基于光譜知識的高光譜圖像自動識別方法

牛志宇 趙慧潔

（北京航空航天大學 儀器科學與光電工程學院，北京 100191）

基于光譜知識的高光譜圖像自動識別方法

牛志宇 趙慧潔

（北京航空航天大學 儀器科學與光電工程學院，北京 100191）

針對傳統高光譜圖像礦物識別方法未能充分利用礦物光譜診斷吸收特征與礦物光譜知識、識別過程人為干預多等問題，提出了一種基于光譜知識的高光譜圖像自動識別方法.該方法引入了基于光譜吸收特征與波形特征的光譜知識作為自動識別的標準，利用連續統去除操作增強光譜吸收特征，采取基于光譜主次吸收特征的識別決策策略，建立多級約束準則以提高識別精度及避免誤識別，通過利用模擬數據進行算法精度評價并應用航空高光譜成像儀AVIRIS（Airborne Visible/Infrared Imaging Spectrometer）數據進行應用分析與驗證.結果表明:當圖像信噪比大于200時，識別準確率可以達到80.3%，能夠得到良好的識別結果以及較高的精度，并實現了基于高光譜圖像的礦物自動識別.

高光譜遙感;自動識別;光譜吸收特征

高光譜遙感是20世紀80年代發展起來的新型遙感探測技術，它將成像與光譜技術相結合，主要特點是光譜連續、分辨率高，并在獲取地表空間圖像的同時得到地物的連續光譜信息，從而為地物的精確識別提供了強有力的探測手段.礦物識別是高光譜遙感應用最成功的，也是最能發揮其優勢的應用領域［1］，高光譜數據礦物識別技術不僅在礦產資源勘查和評價中發揮重要作用，而且對月球和行星地質學研究都具有重要意義.

傳統高光譜圖像礦物識別方法主要包括基于數據統計信息的識別方法［2］以及基于光譜匹配的識別方法［3］.基于圖像統計信息的識別方法僅是利用圖像特征空間統計特性得到不同的類別，并利用先驗信息進行解譯，該類方法沒有充分利用光譜維信息.光譜角制圖、光譜相關填圖等光譜匹配［4］方法需要利用先驗光譜信息與圖像光譜進行匹配，以某種測度函數得到識別結果.這種方法在識別過程中需要用到圖像先驗信息，并且僅僅利用單一光譜特征，特征的不穩定性直接影響識別效果，且識別過程中需要人機交互.針對上述傳統方法存在的問題，發展了基于決策的識別方法，它以專家系統為基礎，建立識別規則進行地物識別，最具代表性的是美國地調局提出和發展的專家系統智能識別模型［5］，該類方法的準確度取決于專家系統庫建立是否完善以及識別規則的建立是否完備.為了提高礦物識別準確性與可靠性，針對基于決策方法存在的問題，本文提出了光譜波形與光譜特征參量相結合，并建立改進多級知識約束準則的高光譜礦物自動識別方法.

1 方法實現

本文方法通過研究標準光譜庫中參考光譜的內在吸收特征，對礦物參考光譜診斷吸收特征參數進行計算，作為識別的標準;并對被處理高光譜圖像的像元光譜以及庫中標準光譜進行連續統去除操作，以突出光譜診斷吸收特征;采用基于光譜主次吸收特征的最小二乘擬合法作為決策方法得到初級識別結果;通過對礦物光譜吸收特征進行知識化表達從而建立多級約束準則，對初級識別結果進行約束，以此避免錯誤識別和提高識別精度，實現高光譜圖像專題信息識別的智能化以及自動化.本文提出方法的實現流程如圖1所示.

圖1 本文方法實現流程

1.1 光譜知識庫的引入

光譜知識庫的準確性和完備性決定了應用系統的性能，合理建立知識庫并保證知識庫的準確和完備性是應用系統設計的重要前提.

