基于光譜特征混合分析的高光譜遙感數據挖掘技術

鄭豐收, 陶為翔, 李京

(正元地理信息集團股份有限公司， 北京 101300)

0 引言

隨著遙感地物監測技術的發展，采用遙感信息檢測方法進行遙感檢測，建立高光譜遙感數據挖掘模型，根據高光譜遙感數據挖掘結果進行光學成像特征分析，提高高光譜遙感數據的信息融合和地物目標檢測識別能力，通過利用光學成像技術進行高光譜遙感數據構造，通過分析高光譜遙感數據的檢測和特征分析模型，結合模糊信息處理方法，進行高光譜遙感數據挖掘和特征提取，結合遙感信息識別技術，進行高光譜遙感檢測，相關的高光譜遙感數據挖掘方法研究受到人們極大關注[1]。

對高光譜遙感數據的挖掘是建立在對高光譜遙感信息的采集和譜特征提取技術上，結合高光譜遙感數據的檢測模型，進行信息融合和優化特征提取，結合高分辨的像素特征分析方法，進行高光譜遙感數據檢測和挖掘[2]。本文提出基于光譜特征混合分析的高光譜遙感數據挖掘技術。建立高光譜遙感數據聚類模型，通過分析高光譜遙感數據的光譜特征量進行特征提取和分類識別，實現高光譜遙感數據的優化挖掘。最后進行仿真實驗分析，展示了本文方法在提高高光譜遙感數據挖掘能力方面的優越性能。

1 高光譜遙感數據信息檢測和特征提取

1.1 高光譜遙感數據信息檢測

為了最后實現高光譜遙感數據挖掘，首先需要對獲取到的高光譜遙感數據進行處理與分析，因此，結合光學特征提取檢測方法[3]，構建高光譜遙感數據的模糊度檢測模型，通過模糊度檢測方法進行高光譜遙感數據信息檢測。根據關聯信息特征提取方法，將特征聚類因子定義為式(1)。

(1)

通過如上定義，結合概率特征分析方法，得到高光譜遙感數據檢測的適應度函數為式(2)。

(2)

式中，f表示隱含層的激勵函數；m表示隱含層節點個數；ωij表示高光譜遙感數據的幅度增益。在上述分析基礎上，通過關聯度特征分析法，得到高光譜遙感數據的區域像素分布集表達為式(3)。

(3)

式中，Hij表示進行高光譜遙感數據的像素重組。得到光譜信息的邊緣像素級為式(4)。

(4)

式中，η表示空間分布像素增益;φ表示高光譜遙感數據的稀疏特征分量;R表示模板匹配系數;D表示迭代系數。在上述分析基礎上，結合光學特征提取檢測方法，構建高光譜遙感數據的模糊度檢測模型為式(5)。

(5)

式中，根據上述分析，對高光譜遙感數據信息進行檢測。結合信息編碼技術與高光譜遙感數據信息檢測結果，進一步對高光譜遙感數據信息進行特征提取、壓縮和信息融合[5]。

1.2 高光譜遙感數據特征提取

通過模糊度檢測方法進行高光譜遙感數據信息檢測，提取高光譜遙感數據的自相關統計特征量，采用差異度模糊信息挖掘方法進行高光譜遙感數據的譜分析[6]，高光譜遙感數據的低分辨率特征分布集為式(6)。

(6)

式中，?表示卷積算子。通過分析高光譜遙感數據的狀態空間，采用邊緣信息融合的方法，建立高光譜遙感數據的高分辨特征分析模型為式(7)。

(7)

(8)

根據式(8)得到的特征分解結果為式(9)。

(9)

式中，akj表示通過分析高光譜遙感數據的小波特征分解結果。得到高光譜遙感數據的幀分布序列為式(10)。

(10)

根據光譜遙感數據的幀分布序列，在高光譜遙感數據分布集中建立核函數模型，以最小效用閾值Nj*為加權向量，得到高光譜遙感數據分布的鄰域NEj*(t)，根據上述分析，高光譜遙感數據特征提取散射模型如圖1所示。

圖1 高光譜遙感數據特征提取散射模型

根據圖1的特征散射分布，進行多次掃描和區域信息融合，得到高光譜遙感數據的聚類中心為式(11)。

U={μik|i=1,2,…,c；k=1,2,…,n}

(11)

