定的准则直接从原 始特征空间中选出一个子集( 即予空间) ，光学遥感中的波段选择即属于这一类。 另一种是找到一个映射关系p ：p ：x 寸y 。将原始特征空间 x = x ，x ：，x ， 映射到维数降低了的特征空间y 上去，其中 y = y ，y2 i 一，y 。 ，n m 。高光谱遥感图象特征提取包含的内容非常广泛，提取 方法也很多，光谱维特征提取和空间维特征提取是表现图象特征提取的两个方 面。主成分分析( p c a ) 是一种把原来多个指标化为少数几个互不相关的综合指 高光 鲁遥感图像目标探铡与分类技术研究 标的一种分析技术。应用p c a 可以在基本保持数据信息量的基础上把海量的高 光谱数据投影到仅有少数几个主分量所构成的正交子空间中。j i a & r i e h a r d s 1 9 9 9 1 发展的分块主成分分析法用于特征提取，取得了一定的分类和显示效果， 他们将全部波段的相关阵按照相邻波段的相关性分成若干块。一般高度相关的块 沿对角线分布，而相关性低的远离对角线。块矩阵本身集合了相邻波段问相关性 高的波段。因此沿相关矩阵对角线可分成若干块( 波段组) ，并对每组进行主成 分变换，最后将每组的重要特征( 主成分) 再重新组合在一起作为进一步主成分 分析与特征选择之用。典范分析也是将较多的变量化为少数几个典范变量，通过 这较少的典范变量之间的相关性来综合地描述两个多元随机变量之间关系的一 种数学方法。p c a 主要想最大限度地将不同类别分开，而典范分析则是在低维 变量问寻找能代表高维变量的相关性，以达到分类、识别目标的目的。刘建贵 1 9 9 9 在分析k l 变换性质的基础上，根据高光谱数据用于城市目标识别提取的 特点，提出了面向分类的特征提取的规范分析( c a ) 改进方法，设法使原特征 空间的各类的样本点在光谱维上的投影能使类间距离与类内距离的比值达到最 大。根据这一原则来决定变换矩阵的选择。刘建贵用这种改进的方法实施对北京 沙河镇城市地物特征的提取，取得了较好的结果。 2 已知目标、已知背景： 在目标端元与背景端元都知道的情况下，最简单的目标提取方法是直接利用 目标光谱对图象中的象元逐一匹配，从而得到目标在图象中的分布情况。通常的 整波形匹配算法主要有以下四种：根据光谱之间的距离，如最小距离匹配：根据 光谱之间的夹角，代表性的算法是光谱角度填图( s a m ) ；根据光谱之间的相似 系数，如交叉相关光谱匹配技术( c c s m ) ；编码匹配算法，如二值编码匹配算 法。整波形匹配的缺陷在于它对噪声非常敏感，因而要求图象光谱有很高的信噪 比。实际上，对图象光谱定标和反射率转换的精度往往很难达到光谱匹配的要求。 注意到，上述算法并没有用到已知的背景信息，从而只能在没有抑制背景的情况 下定性得到目标地物的大致覆盖区域，如果要定量的得到感兴趣目标在图象中各 个象元中所占的比例，需要引入混合象元模型。线性混合模型是其中应用最为广 泛的模型，它假定：在一定的条件下，高光谱图象中每个象元都可以近似认为是 图象中各个端元的线性混合象元。因此，在已经知道图象想所有端元( 包括目标 与背景) 的前提下，可以利用线性解混定量地得到目标地物在图象中每个象元中 高光谱遥感图像目标探测与分类技术研究 所占的百分比。常用的光谱解混算法包括最, - - 乘法、正交子空间投影算法 ( o s p ) h a r s a n y i c h a n g ，1 9 9 4 、前景背景分析算法( f b a ， f o r e g r o u n d b a c k g o u n da n a l y s i s ) s m i t he t a l ，1 9 9 4 ：s m i t he t a l 1 9 9 6 、 滤波向量算法( f i l t e r v e c t o r ) p a l m a d e s s o ，e t a l ，1 9 9 5 等。 3 已知目标、未知背景： 在仅知道目标端元的光谱而未知背景的情况下，可以通过三条途径来进行目 标提取，第一种就是前面所讲的简单的匹配算法，由于这种方法既没有用到目标 与背景的信息量分布的差别，也没有利用高光谱图象在其特征空间目标与背景的 相对位簧的差别，因而一般得不到好的目标探测效果；第二种途径就是利用一组 正交基底代替背景，然后再通过光谱解混、o s p 、f b a 、滤波向量等方法得到目 标在图象中的定量分布结果，这就归结为第二种情形。