高光谱异常目标检测学位论文

遥感影像分类是对影像中包含的多个目标地物进行区分，并给出单个像元的对应特征类别。按照是否需要先验样本，分为监督分类和非监督分类。

高光谱影像监督分类方法

针对高光谱影像监督分类，可以把现有的分类算法分为光谱特征匹配分类、统计模型分类、同质地物提取分类、纹理信息辅助分类、面向对象分类、决策树分类、模糊聚类方法、专家系统分类、神经网络分类、支持向量机分类、流行学习分类、集成学习分类、基于云模型分类等方法。

（1）光谱特征匹配分类方法

根据已知光谱数据，采用匹配分析算法区分待测光谱的类别，从而实现影像分类。它可以是整波段光谱匹配，也可以是部分感兴趣波段光谱匹配。如Geotz（1990）提出了二值编码匹配算法，通过设定阈值，将像元光谱转换为编码序列，在一定程度上压缩了原始光谱，但也降低了光谱区分度。常见的二值编码算法有分段编码、多门限编码和特征波段编码等。Clark et al.（1998）提出了一种拟合算法，通过计算像元光谱与样本光谱的拟合度来确定像元隶属于样本的概率。Kruse et al.（1993a）通过计算待测光谱和参考光谱的矢量夹角来比较其相似程度，并认为两条光谱的角度越小，表明相近程度越大。另外包络线去除法影像分类也是一种光谱匹配方法，它是通过对单个像元光谱进行包络线生成，并通过包络线比值法、光谱微分技术和曲线拟合技术，突出光谱曲线的峰谷特性，进而提取出反映某个问题的敏感波段，之后利用敏感波段进行分类研究。白继伟等（2003）认为，包络线去除法分类技术可以很好地抑制噪声，提高分类准确率，特别适用于植被识别。Meeret al.（1997）设计了交叉相关光谱匹配技术（Cross Correlogram Spectral Mapping，CCSM），该算法通过计算测试光谱和参考光谱的相关系数、偏度系数和相关显著性标准来综合评价光谱的匹配程度。Kruse et al.（1990）利用半波长宽度、波长位置和吸收深度等特征参数进行光谱匹配。

（2）统计模型分类方法

McIver et al.（2002）认为最大似然分类是最常用的基于统计模型的分类方法，该方法假设各地物在影像上出现的概率服从多维正态分布（Swain et al.，1978）。杨国鹏等（2008）构建了核Fisher判别分析方法，通过分类实验，认为该方法优于SVM分类方法。

（3）基于同质地物提取的分类方法

一般的分类方法往往没有考虑待测像元与其周围相邻像元的关系，因为受影像空间分辨率的限制，单像元光谱所代表的地面信息一小部分来自于本地物像元，其他很大一部分来自于其周围相邻像元。Kettig et al.（1976）设计了基于同质地物提取与分类方法（Ex－traction and Classification of Homogeneous Objects，ECHO），该方法充分考虑了待测像元和临近像元的关系。

（4）纹理信息辅助下的分类方法

纹理信息是地物特性的有效表达，基于纹理信息可识别不同地物。Haralick et al.（1973）提出的灰度共生矩阵（Gray Level Co－occurrence Matrix，GLCM）是一种应用广泛的纹理分析技术，通过计算影像统计特性，来表达其灰度密度分布规律。基于变换的傅立叶分析将影像空间域信号变换到频率域（Augusteijn et al.，1995），利用能量谱、振幅谱和相位谱对影像进行纹理特性描述，用以分类。舒宁（2004）利用主成分变换，提取影像纹理特征，进行分类，他们认为PCA可以提高分类精度。