采用模糊度檢測方法，得到高光譜遙感數據的加權效用值為式(12)。

(12)

計算高光譜遙感數據的最大交叉概率，得到最終高光譜遙感數據特征提取結果為式(13)。

(13)

式中，pi,j(t)表示高光譜遙感數據的模糊隸屬度函數。在上述技術上，對高光譜圖像的像元點進行遙感信息降維處理，最后進行光譜特征混合處理。

2 高光譜遙感數據挖掘

2.1 高光譜遙感數據的光譜特征混合

在對高光譜遙感數據進行信息檢測和特征提取的基礎上，通過信息融合方法進行高光譜遙感數據的光譜濾波處理，采用模糊相關性特征檢測方法得到高空間光譜特征分布集為式(14)。

(14)

計算高光譜遙感數據挖掘的約束量，在最佳分辨特征約束下，得到高空間光譜特征提取結果為式(15)。

(15)

其中，w*為式(16)。

w*=I(k)g[2(m-1)+u,2(n-1)+v]

u∈{1,2};v∈{1,2}

(16)

式中，u表示高光譜遙感數據的區域特征像素點p(i,j)的銳化特征分布集;(i,j)表示模板匹配系數。由此建立高光譜遙感數據的光譜特征混合模型為式(17)。

(17)

根據式(17)得到的特征混合結果進行數據挖掘[9]。

2.2 高光譜遙感數據挖掘輸出

建立高光譜遙感數據的光譜信息增強模型，通過分析高光譜遙感數據的光譜特征量進行特征提取和分類識別，采用分塊監測的方法，得到光譜特征信息的檢驗模板函數為式(18)。

(18)

采用本體特征融合的方法，得到高光譜遙感數據的集優化量化函數為式(19)。

(19)

考慮高光譜遙感數據的信息化融合分布集，結合尋優控制的方法，得到光譜特征融合狀態函數為式(20)。

(20)

采用區塊信息融合的方法，得到高空間光譜特征提取結果為式(21)。

(21)

根據上述分析，建立高光譜遙感數據的光譜信息增強模型為式(22)、式(23)。

(22)

Cm=(1-λ+λt)t3

(23)

式(22)表示在高光譜遙感數據挖掘的控制變量，通過相關性分析，得到高光譜遙感數據挖掘的特征量為G={P1,P2,…,Pn;u1,u2,…,un}，高光譜遙感數據挖掘的狀態函數為式(24)。

(24)

通過分析高光譜遙感數據的光譜特征量及高光譜遙感數據挖掘的狀態函數計算結果，得到高光譜遙感數據中特征提取和分類識別挖掘輸出分別為式(25)、式(26)。

(25)

(26)

根據上述特征提取和分類識別結果，進行高光譜遙感數據的光譜特征混合分析，提高高光譜遙感數據的挖掘性能，實現高光譜遙感數據的優化挖掘。

3 仿真測試分析

通過仿真實驗驗證本文方法在實現高光譜遙感數據挖掘中的應用性能，進行實驗測試分析，采用C++仿真軟件進行高光譜遙感數據挖掘的仿真測試，數據采集的樣本長度為1 024，訓練集500，相似度系數為0.21，數據采集的離散點分布如圖2所示。

圖2 數據采集的離散點分布

根據圖2對高光譜遙感數據的離散采集結果進行數據挖掘，得到光譜特征混合分析結果如圖3所示。

(a) 原始光譜圖像

(b) 混合特征分析圖像

分析圖3得知，本文方法進行高光譜遙感數據挖掘，提高了光譜特征圖像的挖掘和遙感識別能力。

4 總結

利用光學成像技術進行高光譜遙感數據構造，通過分析高光譜遙感數據的檢測和特征分析模型，結合模糊信息處理方法，進行高光譜遙感數據挖掘。提出基于光譜特征混合分析的高光譜遙感數據挖掘技術。采用差異度模糊信息挖掘方法進行高光譜遙感數據的譜分析，分析得知，本文方法進行高光譜遙感數據挖掘的精度較高，提高了地物遙感目標的檢測識別能力。