留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法

沈永林 刘修国 吴立新 苏红军 何浩

沈永林, 刘修国, 吴立新, 苏红军, 何浩. Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007
引用本文: 沈永林, 刘修国, 吴立新, 苏红军, 何浩. Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007
SHEN Yonglin, LIU Xiuguo, WU Lixin, SU Hongjun, HE Hao. A Local Spectral-spatial Similarity Measure for Bad Line Correction in Hyperion Hyperspectral Data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007
Citation: SHEN Yonglin, LIU Xiuguo, WU Lixin, SU Hongjun, HE Hao. A Local Spectral-spatial Similarity Measure for Bad Line Correction in Hyperion Hyperspectral Data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007

Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法

doi: 10.13203/j.whugis20150007
基金项目: 

国家自然科学基金 Nos. 41501459, 41201341

中国博士后科学基金 No.2013M542086

中央高校新青-教师科研启动基金 No.CUGL140834

详细信息
    作者简介:

    沈永林,博士,研究方向为高光谱遥感信息处理及应用。shenyl@cug.edu.cn

  • 中图分类号: P237

A Local Spectral-spatial Similarity Measure for Bad Line Correction in Hyperion Hyperspectral Data

Funds: 

The National Natural Science Foundation of China Nos. 41501459, 41201341

the China Postdoctoral Science Foundation No.2013M542086

the Fundamental Research Funds for the Central Universities No.CUGL140834

More Information
    Author Bio:

    SHEN Yonglin, PhD, specializes in the hyperspectral remote sensing information processing and applications.shenyl@cug.edu.cn

  • 摘要: Hyperion高光谱影像中的坏线将直接影响后续应用的准确性。针对Hyperion高光谱辐射率数据的特点,考虑影像中坏线像元与邻近像元在空间和光谱上的相似性,提出了一种局部空间-光谱相似性测度(local spectral-spatial similarity measure,LS3M),以实现对Hyperion高光谱数据的描述和坏线修复。LS3M由空间和光谱两部分的相似性测度构成,前者为欧氏距离度量,后者组合了Canberra距离和光谱相关角(spectral correlation angle,SCA)。考虑到Hyperion高光谱不同波段的辐射率特性,引入信息熵对SCA进行约束。针对相似像元的邻近搜索问题,引入相似度均值与方差对光谱相似性阈值进行动态调整。为验证该方法的有效性,选取了沙漠、草原、森林、城郊、沿海城市和内陆城市6种典型场景的Hyperion高光谱数据进行模拟坏线的定量误差分析和真实坏线的定性评价;通过与邻域均值法及常规光谱相似性测度的对比,证实LS3M法坏线修复精度更高,稳定性更好。
  • 图  1  10种方法对应6种场景的精度

    Figure  1.  TIC Error of the Key Similarity Measures in Six Typical Senses

    图  2  湖泊区块的坏线修复结果对比

    Figure  2.  Correction Results for Inland Lake

    图  3  建筑群区块的坏线修复结果对比

    Figure  3.  Correction Results for Groups of Buildings

    图  4  最少相似像元个数与坏线修复误差

    Figure  4.  Correlation Between TIC and Number of Similar Pixel

    表  1  6种典型场景的描述

    Table  1.   Description of Six Diverse Test Sites

    场景 描述 获取时间 中心位置 列像元尺寸
    纬度 经度
    沙漠 阿拉伯半岛鲁卜哈利 2014-02-25 18°44′01.24″N 48°58′29.14″E 6 982
    草原 内蒙古锡林郭勒 2011-07-31 43°16′09.67″N 116°05′41.36″E 6 985
    森林 湖北森林覆盖区 2004-10-09 29°26′47.20″N 111°25′26.86″E 7 149
    城郊 武汉江汉平原 2004-12-05 29°44′36.38″N 113°50′10.27″E 3 243
    沿海城市 海地太子港 2010-02-20 17°30′45.32″N 72°32′23.04″W 6 985
    内陆城市 北京城区 2010-06-20 39°26′14.67″N 116°17′55.80″E 3 407
    下载: 导出CSV
  • [1] Han T, Goodenough D G, Dyk A, et al. Detection and Correction of Abnormal Pixels in Hyperion images[C]. IGARSS, Toronto, Canada, 2002
    [2] Goodenough D G, Dyk A, Niemann K O, et al. Processing Hyperion and ALI for Forest Classification[J]. IEEE Transactions Geoscience and Remote Sensing, 2003, 41(6):1 321-1 331 doi:  10.1109/TGRS.2003.813214
    [3] Chen J, Zhu X, Vogelmann J E, et al. A Simple and Effective Method for Filling Gaps in Landsat ETM+ SLC-off Images[J]. Remote Sensing of Environment, 2011, 115(4):1 053-1 064 doi:  10.1016/j.rse.2010.12.010
    [4] 杜培军,唐宏,方涛. 高光谱遥感光谱相似性度量算法与若干新方法研究[J]. 武汉大学学报·信息科学版, 2006, 31(2):112-115 http://ch.whu.edu.cn/CN/abstract/abstract2380.shtml