針對現有礦物識別方法中知識庫建立不完善的問題，本文方法從兩方面構建光譜知識庫，即包含了光譜庫和特征庫，其中光譜庫包括標準光譜庫中常見礦物的整條光譜曲線，特征庫則包含光譜庫中標準礦物光譜的診斷吸收特征個數以及各個吸收特征的起止點波長位置等信息.

本文方法中使用的光譜庫是美國地調局光譜庫，覆蓋波譜范圍為 0.395 ～2.56 μm;選取了 60種常見礦物，其中包括明礬石、高嶺石、蒙脫石、白云母、方解石和伊利石等礦物的標準光譜［6］.

特征譜帶在礦物中具有較穩定的波長位置和較穩定的獨特波形，能夠指示礦物的存在，因此可將礦物的這些“指紋特征”作為識別的標準.通過分析所使用光譜庫中的標準光譜，計算并記錄光譜診斷吸收特征的相關參數，包括吸收特征的個數及其特征位置，從而形成特征庫.為了抑制單一光譜特征不穩定以及噪聲等對識別結果的影響，本文選取了礦物光譜的主次吸收特征.如圖2所示，明礬石主次吸收特征分別位于 2.065～2.235 μm與2.295 ～ 2.355 μm;高嶺石具有雙吸收特征，位于2.115 ～2.245 μm.

圖2 典型礦物吸收特征比較（光譜已平移）

1.2 基于光譜主次吸收特征的決策方法

圖像光譜與標準光譜由于以下因素影響存在一定的差異:圖像中礦物光譜為混合礦物光譜，標準光譜庫中為實驗室測量純礦物光譜;傳感器參數、大氣條件和成礦條件等外界因素影響造成的光譜特征漂移或變淺等;因此有必要對光譜曲線進行預處理以增強光譜吸收特征.為了解決上述問題，本文方法對圖像光譜及知識庫中參考光譜進行連續統去除［7］，其計算公式為

其中，λ為波長，Rcr（λ）為連續統去除后的反射率值;R（λ）為連續光譜的反射率值;C（λ）為連續統的值.連續統處理前后的光譜如圖3所示，處理后光譜曲線的吸收特征得到了明顯地增強.

圖3 連續統去除前后礦物光譜對比

現有光譜特征擬合［8］等識別方法是利用全波段吸收特征進行匹配擬合，其中的部分較小特征可能為圖像噪聲.針對上述問題以及光譜吸收特征波形比較穩定這一特性，本文改進了現有的光譜相似性測度，提出了基于光譜主次吸收特征的最小二乘擬合法作為決策方法，將圖像光譜與光譜知識庫中各個標準光譜在主吸收特征及次級吸收特征波段進行加權比較，忽略掉較小特征的干擾影響，從而得到最初的識別結果.計算公式為

其中，ni為第i個吸收特征所含的波段數;Oi為第i個吸收特征連續統去除后的圖像像元光譜;Li為第i個吸收特征連續統去除后的光譜庫參考光譜;Ci為第i個光譜吸收特征所占的權系數，可利用該吸收特征的面積在整個波段主次兩個特征的面積之和中所占的比例來得到;Ftotal為連續統去除后的圖像像元光譜與參考光譜在主次吸收特征區間的加權匹配值，作為最初的圖像識別結果.

1.3 多級約束準則的建立

本文提出的方法通過最小二乘擬合決策方法對連續統去除后的圖像像元光譜和參考光譜進行擬合處理.由于存在不同種礦物連續統去除后特征區間波形相似的情況，即出現“異物同譜”.因此需要對連續統去除前的圖像像元光譜與參考光譜進行約束.本文方法中多級知識約束準則的建立即是用來排除異物同譜的情況，從而得到高光譜圖像的最終識別結果.通過研究知識庫中參考光譜間的區別和聯系，對礦物光譜吸收特征進行知識化表達，建立合適的多級知識約束準則，用來精確識別結果并避免誤識別.其約束處理流程如圖4所示.通過對圖像像元光譜及其可能屬于的候選參考光譜進行以下多級決策處理，以最終確定其所屬類別.

