一種基于端元提取與光譜解混的高光譜圖像融合方法
【技術領域】
[0001] 本發明屬于高光譜圖像處理領域，具體涉及高光譜圖像融合與空間分辨率增強的 基于端元提取與光譜解混的高光譜圖像融合方法。
【背景技術】
[0002] 高光譜圖像因其極高的光譜分辨率，有助于進行地物識別和分析等優點被廣泛應 用。然而，限制與當前技術水平，高光譜成像儀的光譜分辨率與空間分辨率是一對不可調和 的矛盾，高光譜圖像極高光譜分辨率的代價就是較低的空間分辨率，因此，通過圖像融合技 術提高高光譜圖像的空間分辨率尤為重要。
[0003] 在現階段，國內外高光譜圖像融合算法仍舊停留在對傳統的多光譜圖像空間分辨 率增強算法的擴展和改進上，如擴展IHS變換、非負矩陣分解等，然而這些方法通常會引入 較大的光譜失真，影響融合圖像的可用性和有效性。
[0004] 在擴展IHS變換中，將高光譜圖像標記為L1-Ln，首先將L 1-L3作為偽RGB圖像進行 IHS變換，將變換所得的I層與L4、L5合并為新的偽RGB圖像進行IHS變換，重復該過程直至 分解完畢。將最后一輪迭代所得的I圖層與高分辨率多光譜圖像進行傳統方式的圖像融合 (如基于小波變換的圖像融合等），得到新的I圖層。最后，根據變換時的迭代順序，進行擴 展IHS逆變換，最終獲得融合的高光譜圖像。該算法是對IHS變換的簡單泛化，在迭代變換 的過程中會累積失真，使得融合圖像的光譜失真十分嚴重，影響融合高光譜圖像的可用性。
[0005] 在非負矩陣分解算法中，將高光譜圖像分解為與多光譜圖像像素個數相同的權值 和基底，然后根據多光譜圖像的像素值對分解得到的權值進行加成，最后將新的權值和基 底相乘，獲得融合的高光譜圖像。該方法較擴展IHS變換而言，其重構過程無需迭代，不會 引起光譜失真的累積。然而，由于暫無較好的、有明確物理意義的權值加成算法，該方法仍 舊不可避免的引入光譜失真，影響后續融合處理的精度。
【發明內容】
[0006] 本發明的目的是針對傳統算法光譜失真嚴重，影響融合結果可用性的的缺點，提 出一種全新的基于端元提取與光譜解混的高光譜圖像融合方法。
[0007] 本發明的目的是這樣實現的：
[0008] (1)使用N-FINDR算法進彳丁端兀提取：
[0009] (I. 1)給定高光譜數據X = U1, X2,…，xN}，N為高光譜數據所含有的像元個數，隨 機選取其中η個像元作為初始像元集E。；
[0010] (1. 2)計算Eci中的初始構成的體積V (Ε J，依次替換其中的端元為高光譜數據X中 能使得新體積增大的像元，重復該過程使得不再出現體積更迭，Eci中的端元構成的體積最 大，為選擇需要提取出的端元：
[0013] (2)使用光譜解混技術獲取各像素中各端元的豐度值：令S為端元提取所得的端 元矩陣，Z為高光譜數據中的像元，豐度矩陣A為：
[0014] A = arg min I IAS-Z I 12;
[0015] (3)以豐度矩陣A為先驗知識，通過模糊C均值聚類算法對多光譜圖像的像素進行 分類標記，再根據標記結果和端元光譜進行融合圖像重構：
[0016] (3. 1)對高光譜圖像中的每個混合像元對應的在多光譜圖像中的像素集 D (山，d2，…，dn)，共有η個像素，C個分類，更新隸屬度矩陣Ulk和聚類中心V 1<3
[0019] 其中，dlk代表像素 dk與聚類中心V ^勺距離，m是模糊系數，通常取值為2 ;
[0020] (3. 2)重復步驟（3. 1)，使得聚類中心V1收斂：
[0022] 其中ε為一小的正數；
[0023] (3. 3)對聚類中心收斂后的隸屬度矩陣作歸類：
[0025] (4)對步驟（3)求得的分類結果，根據標記的類別將端元光譜賦值給高光譜圖像 的各像素，獲得重構的融合高光譜圖像。
[0026] 本發明的有益效果在于：