    Du Peijun, Tang Hong, Fang Tao. Algorithms for Spectral Similarity Measure in Hyperspectral RS[J]. Geomatics and Information Science of Wuhan University, 2006, 31(2):112-115 http://ch.whu.edu.cn/CN/abstract/abstract2380.shtml
    [5] Van der M F. The Effectiveness of Spectral Similarity Measures for the Analysis of Hyperspectral Imagery[J]. Journal of Applied Earth Observation and Geoinformation, 2006, 8(1):3-17 doi:  10.1016/j.jag.2005.06.001
    [6] Vishnu S, Nidamanuri R R, Bremananth R. Spectral Material Mapping Using Hyperspectral Imagery:A Review of Spectral Matching and Library Search Methods[J]. Geocarto International,2012, 28(2):171-190 https://www.researchgate.net/publication/254237722_Spectral_material_mapping_using_hyperspectral_imagery_A_review_of_spectral_matching_and_library_search_methods
    [7] Homayouni S, Roux M. Hyperspectral Image Analysis for Material Mapping Using Spectral Matching[C]. ISPRS, Istanbul, Turkey, 2004
    [8] Du Y, Chang C, Ren H, et al. New Hyperspectral Discrimination Measure for Spectral Characterization[J]. Optical Engineering,2004, 43(8):1 777-1 786 doi:  10.1117/1.1766301
    [9] Kumar N M, Seshasai M V R, Vara P, et al. A New Hybrid Spectral Similarity Measure for Discrimination Among Vigna Species[J]. International Journal of Remote Sensing,2011, 32(14):4 041-4 053 doi:  10.1080/01431161.2010.484431
    [10] 张修宝,袁艳,景娟娟,等.信息散度与梯度角正切相结合的光谱区分方法[J].光谱学与光谱分析,2011,31(3):853-857 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201103072.htm