圖4 多級知識約束準則的樹狀處理流程

現有識別方法中采用的約束規則可能導致識別誤差:采用連續光譜幅值作為約束會由于光照等因素引起的幅值差異導致識別誤差［9］;由于數據本身的壞點、雜點噪聲可能會干擾識別結果.基于以上問題本文方法中提出了新的約束準則并且對已有的規則進行了改進，避免了異物同譜情況造成的誤識別，提高了識別結果的準確度.本文方法選取了4個約束條件建立多級約束準則:

1）特征波段光譜角匹配約束.由于光照等因素影響，地物光譜的幅值可能與庫標準光譜的幅值存在差異，本文方法改進了現有約束準則，即采用了特征波段光譜角匹配［10］（SAM，Spectral Angle Mapper），光譜特征波段區間光譜角為

其中，t為巖礦參考光譜;r為圖像像元光譜.通過該約束條件，可避免不同種地物連續統去除后形狀類似而造成的誤識別.

2）礦物空間分布連續性.為了去除數據獲取過程中產生的散點、雜點噪聲對圖像識別效果的影響，本文方法提出了礦物空間分布連續的約束準則，即采用礦物空間分布連續的特性，認為礦物幾乎不會以散點的形式存在于圖像中，絕大多數礦區的礦物會以聚集形式存在.該空間相關性在初步識別結果圖像中可表示為某一像素周圍8個方向相鄰的匹配值像素之和，若小于某一閾值則排除該點.利用這一特性，通過高光譜圖像的空間維相關信息可以進一步提高本文方法的精確性.

3）特征波段反射率閾值設定.當進行連續統去除操作以后，圖像中反射率很低的小隨機噪聲可能會產生波谷曲線，在識別過程中被作為吸收特征，從而造成錯誤的識別.為了去除該影響，可以設定連續統去除前，圖像像元光譜在與其匹配的參考光譜的特征波段區間的最小反射率閾值來進行約束.若圖像連續光譜在特征波段區間的最大反射率仍小于該閾值，則認為其為小隨機噪聲，利用該約束條件可以消除這一影響.

4）是否存在特定吸收特征.由于不同種礦物會在某一波段區間存在相似特征，但不會在所有波段區間都具有相似特征，因此可以根據一種礦物在與之具有相似特征的另一種礦物的其它特征波段區間不具有吸收特征，來區分具有相似吸收特征的兩種礦物.

通過以上建立的多級約束準則，綜合利用高光譜圖像的光譜維信息和空間維信息，即運用連續光譜的特征參數和礦物空間分布特點，對初步識別結果進行約束處理，從而使識別精度進一步增強，得到最終的識別結果.

2 精度評價及實驗結果分析

為了分析和評價本文提出方法的性能，對不同信噪比的模擬數據采用識別準確率進行定量化精度評價.為了驗證本文方法，采用AVIRIS高光譜數據進行礦物自動識別應用分析.

2.1 精度分析

利用標準光譜庫參考光譜合成不同信噪比的模擬數據，通過采用識別準確率的方法，對本文方法的識別效果進行評價.識別準確率計算公式為

其中，a為識別準確率;Nreg為圖像中被準確識別的各類地物的像素總數;Ntotal為圖像中總像素數.

模擬圖像由明礬石和高嶺石兩種端元光譜按不同含量混合而成，端元光譜采用美國地調局光譜庫中明礬石和高嶺石，在模擬圖像中按明礬石含量逐行遞增的方式混合，并且規定混合像元中礦物的含量為20%～80%時應識別為混合物.