（5）面向对象的分类方法

区别于传统的基于像元的分类方法，面向对象分类方法的处理单元为图像对象，也称图斑对象。Benz et al.（2004）将图斑对象定义为空间形态和光谱特征相似的独立区域。影像分割技术是面向对象分类的实质，影像分割技术的发展在一定程度上决定了面向对象分类技术的发展。Kwon et al.（2007）设计了完全四叉树（Quad－tree Decomposition，QTD）高光谱影像分割方法。Shah et al.（2002）提出了改进的独立成分分析高光谱影像分割方法。Acito et al.（2003）提出了基于高斯混合模型（Gaussian Mixture Model，GMM）的统计分割方法。

（6）决策树分类方法

决策树分类法通过制定每一层树节点的判别规则，逐层进行比较分类。Hansen et al.（1996）认为决策树分类对分布特性不规则、不可参数化的训练数据有较好的分类效果。王圆圆等（2007）利用决策树对高光谱数据进行分类研究，认为经特征选择后，可使其分类精度提高。

（7）模糊聚类方法

模糊分类基于事物表现的不确定性，通过分析这种模糊性，概括和发现规律从而实现分类。遥感影像像元也存在某种模糊性，针对遥感影像的模糊分类最初由Wang（1990）和Carpenteret al.（1992）人提出。闫永忠等（2005）结合绝对指数，利用模糊聚类法对高光谱影像分类，分类精度较高。

（8）专家系统分类方法

专家系统是利用多种经验知识和判别规则，借助于计算机分析对比待测知识和专家知识的匹配程度来进行分类。国外，很多学者开发了高光谱影像专家分类系统，如Lyon etal.（1990）研制了Stanexpert专家系统，对矿物进行自动识别。利用分类规则，Kruse etal.（1993b）开发了功能强大的光谱识别系统。Kimes则开发了VEG系统用于植被光谱识别。

（9）神经网络分类方法

人工神经网络（Artificial Neural Network，ANN）利用数学和物理方法，从信息处理的角度，对人脑的思维过程进行模拟，并建立某种简化模型（韩力群，2006）。在高光谱遥感领域，ANN多用于物质生化组分的定量分析。Toivanen et al.（2003）利用SOFM神经网络从多光谱影像中提取边缘，并指出该方法可应用于大数据量影像边缘的提取；Moshou et al.（2006）根据5137个叶片的光谱数据，利用SOFM神经网络识别小麦早期黄锈病，准确率高达99％。谭琨等（2008）通过提取OMIS II高光谱影像数据的特征成分，组成60维分量数据，分类精度达到％。宋江红等（2006）提出了基于独立成分分析和神经网络结合的高光谱数据分类。周前祥等（2005）等设计了一种非线性网络，根据高光谱数据的纹理和光谱特征进行分类。

（10）支持向量机分类方法

支持向量机由Vapnik（1995）提出，SVM应用在高光谱影像分类方面，国内学者做了很多研究，如，马毅等（2006）基于航空高光谱数据，提出了基于SVM的赤潮生物优势物种识别模型，认为该方法不受数据的高维限制。李祖传等（2011）提出了一种改进的随机场模型SVM－CRF，并对AVIRIS高光谱数据进行了分类实验，精度较高。李海涛等（2007）提出了基于最小噪声分离变换和SVM的高光谱影像分类方法，并采用OMIS1数据进行实验研究，总体分类精度高达％。沈照庆等（2009）利用最近点算法（NPA），提出了无惩罚参数的SVM算法，通过对AVIRIS数据的分类实验，认为该方法提高了分类精度和速度。

（11）流行学习分类方法

流行学习（Manifold Learning，ML）是从高维采样数据中恢复低维流行结构，并求出相应的嵌入映射，实现数据维数约简。流行学习是模式识别的基本方法，有线性流行学习和非线性流行学习。其算法有等距映射、拉普拉斯映射、局部线性嵌入、局部切空间排列算法等。目前，国内很少有人研究其在高光谱影像分类方面的应用。Ma L et al.（2010a～c）认为流行学习比较适用于二分类问题，可以区分复杂地物，他们研究了基于k临近算法的流行学习方法、局部切空间排列的流行学习方法及广义监督分类的流行学习方法在高光谱影像异常检测和分类中的应用。杜培军等（2011）利用全局化等距映射（Iso－map）算法进行高光谱数据降维，效果良好。