    Zhang Xiubao, Yuan Yan, Jing Juanjuan, et al. Spectral Discrimination Method Information Divergence Combined with Gradient Angle[J]. Spectroscopy and Spectral Analysis,2011,31(3):853-857 http://www.cnki.com.cn/Article/CJFDTOTAL-GUAN201103072.htm
    [11] Teska B M, Li C, Winn B C, et al. Comparison of Quantitative Spectral Similarity Analysis Methods for Protein Higher-Order Structure Confirmation[J]. Analytical Biochemistry,2013, 434(1):153-165 doi:  10.1016/j.ab.2012.11.018
    [12] Lance G N, Williams W T. Computer Programs for Hierarchical Polythetic Classification ("Similarity Analysis")[J]. Computer Journal,1966, 9 (1):60-64 doi:  10.1093/comjnl/9.1.60
    [13] Heij C, de Boer P, Franses P H, et al. Econometric Methods with Applications in Business and Economics[M]. New York:Oxford University Press Inc., 2004
    [14] Schwarz J, Staenz K. Adaptive Threshold for Spectral Matching of Hyperspectral Data[J]. Canadian Journal of Remote Sensing, 2001, 27(3):216-224
  • [1] 程绵绵, 孙群, 李少梅, 徐立.  多尺度点群广义Hausdorff距离及在相似性度量中的应用 . 武汉大学学报 ● 信息科学版, 2019, 44(6): 885-891. doi: 10.13203/j.whugis20170305
    [2] 李兆兴, 翟京生, 武芳.  线要素综合的形状相似性评价方法 . 武汉大学学报 ● 信息科学版, 2019, 44(12): 1859-1864. doi: 10.13203/j.whugis20180164
    [3] 安如, 陆彩红, 王慧麟, 姜丹萍, 孙梦秋, JonathanArthur Quaye Ballard.  三江源典型区草地退化Hyperion高光谱遥感识别研究 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 399-405. doi: 10.13203/j.whugis20150168
    [4] 孙伟伟, 蒋曼, 李巍岳.  利用稀疏自表达实现高光谱影像波段选择 . 武汉大学学报 ● 信息科学版, 2017, 42(4): 441-448. doi: 10.13203/j.whugis20150052
    [5] 张良培.  高光谱目标探测的进展与前沿问题 . 武汉大学学报 ● 信息科学版, 2014, 39(12): 1377-1394+1400.
    [6] 王楠, 张良培, 杜博.  最小光谱相关约束NMF的高光谱遥感图像混合像元分解 . 武汉大学学报 ● 信息科学版, 2014, 39(1): 22-26.
    [7] 谢明霞, 王家耀, 郭建忠, 陈科.  不等距划分的高维相似性度量方法研究 . 武汉大学学报 ● 信息科学版, 2012, 37(7): 780-783.
    [8] 孙伟伟, 刘春, 施蓓琦, 李巍岳.  利用偏最小二乘方法修复高光谱影像等距映射降维中遗失点的坐标 . 武汉大学学报 ● 信息科学版, 2012, 37(5): 550-554.
    [9] 李祖传, 马建文, 张睿, 李利伟.  利用SVM-CRF进行高光谱遥感数据分类 . 武汉大学学报 ● 信息科学版, 2011, 36(3): 306-310.
    [10] 谭琨, 杜培军, 王小美.  利用分离性测度多类支持向量机进行高光谱遥感影像分类 . 武汉大学学报 ● 信息科学版, 2011, 36(2): 171-175.
    [11] 周源, 方圣辉, 李德仁.  利用光谱角敏感森林的高光谱数据快速匹配方法 . 武汉大学学报 ● 信息科学版, 2011, 36(6): 687-690.
    [12] 刘良明, 魏然, 周正.  利用动态阈值的森林草原火灾火点检测算法 . 武汉大学学报 ● 信息科学版, 2011, 36(12): 1434-1437.
    [13] 徐元进, 胡光道, 张振飞.  基于光谱整体形态和局部吸收谷位置的高光谱遥感图像地物识别 . 武汉大学学报 ● 信息科学版, 2010, 35(7): 868-872.
    [14] 黄远程, 李平湘, 张良培.  基于交互最小二乘优化的高光谱影像端元光谱分析 . 武汉大学学报 ● 信息科学版, 2010, 35(10): 1217-1221.
    [15] 杨春成, 何列松, 谢鹏, 周校东.  顾及距离与形状相似性的面状地理实体聚类 . 武汉大学学报 ● 信息科学版, 2009, 34(3): 335-338.
    [16] 舒宁, 苏俊英.  高光谱影像纹理特征编码分形特征研究 . 武汉大学学报 ● 信息科学版, 2009, 34(4): 379-382.
    [17] 杜辉强, 舒宁.  高光谱影像能量边缘提取 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 132-135.
    [18] 杜培军, 唐宏, 方涛.  高光谱遥感光谱相似性度量算法与若干新方法研究 . 武汉大学学报 ● 信息科学版, 2006, 31(2): 112-115.
    [19] 张立福, 张良培, 村松加奈子, 藤原昇.  基于高光谱卫星遥感数据的UPDM分析方法 . 武汉大学学报 ● 信息科学版, 2005, 30(3): 264-268.
    [20] 舒宁.  关于多光谱和高光谱影像的纹理问题 . 武汉大学学报 ● 信息科学版, 2004, 29(4): 292-295.
  • 加载中
图(4) / 表(1)
计量
  • 文章访问数:  1072
  • HTML全文浏览量:  72
  • PDF下载量:  245
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-07-25
  • 刊出日期:  2017-04-05

Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法

doi: 10.13203/j.whugis20150007
    基金项目:

    国家自然科学基金 Nos. 41501459, 41201341

    中国博士后科学基金 No.2013M542086

    中央高校新青-教师科研启动基金 No.CUGL140834

    作者简介:

    沈永林,博士,研究方向为高光谱遥感信息处理及应用。shenyl@cug.edu.cn

  • 中图分类号: P237

摘要: Hyperion高光谱影像中的坏线将直接影响后续应用的准确性。针对Hyperion高光谱辐射率数据的特点,考虑影像中坏线像元与邻近像元在空间和光谱上的相似性,提出了一种局部空间-光谱相似性测度(local spectral-spatial similarity measure,LS3M),以实现对Hyperion高光谱数据的描述和坏线修复。LS3M由空间和光谱两部分的相似性测度构成,前者为欧氏距离度量,后者组合了Canberra距离和光谱相关角(spectral correlation angle,SCA)。考虑到Hyperion高光谱不同波段的辐射率特性,引入信息熵对SCA进行约束。针对相似像元的邻近搜索问题,引入相似度均值与方差对光谱相似性阈值进行动态调整。为验证该方法的有效性,选取了沙漠、草原、森林、城郊、沿海城市和内陆城市6种典型场景的Hyperion高光谱数据进行模拟坏线的定量误差分析和真实坏线的定性评价;通过与邻域均值法及常规光谱相似性测度的对比,证实LS3M法坏线修复精度更高,稳定性更好。

English Abstract

沈永林, 刘修国, 吴立新, 苏红军, 何浩. Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007
引用本文: 沈永林, 刘修国, 吴立新, 苏红军, 何浩. Hyperion高光谱影像坏线修复的局部空间-光谱相似性测度方法[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007
SHEN Yonglin, LIU Xiuguo, WU Lixin, SU Hongjun, HE Hao. A Local Spectral-spatial Similarity Measure for Bad Line Correction in Hyperion Hyperspectral Data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007
Citation: SHEN Yonglin, LIU Xiuguo, WU Lixin, SU Hongjun, HE Hao. A Local Spectral-spatial Similarity Measure for Bad Line Correction in Hyperion Hyperspectral Data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 456-462. doi: 10.13203/j.whugis20150007
  • 随着卫星高光谱数据空间和光谱分辨率的不断提升,其在地质、植被、海洋、大气、生态环境等领域的应用需求愈发迫切。美国国家航空航天局(National Aeronautics and Space Administration, NASA) EO(earth observing)-1卫星搭载的Hyperion传感器是第一台星载民用成像光谱仪。该光谱仪以推扫式获取可见光近红外(356~1 058 nm)和短波红外(852~2 577 nm)共242个波段的光谱数据,并在沿垂直航线方向安置了256个独立的探测器获取列和波段的光谱信息。但因各探测器灵敏度存在差异,后期传感器的定标误差致使高光谱影像上形成坏线[1],直接影响后续应用的准确性。

    Han等[1]将坏线分为连续且奇异值、连续且恒定值、间歇且奇异值以及间歇且邻近低值4类。邻域均值法(neighborhood averaging method,NAM)[2]是Hyperion高光谱数据坏线修复最常用的方法。但该方法的精度依赖于左右像元与坏线像元的相关性,严重制约了其在复杂场景中的应用。通常,相邻相似像元具有相似的光谱特性。Chen等[3]通过比较目标像元在不同时相影像的相似性,实现了Landsat ETM+ SLC-off多光谱数据的修复。但不同时相影像获取时的大气和光照条件存在差异,难免对修复的精度造成影响。高光谱数据的优势在于波段连续、数量多,且坏线仅在部分波段出现。

    本文以Hyperion高光谱影像坏线修复为目标,综合考虑坏线像元与邻近像元在空间和光谱上的相似性,提出一种局部空间-光谱相似性测度(local spectral-spatial similarity measure,LS3M)。该方法基于两点假设,一是邻近像元具有近似相同的大气条件和光照条件,二是相似像元在光谱维上具有相近的相似度。LS3M可直接作用于高光谱辐射率数据,并为Hyperion高光谱的后续应用提供支撑。

    光谱匹配是借助光谱相似性测度在参考光谱中搜索与目标光谱近似光谱点的技术。大量的光谱相似性测度被开发用于高光谱地物识别与分类[4],大体分为确定性测度和随机性测度两类[5]。前者主要利用目标与参考光谱间的几何或物理特性,如距离、角度、相关性等;后者通过估计影像像元值(亮度、辐射率或反射率)统计分布特征[6]