運用本文方法處理模擬圖像數據來進行定量化精度評價.同時為了研究噪聲對算法性能的影響，在混合光譜中加入隨機噪聲.噪聲加入方式如下所示:

其中，r'b為加噪聲后的光譜;rb為無噪聲光譜;q（0，1）為均值為0，方差為1的隨機噪聲;σSNR為信噪比;M為噪聲的反射率，本文設為0.5.在精度分析過程中，σSNR分別取200，100，50，評價結果如表1所示.

表1 不同信噪比圖像的精度評價結果

通過對理想圖像以及不同信噪比圖像運用該方法進行自動識別，并對識別結果進行精度評價，可以發現本識別方法在 σSNR＞200時 a可達80.3%，能夠取得良好的識別效果，滿足應用精度要求.

2.2 算法應用與驗證

實驗數據采用美國Cuprite礦區AVIRIS機載高光譜數據，λ 范圍為:1.990 8 ～2.479 μm，空間分辨率為20 m，光譜分辨率為10 nm，數據大小為400×350×50.該數據單波段圖像如圖5.

圖5 本文方法應用數據（1.9908 μm）

運用本文方法，對實測高光譜圖像進行礦物自動識別，得到的識別結果如圖6所示.

通過礦物識別結果分析以及與前人研究結果、地質資料比較，本文方法可以很好地實現該地區主要蝕變礦物的自動識別，并且基本排除了數據獲取過程中產生的雜點噪聲等干擾.

采用基于SAM的礦物光譜匹配識別方法對圖5所示數據進行應用，并從標準庫中選取該區域主要蝕變礦物光譜作為先驗信息，得到的填圖結果與本文方法應用結果進行比較如圖7所示.

通過與SAM識別方法的填圖結果進行比較，并結合該礦區的實際礦物分布情況，可以發現利用本文方法的識別效果要更好，其中白云母、多水高嶺石以及蒙脫石的識別在SAM方法的結果中存在明顯的誤識別;同時本文方法更具優越性，整個實現過程不需要人為干預，實現了礦物信息的自動識別.

圖6 本文方法自動識別結果

圖7 不同方法填圖比較

3 結論

本文提出了一種應用于高光譜圖像的基于礦物光譜波形與礦物光譜特征知識的自動識別方法.本文方法中光譜知識庫包含了光譜波形庫和光譜特征庫，有效地減少了由于光譜知識不完備等造成的礦物誤識別;利用光譜主次吸收特征作為決策準則，通過建立多級約束準則降低異物同譜等因素對識別結果的影響.通過模擬數據進行本文方法識別精度分析與評價，當圖像信噪比大于200時礦物識別準確率可達到80.3%;Cuprite礦區礦物識別結果與前人研究結果、地質資料一致性較好，并識別效果明顯優于基于光譜匹配的SAM方法識別結果.

（References）

［1］王潤生，楊蘇明，閻柏琨.成像光譜礦物識別方法與識別模型評述［J］.國土資源遙感，2007，71（1）:1－9

Wang Runsheng，Yang Suming，Yan Baikun.A review of mineral spectral identification methods and models with imaging spectrometer［J］.Remote Sensing for Land ＆ Resources，2007，71（1）:1－9（in Chinese）

［2］趙慧潔，李娜，賈國瑞，等.改進獨立成分分析在高光譜圖像分類中的應用［J］.北京航空航天大學學報，2006，32（11）:1333－1336

Zhao Huijie，Li Na，Jia Guorui，et al.Improved independent component analysis applied to classification hyperspectral imagery［J］.Journal of Beijing University of Aeronautics and Astronautics，2006，32（11）:1333－1336（in Chinese）

［3］黃光玉，沈占鋒，趙欣梅.高光譜遙感礦物識別方法研究［J］.資源環境與工程，2007，21（1）:50－54

Huang Guangyu，Shen Zhanfeng，Zhao Xinmei.Discussion for discrimination method of mineral using hyperspectral remote sensing［J］.Resources Environment ＆ Engineering，2007，21（1）:50－54（in Chinese）