（12）集成学习分类方法

集成学习在学习时采用多个学习器，并将输出结果按照自定义的规则进行综合，进而获得优于单个学习器的效果。集成学习方法可分为异态集成（如，叠加法和元学习法）和同态集成（朴素贝叶斯集成、决策树集成、人工神经网络集成、K－近邻集成等）。集成学习作为机器学习的前沿，目前，应用在遥感图像处理方面的研究甚少，而在高光谱影像分类方面更是凤毛麟角，但是该技术在本领域的研究前景非常广阔。

（13）基于云模型的分类方法

李万臣等（2011）提出了一种基于云模型的高光谱影像分类技术，通过生成地物样本的多维云模型，结合极大判别法则进行样本分类，分类精度较高。

高光谱影像非监督分类方法

针对高光谱影像非监督分类，现有的算法主要为K均值算法、ISODATA算法。

（1）K均值法

Tou和Gonzalez（1974）认为K均值算法是在待分类问题的类别数已知的情况下，从样本中确定聚类核心，样本其他元素按某种方式预先分到不同的类别中，然后进行聚类中心的调整，当中心稳定后结束聚类。

（2）ISODATA法

Ball和Hall（1965）提出了一种迭代自组织聚类方法（Iterative Self－organizing Data Analysis Techniques Algorithm，ISODATA）。该方法自主对地物类别进行“合并” 与“分裂”，从而得到较好的分类结果。

基于光谱重排的光谱特征提取方法

首先，针对光谱吸收特征受噪声影响较大的问题，对数据进行最小噪声分量正变换，消除噪声后，再将最小噪声分量特征空间的数据变换回原数据空间，即最小噪声分量反变换；然后针对单个吸收不稳定、光照等对光谱幅值影响较大等问题，提出在连续去除的基础上，利用所有吸收特征并将光谱吸收特征按吸收深度由强至弱重排，从而实现稳定、可靠的光谱特征提取。

（1）最小噪声分量变换

在实际应用中，地物光谱吸收特征对噪声敏感，因此，在进行特征提取之前，研究中引入了最小噪声分量变换（Minimum Noise Fraction，MNF），去除噪声对特征提取影响的同时去除数据相关性。

MNF变换是Green等人在主成分分析理论的基础上改进得到的。通常被用来去除数据中的噪声成分，同时确定高光谱数据的本征维数，从而减少后续处理的运算量。

该方法以噪声协方差的估计矩阵为基础，调整噪声的取值并去除其波段间的相关性。在结果数据中噪声的方差为1，并且在波段间无相关性。假设高光谱数据X＝［x1，x2，…，xm］T可以表示为

X ＝ Z ＋ N （）

式中：矩阵Z，N分别是理想信号和噪声矩阵，且彼此不相关；第i 波段的噪声分量定义为NFi ＝ ，信噪比定义为SNRi＝ 。

∑X，∑Z和∑N分别为可观测信号、理想信号及噪声的协方差矩阵，并且有

∑X ＝∑XZ ＋∑N （）

假设F为∑N的白化矩阵，∑N的特征值矩阵为 ＝diag（λN1，λN2，…，λNp），其中p为波段数，则有

高光谱遥感技术原理及矿产与能源勘查应用

高光谱遥感技术原理及矿产与能源勘查应用

式中：I为单位矩阵，矩阵 由∑N的特征向量组成，且满足 。

假设∑w＝F T∑X F为噪声白化之后的观测数据的协方差矩阵，∑w矩阵特征值组成的对角矩阵为 ＝d i a g（λw1 ，λw2 ，…，λwp），对矩阵∑w作主成分变换，可以得到由矩阵∑w特征向量组成的 ，使得