    常见的确定性测度包括欧氏距离、光谱角(spectral angle mapper,SAM)、Pearson光谱相关系数(spectral correlation,SC)、光谱交叉相关系数、光谱相关角(spectral correlation angle,SCA)、光谱梯度角(spectral gradient angle,SGA)等。常见的随机性测度有光谱信息散度(spectral information divergence,SID)和约束能量最小化等。除上述两种主要类别外,还有一种属于非参数分类器的相似性度量,如人工神经网络。为满足高光谱传感器发展的需求,现有研究一方面改进已有光谱相似性测度,另一方面通过组合两种或以上的测度以提升光谱识别能力[7]。Du等[8]针对树种识别提出了SAM与SID的测度组合;受其启发,Naresh等[9]针对农作物类型识别提出了SID与SCA的组合测度;张修宝等[10]组合了SID和SGA测度。尽管测度组合能提升光谱区分性,但光谱相似性测度的有效性也取决于特定的应用[11]

    因此,依据现有光谱相似性测度研究成果,本文结合Hyperion高光谱辐射率数据的特点,设计一种多测度组合方法,有望解决高光谱影像坏线修复问题。

    • 高光谱影像中的坏线像元与邻近相似像元(非坏线像元)在光谱上具有相似性,且在空间上存在一定的约束条件。本文提出的LS3M坏线修复方法直接作用于Hyperion辐射率数据,能综合考虑坏线像元与邻近像元在空间和光谱上的相似性,通过组合多种光谱相似性测度提升光谱匹配的准确性,并利用动态阈值搜索的方式优化相似像元的搜索结果。其主要步骤包括选择合适的光谱相似性测度,确定光谱相似性测度的组合方式,设定邻近像元为相似像元的光谱相似度阈值,确定空间相似度和光谱相似度的组合方式,以及形成空间-光谱相似性测度以实现高光谱影像坏线的修复等4个步骤。

    • 若将高光谱数据置于三维欧氏空间,可用(x, y)表示高光谱影像的像元位置,z表示光谱范围内的波段。每个像元被看作一个光谱向量,光谱值随波长和地物类型变化。假设坏线像元与邻近像元的光谱向量分别为t=(t1, t2, …, tn)和r=(r1, r2, …, rn),其中n为坏线像元与邻近像元光谱向量同时有效波段的数量。

      Canberra距离(CD),又称兰氏距离,最早由Lance和Williams提出[12]。CD是定义在欧氏空间上的一个度量:

      (1)

      式中,|·|为绝对值函数。CD做自身的标准化,有利于克服高光谱各波段间辐射率量纲的影响。同时,该距离考虑了误差占自身的比重,特别适合高度偏倚的数据。

      SCA是光谱向量间Pearson光谱相关系数的余弦角。它能反映光谱相对均值的变化,很好地消除了负相关的影响,并最大限度地消除阴影效应[5]

      (2)

      SCA值越小,表明两光谱向量相似度越高。两光谱向量的SC值介于-1和1之间[13]

      (3)
    • CD和SCA测度分别从不同的角度衡量坏线像元与邻近像元光谱向量的差异。受成像光谱仪瞬时视场角与光谱分辨率的制约,高光谱在长波波段具有较低的信噪比,目标与参考光谱向量间的线性相关性减弱,SCA测度的精度受影像信息量的制约。

      信息熵反映了影像携带信息量的多少。高光谱波段影像的熵值越大,说明该波段影像携带的信息越丰富[5]。对于Hyperion高光谱数据,信息熵H整体上随波长的增加而减少。结合信息熵与SCA测度间的关联性,我们将信息熵作为SCA与CD测度组合中的权重。光谱相似性测度组合(记作SS)为:

      (4)

      式中,tan(·)为正切函数,其作用为计算坏线像元与邻近像元光谱向量的垂直距离[9];参数α是关于信息熵H的条件函数:

      (5)

      式中,,即将高光谱某波段影像辐射值离散化为n个区间,统计每个区间点数Ni并计算相应的概率Pi,则,且

    • 考虑到地物场景的复杂性,且为了提升相似像元的邻域搜索的效率,本文设计了一种动态阈值方法。假设最大搜索窗口为Wmax,相似像元n的最少个数为N。对于高光谱数据中某一波段的一条坏线,其坏线修复从该列首行像元开始逐行计算。

      坏线列首行坏线像元的阈值经计算Wmax内坏线像元与所有邻近像元的光谱相似度获得;按相似度递减排序,取前N个相似度最高的像元作为相似像元;将第N个相似度值作为当前坏线像元的光谱相似度阈值和下一行坏线像元的初始搜索阈值T1