[0027] 本發明由于采用端元提取技術提取并保留端元光譜信息，整個融合過程并不引入 系數變換步驟，故不造成光譜失真，因此，本發明較現有的高光譜圖像融合算法具有更好的 光譜保真度；由于融合的高光譜圖像是有端元光譜直接構成，每條端元光譜代表一種確定 的純地物，因此融合的高光譜圖像可直接應用于光譜識別分析；由于本發明中的端元光譜 是從低分辨率高光譜圖像中直接提取，沒有任何人工變化存在，因此融合圖像中的光譜可 靠性高，更接近真實地物。
【附圖說明】
[0028] 圖1為基于端元提取與解混的高光譜圖像融合方法流程圖；
[0029] 圖2為基于端元提取與解混的高光譜圖像融合方法實施步驟；
[0030] 圖3為3組高光譜圖像融合結果對比實例（1組模擬數據，2組真實數據）；
[0031] 圖4為模擬數據中6條光譜的重構結果；
[0032] 圖5為模擬數據中6條光譜的參數；
[0033] 圖6為第1組高光譜圖像融合結果的客觀評價指標對比；
[0034] 圖7為第2組高光譜圖像融合結果的客觀評價指標對比；
[0035] 圖8為第3組高光譜圖像融合結果的客觀評價指標對比。
【具體實施方式】
[0036] 下面結合附圖對本發明做進一步描述：
[0037] 基于端元提取與解混的高光譜圖像融合技術，包括以下幾個步驟：
[0038] 步驟（1):對低空間分辨率的高光譜圖像進行端元提取，獲取高光譜圖像中的端 元，該端元可以用于線性表示高光譜圖像中的其余像元。
[0039] 步驟（2):使用提取出的端元對高光譜圖像的每一個像元進行光譜解混，獲取每 個像元中各端元光譜的豐度值；
[0040] 步驟（3):根據各高光譜像元的解混豐度值，對高空間分辨率的多光譜圖像中對 應于該像元的區域像素進行聚類分析，獲得每個像素所屬的豐度類別，即端元類別。
[0041] 步驟⑷：根據步驟⑶獲得的分類結果，將端元光譜賦給多光譜圖像的像素點， 重構融合的高光譜圖像。
[0042] 本發明拋棄傳統的基于變換和系數融合的高光譜圖像融合，因為這種方式將引入 嚴重的光譜失真；采用端元提取技術提取高光譜圖像中重要的光譜信息，并將其獨立于整 個圖像融合過程以避免造成光譜失真。將光譜解混引入圖像融合過程，以光譜解混獲取的 豐度信息為先驗知識，對多光譜圖像中的各像素進行分析歸類，以獲取多光譜圖像中每個 像元的所屬端元。
[0043] 本發明采用改進的模糊C均值聚類算法（FCM)，根據解混豐度所確定的類別數和 每類元素個數，以所有像素的隸屬度和為目標函數，使目標函數值最大的分類結果作為輸 出，提高了聚類算法與豐度反演結果的匹配率，使得融合過程得以實現。
[0044] 本發明直接使用提取所得的端元光譜作為融合高光譜圖像的像元光譜，避免引入 光譜失真，便于融合圖像的后續處理與分析識別。
[0045] 本發明引入端元提取技術提取并保護高光譜圖像的光譜信息，并使用光譜解混和 聚類算法對豐度系數及多光譜圖像像素分析，獲取其空間定位信息。最后，根據聚類分析結 果和提取的端元光譜對融合圖像進行重構。由于在本方法中并不對光譜信息進行融合處 理，并不會在算法中引入光譜失真，在能有效進行空間分辨率增強的同時減少光譜失真。
[0046] 為實現上述的發明目的，本發明采用下述的實現方案：
[0047] 步驟一：使用N-FINDR算法進行端元提取。
[0048] 1)給定高光譜數據X = (X1, X2,…，xN}，N為高光譜數據所含有的像元個數，隨機 選取其中η個像元作為初始像元集E。。
[0049] 2)計算Ε。中的初始構成的體積V(Ε。)，依次替換其中的端元為高光譜數據X中能 使得新體積增大的像元，重復該過程使得不再出現體積更迭，即此時E ci中的端元構成的體 積最大，為選擇需要提取出的端元。
[0052] 步驟二：使用光譜解混技術獲取各像素中各端元的豐度值。令S為端元提取所得 的端元矩陣，Z為高光譜數據中的像元，則豐度矩陣A可由公式（3)得出：
[0053] A = arg min I IAS-Z I 12 (3)
[0054]