高光谱遥感技术原理及矿产与能源勘查应用

于是得到最小噪声分量变换矩阵：

高光谱遥感技术原理及矿产与能源勘查应用

由式（）得观测信号最小噪声分量变换后的矩阵为

T ＝ MTX （）

经过式（）变换之后，可观测信号各个波段间彼此不相关，且各个波段按信噪比由大到小排列 。即按变换后数据T的特征值排列，较大的特征值对应信号为主的图像，接近于1的特征值代表噪声占主导的图像。在变换之后，通常可以直接利用T进行数据后续处理，但是Cheriyadat和Bruce等人证明，主成分变换完全依赖于数据整体的协方差，当类内方差占据类间方差的主体时，主成分变换倾向于将数据向不利于分类的方向投影。可见，MNF变换与主成分变换具有相同的特点，因此，研究中提出的算法在利用MNF之后，利用最小噪声分量反变换将数据转换回光谱空间，这样可以最大限度地保证数据的可分性。

（2）光谱重排

不同地物的光谱信息是不相同的，因此，高光谱遥感提供的地物精细的光谱信息可以直接作为特征提取与目标识别的依据，比如利用红边、绿峰、NDVI等特征可以提取植被。但当不同地物之间的光谱在形状、幅值、变化趋势等指标大致相同的时候（即光谱特征相似），提取区分不同地物显著特征是非常困难的，即地物之间的不相关性均匀地分布在各个波段；此外，由于单个光谱吸收特征容易受到光照条件、大气等影响使得提取的光谱特征参量不稳定。因此，针对以上问题，研究中提出了基于光谱重排的特征提取方法，根据光谱吸收深度的由强到弱排列，剩余的没有吸收特征波段则按波长由小到大排列。

光谱重排的实现过程如下：

1）通过不同阶数的微分值确定的光谱弯曲点、最大最小光谱反射率及其波长位置，计算连续统去除后目标光谱的吸收位置λM 及其反射率值ρM、吸收深度H、吸收左右肩（ρL，ρR）及其反射值（λL，λR），并且吸收深度H的计算公式如下：

H ＝ d × ρL ＋（1-d）× ρR-ρM （）

d ＝（λL-λM）/（λR-λL） （）

2）将目标光谱按照吸收深度H由强至弱进行排列，若无吸收特征，则按波长由小到大进行排列；

3）以目标光谱为基谱，将图像数据光谱按照目标光谱重排后的波长进行排序。

该方法有效地利用了高光谱遥感数据提供的地物所有吸收特征，增加了特征提取的稳定性和可靠性；并且通过大量的实验发现，任何两种不同地物的光谱通过光谱重排之后，区分不同地物的显著特征更加明显，增加了类别间的可分性。

（3）算法实现

基于光谱重排的抗噪声光谱特征提取方法的实现流程如图所示。该方法中为了消除噪声对光谱吸收特征参数提取的影响，引入了MNF变换；为了有效抑制由于光照条件、传感器等因素产生的光谱幅值变化对光谱特征提取的影响，引入了连续统去除操作；为了克服单一特征不稳定、不同地物光谱特征相似等问题，提出了光谱重排的方法。

（4）实验分析

为了验证上述研究中方法的有效性和可行性，采用AVIRIS航空高光谱数据进行实验分析，并利用光谱之间的光谱角进行可分性的定量化分析。

实验数据为1995年7月在美国内华达州Cuprite矿区AVIRIS航空高光谱数据，并且使用ATREM方法校正得到了地表反射率，波段范围为1990～2480nm，空间分辨率20m，光谱分辨率10nm，数据大小为255 × 350 × 50。