      对于第i行坏线像元,采取逐次扩大搜索窗口的策略,其初始搜索窗口为3×3,并将满足Ti-1的结果存入当前坏线像元的列表Li中。当满足Ti-1的像元个数n<N时,则扩大搜索窗口至5×5(按照奇数逐次扩大);当窗口内满足Ti-1的像元个数n≥N时,为避免动态阈值陷入低值,利用相似度均值与方差对阈值进行限定[14]

      (6)

      式中,μsLin组相似度的均值;σs为方差。

      若列表Li内满足Ti像元个数nN时,取第N个相似度值作为本像元的光谱相似度阈值和i+1行像元的初始搜索阈值Ti;否则,扩大搜索窗口。

      若搜索窗口扩大至Wmax,且有效像元个数nN时,则将Wmax内所有邻近像元的光谱相似度递减排序,取前N个为有效像元,第N个的相似度作为本行坏线像元的光谱相似度阈值和i+1行坏线像元的初始搜索阈值,以避免动态阈值陷入极高值。

    • 通常,像元间空间距离越大,大气和光照条件差异就越大,光谱匹配的可信度就越低。为此,本文不仅考虑坏线像元与邻近像元光谱上的相似性,还考虑了其在空间上的相似性,以提升相似像元匹配的精度。假设某坏线像元存在N个相似像元,第c个相似像元的辐射率值为Rc,与坏线像元的光谱相似度为SSc。利用反距离加权法[3],空间-光谱相似性权重wc可表示为:

      (7)

      式中,Sc=SSc·EcEc为坏线像元与邻近像元空间上的欧氏距离。修复后的坏线像元辐射率值

    • 为了测试本文方法的有效性,实验选取沙漠、草原、森林、城郊、沿海城市和内陆城市6种典型场景(详见表 1)。所用数据为Hyperion高光谱的Level 1R级产品。最大搜索窗口Wmax为11×11像素,最少相似像元个数N=5。

      表 1  6种典型场景的描述

      Table 1.  Description of Six Diverse Test Sites

      场景 描述 获取时间 中心位置 列像元尺寸
      纬度 经度
      沙漠 阿拉伯半岛鲁卜哈利 2014-02-25 18°44′01.24″N 48°58′29.14″E 6 982
      草原 内蒙古锡林郭勒 2011-07-31 43°16′09.67″N 116°05′41.36″E 6 985
      森林 湖北森林覆盖区 2004-10-09 29°26′47.20″N 111°25′26.86″E 7 149
      城郊 武汉江汉平原 2004-12-05 29°44′36.38″N 113°50′10.27″E 3 243
      沿海城市 海地太子港 2010-02-20 17°30′45.32″N 72°32′23.04″W 6 985
      内陆城市 北京城区 2010-06-20 39°26′14.67″N 116°17′55.80″E 3 407

      为了评价算法的精度,采用希尔不等系数(Theil's inequality coefficient,TIC)[13]作为衡量指标。TIC评价的是模型的相对误差。因高光谱不同波段所接收的辐射能量存在差异,相对值有利于不同波段间的比较。TIC值介于0~1之间,数值越小表明估计值与真实值间的差异越小,预测精度越高。当TIC值等于0时,表示100%被预测。

    • 本实验在6种典型场景中,分别将12、32、52、92、152和192波段的第100列模拟为坏线,并将本算法与NAM法、5种单光谱相似性测度(CD、SCA、SAM、SID、SGA)、3种组合光谱相似性测度(SID与SAM, SID与SCA, SID与SGA)进行了对比分析,具体如图 1所示。

      图  1  10种方法对应6种场景的精度

      Figure 1.  TIC Error of the Key Similarity Measures in Six Typical Senses

      图 1可知,LS3M法在均一场景和复杂场景中均取得了优于NAM法的坏线修复精度。SGA刻画的是光谱曲线斜率的变化。因有效波段不连续且噪声影响严重,SGA无法有效进行光谱匹配,精度最低。组合测度精度大多至少优于其自身中的一种测度。例如沙漠场景中,SID与SCA组合在12、92、152和192波段的精度优于SID和SCA;在32和52波段优于SID,精度低于SCA。

      相对其他5种场景,LS3M在沙漠场景中精度最高。6种场景中,所有10种方法在可见光区域(第12波段)整体上精度最高;近红外区域的精度存在一定的波动;而在短波红外区域(第192波段)因噪声的影响,误差达到相对较高值。

