光谱最小信息熵的高光谱影像端元提取算法-论文.pdf

《光谱最小信息熵的高光谱影像端元提取算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第34卷，第8期光谱学与光谱分析Vo1．34，No．8．pp2229—22332014年8月SpectroscopyandSpectralAnalysisAugust，2014光谱最小信息熵的高光谱影像端元提取算法杨可明，刘士文，王林伟，杨洁，孙阳阳，何丹丹中国矿业大学(北京)地球科学与测绘工程学院，北京100083摘要端元提取是混合像元分解的关键，研究其算法在高精度的地物识别、丰度反演和定量遥感等方面具有重要意义。通过研究高光谱遥感影像光谱特征，结合信息熵理论，应用高斯分布函数，建立了一种新的高光谱

2、影像端元提取算法，即光谱最小信息熵(spectralminimumshannonentropy，SMSE)算法。将该算法应用于A、IRS高光谱影像的端元光谱提取，并经过与美国地质勘探局(UnitedStatesGeologicalSurvey，USGS)波谱库中的数据匹配，得知其提取端元的精度较高。同时，通过与经典的纯净像元指数(pixelpurityindex，PPI)和连续最大角凸锥(sequentialmaximumangleconvexcone，SMACC)等端元提取算法进行实验比较和结果综合

3、分析，发现光谱最小信息熵算法提取端元光谱效率更高、精度更好。此外，分别利用SMACC和SMSE提取Hyperion高光谱影像端元，得出SMSE的端元提取效果好于SMACC，从而可认为SMSE算法具有一定普适性。关键词高光谱影像；光谱分析；最小信息熵；端元提取；普适性检验中图分类号：TP7文献标识码：AIlOI：10．3964／j．issn．1000-0593(2014)08—2229-05引言1理论与算法高光谱遥感因具有较高光谱分辨率而成为当今遥感研究1．1高斯分布的热点，但较低的空间分辨率使其影像中

4、普遍存在混合像高斯分布(gaussiandistribution)又名正态分布(normal元，并成为制约高光谱影像应用的关键因素。端元提取是混distribution)，是数学、物理及工程领域等统计分析中一个非合像元分解的关键步骤[1]。目前，国内外常用的端元提取常重要的概率分布，也在高光谱遥感影像分析中具有重要的方法有纯净像元指数算法(pixelpurityindex，PPI)¨3]、连续应用价值。设随机变量x的概率密度为1，～、2最大角凸锥算法(sequentialmaximumanglecon

5、vexcone，厂(z)一专~／2，一。。O)为常数，则称x服从参数为和的高斯二级并行独立成分分析[7]、离散粒子群优化算法(discrete分布或正态分布，记作x～N(，)。particleswaiTnoptimization，D-PSO)I_8j、基于光谱分类法等。在自然现象和社会现象中，大量随机变量服从或近似服这些

6、算法都具有各自的优缺点，比如：PPI随迭代次数的增从高斯分布L9]。实验表明，经过去相关的高光谱影像灰度值多而时间消耗剧增；SMACC虽然更快更自动化，但获得端也是近似服从高斯分布。元的精度较低。1．2信息熵在兼顾效率和精度的同时，提出一种用于高光谱影像端熵的概念最早起源于物理学，用于度量一个热力学系统元提取的新方法，即光谱最小信息熵(spectralminimum的无序程度。信息熵是一个信息学的抽象概念，是信息论之shannonentropy，SMSE)算法。并通过实验和分析验证了父Shannon提

7、出的_】，也称香农熵。在信息论里，熵是对不SMSE在端元提取中具有较好的效果。确定性的测量。信息熵是用来度量信息量的，一个系统越是有序，信息熵就越低；反之，则越高。例如，如果一个像元越纯净，它的信息熵就越小。一个值域为{z，⋯，}的随机收稿日期：2013—10-25。修订日期：2013—12-27基金项目：国家自然科学基金项目(41271436)和国家级大学生创新训练项目(2013n41301O)资助作者简介：杨可明，1969年生，中国矿业大学(北京)地球科学与测绘工程学院教授e-mail：ykm69

8、@163．com2230光谱学与光谱分析第34卷变量X的熵值H定义为H(X)一E(J(X))(2)2实验分析与算法比较式中，E为期望函数，I(x)为x的信息量(又称为信息本体)。如果用P代表随机变量X的概率质量函数，则公式可2．1实验数据以表达为实验数据为机载可见光、红外成像光谱仪(airbornevisi—bleinfraredimagingspectrometer，AVIRIS)的高光谱遥感影H(x)一∑P(x)(五)一一∑P(x)logbP(x)(