图 光谱特征提取方法实现流程

该研究区域的矿物分布图如图（a）所示，从数据中提取高岭石光谱曲线如图（b）所示，光谱重排后的光谱如图（c）所示。高岭石、明矾石、布丁石及热液硅石特征提取前的光谱比较如图（a）所示，以高岭石光谱为基谱，光谱重排后四种矿物的光谱特征如图（b）（图中的光谱曲线纵坐标做了平移处理）所示。利用光谱角的方法进行四种矿物光谱重排前后可分性的比较，结果如表和表所示。

图 高岭石矿物光谱比较

图 四种矿物光谱比较

表 原始光谱数据四种矿物的可分性

表 重排后光谱数据四种矿物的可分性

由图和图可以看出，经光谱重排后，高岭石矿物光谱吸收特征按吸收深度的强弱进行了重新排列，较好的显现了高光谱所有吸收特征及主次吸收特征的变化；并且明矾石与高岭石矿物在2200 nm的光谱特征由于吸收宽度等不同而能将二者较好的区分。由图与表可以看出，经过光谱重排后，高岭石与其他三种矿物的可分性均存在不同程度的增大，特别是，高岭石与明矾石的可分性从增加为；为后续矿物识别与分类等处理奠定了良好的基础。

图 SAM方法矿物识别结果

为了进一步验证该方法的性能，进行了利用该方法以及基于SAM方法的矿物识别结果比对分析。利用原始光谱进行光谱角匹配识别的结果如图所示。利用基于光谱重排的抗噪声特征提取方法得到的数据进行矿物识别，结果如图 所示。可以看出，两种方法均能实现四种主要蚀变矿物的识别，但是，采用原始光谱进行识别的结果中存在着一定程度的矿物混淆，并且布丁石的识别结果混淆尤其明显；而在研究方法中进行特征提取基础上得到的矿物识别结果矿物混淆明显降低，取得了较好的识别结果，证明了上述研究中提出的方法的优越性能。

图 基于光谱重排特征提取方法矿物识别结果

吸收波长加权匹配方法

光谱曲线往往包含了许多由噪声引入的无效特征，利用同类地物光谱特征求交，实现了有效吸收波长、吸收深度的提取；常用的SAFP匹配方法中，只有参考光谱和测试光谱的特征在相同的波长位置时，两条光谱才被判为相同，匹配准则比较苛刻，导致由于噪声等因素影响光谱特征而无法匹配，吸收波长加权匹配法利用偏移加权矩阵实现了吸收波长的容偏匹配，大大增加了匹配的准确性，降低了外界因素对吸收参量特征的影响。

对同类地物光谱曲线特征求交，得出识别地物的有效特征；地物光谱的诊断吸收特征总是出现在特定的波段上，在某些情况下会有局部的偏移；对吸收特征的中心波长进行匹配，并容许一定程度的波段偏移，容许程度用偏移加权矩阵来度量，能够对地物光谱实现精确的识别。考虑到实际应用噪声及系统误差引入的干扰，用吸收深度对单个中心波长进行加权，吸收深度小的吸收特征对整体相似度的贡献小，吸收深度大的吸收特征对整体相似度的贡献大，这样一定程度上抑制了无法去除的非有效特征的影响。