      LS3M测度因不同波段影像信息熵的差异,在可见光近红外波段能取得优于CD和SCA的结果;在短波红外波段主要取决于CD的光谱匹配,因而与CD具有相等的坏线修复精度。整体上LS3M测度对高光谱数据描述和坏线修复精度最高且最平稳。

    • 实验从“内陆城市”场景中选取包含坏线的两个典型区块,记为“湖泊区块”(图 2)和“建筑群区块”(图 3)。这两个区块的大小均为71像素×111像素,坏线出现的位置分别为94波段第92列(图 2(a))和116波段第137列(图 3(a))。为了提供真实地物参考,实验从百度地图中选取了相应地物目标的高分辨率遥感影像(图 2(b)图 3(b))。

      图  2  湖泊区块的坏线修复结果对比

      Figure 2.  Correction Results for Inland Lake

      对于湖泊区块,图 2(c)~2(l)分别显示的是NAM法、5种单光谱相似性测度(CD、SCA、SAM、SID、SGA)、3种组合光谱相似性测度(SID与SAM, SID与SCA, SID与SGA)与LS3M法等10种坏线修复方法的结果。虚线圆圈标示的湖泊边界在这10种修复结果中存在一定的差异。特别是NAM方法修复的湖泊边界模糊且边界曲线生硬,与真实场景不符(图 2(c));部分单一测度方法的修复结果劣于组合测度,例如CD测度修复的湖泊边界呈现锯齿状(图 2(d));相对而言,LS3M法的修复结果接近于真实场景(图 2(l))。

      图 3(b)虚线圆圈标示的为一建筑群,该建筑群被一坏线贯穿(图 3(a))。两相邻建筑在NAM法修复后呈现拓扑连接(图 3(c)),而这有悖于真实场景(图 3(b))。同样出现拓扑连接的还有SGA测度(图 3(h))。由§2.2可知,尽管SGA测度考虑了邻近像元的相似性,但因其修复精度最差,故增加了出现错误修复结果的概率。其余8种方法均能正确反映建筑群的真实布局(图 3(d)~3(g)3(h)~3(l))。

      图  3  建筑群区块的坏线修复结果对比

      Figure 3.  Correction Results for Groups of Buildings

      综上所述,NAM法因只考虑左右像元的辐射率值,不可避免地平滑地物目标边界,且易造成相邻建筑的拓扑连接;而LS3M法考虑了坏线像元与邻近像元的空间和光谱相似性,能最大程度恢复地物真实的细节信息。从坏线修复定性(图 2图 3)和定量(图 1)两方面看,LS3M法要优于其他9种方法。

    • 本文方法中需借助人工设定的参数主要有最大搜索窗口Wmax和最少相似像元个数N。因本文采取了一种动态光谱相似度阈值策略,在搜索窗口达到Wmax前均能获得符合条件的像元数量,故Wmax影响较小。图 4显示的是沙漠场景中TIC误差随N的变化关系。该关系同样存在于其他5种场景中。由图 4可知,当N=1时TIC误差最大;随着N的增加误差逐渐减小,并达到最低值(通常N=5时),接着小幅增加。整体上,误差达到最低值后,随着N值的增加, 误差增幅平缓。尽管这对Hyperion数据描述和坏线修复精度造成一定的影响,但作用是有限的。

      图  4  最少相似像元个数与坏线修复误差

      Figure 4.  Correlation Between TIC and Number of Similar Pixel

    • 本文根据Hyperion高光谱辐射率数据的特点,综合考虑了坏线像元与邻近相似像元的空间和光谱相似性,提出了LS3M测度,实现了高光谱影像的坏线修复。选取6种典型场景(沙漠、草原、森林、城郊、沿海城市和内陆城市),对比了NAM法、5种单光谱相似性测度(CD、SAM、SCA、SID和SGA)、3种组合光谱相似性测度(SID与SAM, SID与SCA, SID与SGA组合)的修复效果。在均一场景和复杂场景中,LS3M法均取得优于其他测度或方法的修复精度。特别是在刻画地物边界和地物间拓扑关系时,LS3M法明显优于NAM法和部分单一相似性测度。整体上,LS3M法具有较高的Hyperion高光谱数据描述能力和稳定的坏线修复精度。

参考文献 (14)

目录

    /

    返回文章
    返回