比较常用的正交变换方法 包括p c a 及奇异值分解( s v d ，s i n g u l a r v a l u e d e c o m p o s i t i o n ) b o a r d m a n ，1 8 9 i 第三种途径则是利用样本相关矩阵( 或者协方差矩阵) 的性质对目标进行半解混 ( p a r t i a lu n m i x i n g ) 提取，匹配滤波( m f , m a t c h e df i l t e r ) 、约束能量最小化算法( c e m ， c o n s t r a i n e de n e r g ym i n i m i z a t i o n ) h a r s a n y i ，1 9 9 3 ， 1 9 9 4 ：f a r r a n d ，1 9 9 7 就是应用最为广泛的小目标提取算法，与基于混合象元模型 侧重于从目标与背景在特征空间相对位置的差异入手的目标提取算法相比， c e m ( 与m f 形式上是相同的) 主要从能量( 信息量) 的角度来压制背景继而提取 目标的。混合调制匹配滤波器( m t m f , m i x t u r e t u n e dm a t c h e df i l t e r i n g ) f b o a r d m a n ，1 9 9 8 1 贝1 1 结合了两种算法的优点。 4 未知目标、未知背景： 在图象中的象元满足线性混合的条件下，其中的每个象元都可以由图象中的 所有端元线性混合而成，因此高光谱数据端元的提取是理解高光谱数据、继而对 数据进行进一步分析( 比如解混、填图等) 的前提条件。如何从高光谱图象中提 取端元一直是一个热点问题，在这方面，已经有很多成熟的方法被提出和应用， b o a r d m a n 1 9 9 3 1 9 f j 造性的提出了利用凸面几何学分析的方法提取图象端元的雏 形，他认为高光谱图象的所有数据在其特征空间中均由图象中所有地物所对应的 纯粹象元( 端元) 为顶点的单形体所包围，并与k i r u s e 、g r e e n 1 9 9 5 在一起发展 了纯象元指数( p p i ) 提取端元的算法。c r a i g 1 9 9 4 】提出了最小体积变换( m v t ) ： 通过求取包围整个高光谱数据“云团”的具有最小体积的单形体来获得端元。 高光谱遥感图像目标探测与分类技术研究 b a t e s o n 、c u r t i s s 1 9 9 6 利用主分量分析和多维可视化软件提出了种人机交互提 取纯粹象元的算法( m e s t ) 。n 。f i n d r w i n t e r , 1 9 9 9 利用高光谱数据在特征空间 中的凸面单形体结构，通过寻找具有最大体积的单形体从而自动获取图象中的所 有端元。o r a s i s ( o p t i c a lr e a l t i m ea d a p t a t i v es p e c t r a li d e n t i f i c a t i o n s y s t e m ) b o w l e s ，e t a l ，1 9 9 7 是一种自动地、实时地从图象中提取端元的算法， 它首先通过一个叫做示范选择( e x e m p l a rs e l e c t i o i n ) 的过程根据一定的准则 ( 比如光谱间的夹角) 在保持光谱多样性的同时给原始数据去冗余，然后通过一 个改进的施密特正交化过程获得一组比原始数据维数更低的一组基底，再把示范 光谱投影到此基底所张成的子空间上，通过最小体积变换得到此空间上的一个单 形体，从而获得图象中的所有端元。迭代误差分析( i e a ) s t a e n z ，e t a l ，1 9 9 8 是一 种不需要对原始数据进行降维或者去冗余而直接对数据进行处理的端元提取算 法，它首先给定一个初始向量( 一般为所有光谱的均值向量) ，然后对图象逐次 进行线性解混，每次解混处理均可从误差图象中得到一个端元，然后新的端元再 加入到下一步的解混操作中，直至在某种准则条件下求出图象中的所有端元。为 了解释端元光谱的可变性，r o b e r t s 1 9 9 8 1 等提出了多端元光谱混合分析 ( m e s m a ) ，其核心思想是：每一个端元均由一组向量而不是一个唯一的向量来 表示，当解混的时候，对于每个象元，从代表各自端元的向量组中各选取一个最 合适的向量，以使得均方误差最小，其中端元可以从图象中和该区域的光谱库中 选取。b a t e s o n 等人 2 0 0 0 也基于端元的可变性提出了端元束( b u n d l e s ) 的概念 并且利用模拟退火算法来生成端元柬。