（1）吸收波长加权匹配的实现

有效吸收特征的精确提取和容偏匹配实现流程如图所示，具体包含以下几个步骤：

1）对参考光谱连续统去除。利用导数法确定各吸收特征的中心位置和左右肩对应的波长后，利用下列公式提取吸收特征中心波长和吸收深度：

高光谱遥感技术原理及矿产与能源勘查应用

式中： 和 分别为吸收左肩端、右肩端、吸收谷点的反射率和波长位置；d＝ 为吸收的对称性参数。

没有标准参考光谱时，参考光谱通过训练样本得到。通过上述方法提取各条参考光谱的吸收中心波长和吸收深度后，对所有训练样本的吸收特征参数求交，方法如下：

光谱A和B的所有吸收特征为feature_a，feature_b，A的第i个波段上存在特征，对feature_b计算：

judge ＝ Weight·feature_b（［i-BandOffset：i ＋ BandOffset］） （）

如果，judge＞0 ，则光谱A的第i个波段上的特征为有效特征。

得到参考光谱共有的有效特征，此处需要记录的是有效特征的位置和吸收深度的大小，保存在向量EffFeatureIndex和Depth中。

2）提取未知光谱所有吸收位置和对应的吸收深度特征，记录在FeaturePos和FeatureDepth；

图 中心波长加权匹配流程图

未知光谱特征与参考光谱有效特征按位匹配，匹配方法包含两个参数，容许波段偏移数BandOffset和偏移加权矩阵Weight。

3）找到参考光谱第i个特征位置，生成特征检验区间：

TestIndex ＝（i-BandOffset）：（i ＋ BandOffset） （）

计算特征检验值：

TestValue ＝ Weight·FeatureDepth（TestIndex） （）

TestValue不为0 ，则说明未知光谱对应位置存在有效特征，反之则不存在，未知光谱中的识别特征所在波段记录在向量EffIndex中。

4）重复3）的过程，直到对未知光谱的所有有效特征进行了检测，未知光谱中识别特征存在的波段记录在向量EffIndex中。

5）对吸收位置用吸收深度加权匹配，匹配度的计算公式如下：

高光谱遥感技术原理及矿产与能源勘查应用

6）根据匹配度degree的值判断未知光谱与参考光谱的近似程度，阈值Thresh手动选择，根据经验，在用吸收深度加权的匹配方法中，Thresh＝就能获得较高的识别率。

用吸收深度加权对吸收特征中心波长进行容偏匹配的关键在于：有效吸收特征的准确提取和偏移加权矩阵Weight或容许波段偏移数目BandOffset的选择，反射率曲线所有吸收特征的精确提取是前提，偏移加权矩阵的确定需要根据对像光谱的采样间隔来确定，Weight的分量的个数为2 × BandOffset＋1；并且有效特征提取和特征识别过程使用的偏移加权矩阵Weight可以不同，光谱采样间隔较大时，可以选择Weight的各个分量服从高斯分布。

（2）基于USGS光谱库数据的实验与结果分析

图（a）为USGS矿物光谱库中六条绿泥石连续统去除后反射率曲线；波段偏移参数BandOffset＝1，对应的容偏矩阵Weight＝［1，1，1］；即两条光谱的特征相差一个波段以下认为该特征为有效特征；绿泥石的有效特征见图（b），用方框标记出了吸收谷的波长位置；图（c）给出了利用吸收波长加权匹配方法得到的绿泥石有效特征；图（d）给出了绿泥石和阳起石反射率光谱。

图 有效特征提取

匹配加权矩阵Weight＝［1，1，1］表示容许两端偏移，Weight＝［，1，］表示不容许偏移；两情况对应的相似度见表和表。对比表和表的相似度值可以看出，容许波段偏移后，绿泥石光谱间的相似度明显变大。利用图（c）的有效特征对图（d）所示的阳起石和绿泥石光谱进行Weight＝［1，1，1］匹配，近似度见表，用绿泥石的有效光谱能有效的识别出绿泥石光谱与阳起石光谱的差异。

表 绿泥石光谱识别Weight＝［1，1，1］

表 绿泥石光谱识别Weight＝［，1，］

表 阳起石和绿泥石识别Weight＝［1，1，1］

（3）基于AVIRIS数据的实验与结果分析

利用内华达州Cuprite矿区的AVIRIS数据进行基于吸收波长加权提取方法实现矿物匹配识别研究。利用的矿物端元光谱如图所示，识别结果如图所示。

从地质图（a）与结果图比较可以看出，该方法对具有明显光谱吸收特征的明矾石和高岭石矿物具有较高精度的识别效果，但是对于吸收特征较宽、较浅的白云母和布丁石的识别效果则较差。

图 算法中用到的端元光谱

图 基于吸收波长加权特征提取的矿物匹配识别结果