［4］白繼偉.基于高光譜數據庫的光譜匹配技術研究［D］.北京:中國科學院遙感應用研究所，2002

Bai Jiwei.The study on the spectral mapping technique based on the hyperspectral database［D］.Beijing:Institute of Remote Sensing Application，China Academy of Sciences，2002（in Chinese）

［5］Clark R N，Swayze G A，Livo K E，et al.Imaging spectroscopy:earth and planetary remote sensing with the USGS tetracorder and expert systems［J］.Journal of Geophysical Research，2003，108（12）:1－44

［6］李興.高光譜數據庫及數據挖掘研究［D］.北京:中國科學院遙感應用研究所，2006

Li Xing.Research on hyperspectral database and hyperspectral datamining［D］.Beijing:Institute ofRemote Sensing Application，China Academy of Sciences，2006（in Chinese）

［7］Du Peijun.Feature extraction for target identification and image classification of OMIS hyperspetral image［J］.Mining Science and Technology，2009，19（6）:835－841

［8］燕守勛，張兵.高光譜遙感巖礦識別填圖的技術流程與主要技術方法綜述［J］.遙感技術與應用，2004，19（1）:52－63

Yan Shouxun，Zhang Bing.Summarizing the technical flow and main approaches for discrimination and mapping of rocks and minerals using hyperspectral remote sensing［J］.Remote Sensing Technology and Application，2004，19（1）:52－63（in Chinese）

［9］Swayze G A，Clark R N，Goetz A F H，et al.Effects of spectrometer band pass，sampling，and signalto-noise ratio on spectral identification using the Tetracorder algorithm［J］.Journal of Geophysical Research，2003，108（E9）:5105－5134

［10］梁繼，王建，王建華.基于光譜角分類器遙感影像的自動分類和精度分析研究［J］.遙感技術與應用，2002，17（6）:299－303

Liang Ji，Wang Jian，Wang Jianhua.Study on automatic classification and accuracy analysis of remote sensing image based on SAM［J］.Remote Sensing Technology and Application，2002，17（6）:299－303（in Chinese）

Automatic recognition of hyperspectral image based on spectral knowledge

Niu Zhiyu Zhao Huijie
（School of Instrument Science and Opto-electronics Engineering，Beijing University of Aeronautics and Astronautics，Beijing 100191，China）

In order to solve the problems of current methods for mineral recognition from hyperspectral data，such as the requirement for prior information，the failure to make full use of absorption features and the lack of the automation of recognition process，an automatic recognition approach based on the spectral knowledge was proposed.The spectral knowledge library including the spectral information and absorption features was generated as the recognition standard，in which the absorption features were enhanced by removing the continuum of image spectra and library spectra as well.The decision method was proposed based on the major and minor absorption features，and a multi-constraint criterion was established to improve the recognition accuracy and avoid the false recognition.The accuracy evaluation of the proposed approach was performed on the simulated data and the airborne visible/infrared imaging spectrometer（AVIRIS）data as well.Experimental results show that the recognition accuracy reaches 80.3%when the signal-to-noise of image is higher than 200.Fine results with the high accuracy are obtained by the proposed approach，and the mineral automatic recognition from hyperspectral data is achieved simultaneously.

hyperspectral remote sensing;automatic recognition;spectral absorption feature

TP 751.1

1001-5965（2012）02-0280-05

2010-11-03;< class="emphasis_bold">網絡出版時間:

時間:2012-02-21 11:47;

CNKI:11-2625/V.20120221.1147.023

www.cnki.net/kcms/detail/11.2625.V.20120221.1147.023.html

國家863計劃資助項目（2008AA121102，2008AA12A201）;國家自然科學基金資助項目（61008047）;長江學者和創新團隊發展計劃資助項目（IRT0705）

牛志宇（1985－），男，河北唐山人，碩士生，niuzhiyu0916@126.com.

（編 輯:劉登敏）