p l a z a 等 2 0 0 1 a ；2 0 0 1 b ；2 0 0 2 提出了一种利 用形态学方法自动提取端元的算法，算法的优点是在利用光谱信息的同时，很好 的利用了象素在空间上的相关性。在获得了图象中的所有端元之后，目标探测的 工作则可以归结为前几种情形。 凸面几何学分析从几何的角度( 其几何特征本质上是由于物性引起的) 从图 象中提取出具有不同光谱特征的各个端元，继而得到各个端元在图象中的分布情 况；而r x d 则从信息量的角度入手，从图象中自动获得低概率分布目标，在小 目标探测以及异常目标探测方面它往往比从物性着手更为有效。 也可以把国际上现有的目标探测算法归结为三大类：简单的光谱曲线匹配度 的比较、基于几何特征的目标探测和基于信息量的地物提取。 高光谱遥感图像目标探测与分类技术研究 在分类算法方面，应用于一般光学图象和多光谱图象处理的算法相继被引 入到高光谱图象分类中来，针对高光谱数据本身的内在特点，也有一些新的算法 不断涌现。 基于统计和模式识别的分类方法包括非监督方法和监督分类方法。与常规遥 感图象的分类方法一样，它可以直接应用原始的高光谱遥感数据，不需进行大气 纠正等预处理工作。其中监督分类主要包括费歇尔( f i s h e r ) 线性判别分类、贝 叶斯( b a y e s ) 判别分类( 最大似然判别法) 、决策树分类( d e c i s i o nt r e ec l a s s i f i e r ) f r i e d l ，1 9 9 9 、模糊分类、神经网络分类、专家系统分类等。其中前两种分类方法 采用的通用模型是由象元均值向量和协方差矩阵决定的正态分布 r i c h a r d ，e t a 1 1 9 9 9 ，为了估算每个类的协方差矩阵和保证这种估算的正确性，就必须使训 练样本的数目足够大，并且这种需求随着波段数的增加愈发明显。由于训练数据 的数目往往是有限的，为了解决这个问题，在近似计算中引入了规则化的概念。 g u o 和l a n d g r e b e 对这个算法做了进一步的改进。决策树分类是以各象元的特征 值为设定的基准值，分层逐次进行比较的分类方法。比较中所采用的特征的种类 及基准值是按照地面实况数据及与目标物有关的知识等作成的。决策树分类中， 通过一次比较总能分割成两个组的叫双决策树法s d t ( b i n a r yd e c i s i o nt r e e ) 。由 于遥感图象中的象元很大程度上都是混合象元，单个象元值提供的信息只是亮度 值，要在这单个象元中提取各类地物信息是比较困难的。近年来发展起来的模糊 理论和方法，对于解决遥感图象分类中遇到的混合象元问题提供了一个有力的武 器。模糊分类认为一个象元还是可分的，即一个象元可以是在某种程度上属于某 个类而同时在另一种程度上属于另一类，这种类属关系的程度用象元隶属度表 示。针对传统统计分类的一些局限性，研究人员尝试用神经元网络的模型来模拟 人类对物体的识别机理，发展了各种形式的神经网络模型和算法，如感知器网、 反向传播网( b p ) 、h o p f i e l d 网等。而专家系统( e x p e r ts y s t e m ) 就是把某一特定 领域的专家知识输入到计算机中，通过利用各种经验性知识，辅助人们解决问题 的系统。 km e a n s 和i s o d a t a t o ua n dg o n z a l e z ，1 9 7 4 是最为常用的无监督聚类算 法。km e a n s 算法需要是先给定需要划分的类别数n ，然后从需要分类的数据 集中找出n 个样本作为聚类的核心( 初始种子) ，把其余的点按照某种方法( 比 高光谱遥感图像目标探测与分类技术研究 如欧氏距离法) 分到各个类别中，每调整一个点，就重新计算此点所归属的聚类 的均值，并且以此均值作为此类的新的代表点，重复上述过程直至各类中心不再 发生变化。i s o d a t a 算法与km e a n s 算法有两点不同：首先，它不是每调整一 个样本的类别就重新计算一个各类样本的均值。而是在每次把全部样本都调整完 毕之后才重新计算一次样本的均值，前者一般称为逐个样本修正法，后者称为成 批样本修正法。其次，i s o d a t a 算法不仅能通过调整样本所属类别完成聚类分析， 而且还能自动地进行类的“合并”和“分裂”，从而得到类数较为合理的各个聚 类。科荷伦自组织映射网络( k o h o n e n ，1 9 8 8 是另一种基于神经网络的聚类算法， 它是基于神经细胞模型中的一种由多个