融合简单线性迭代聚类的高光谱混合像元分解策略

高光谱图像中的混合像元问题广泛存在,混合像元的分解效率一直是遥感应用研究的难点和热点。目前成熟的端元提取算法有纯像元指数(pure pixel index,PPI)、内部最大体积法(N-FINDR)、顶点成分分析(vertex component analysis,VCA)、顺序最大角凸锥(sequential maximum angle convex cone,SMACC)、交替最大体积法(alternating volume maximization,AVMAX)、最小体积封闭单形体(minimum volume enclosing simplex,MVES)等,这些算法从图像所有像元中提取纯光谱,具有提取速度慢、精度不高的缺点。为此,该文引入了一种融合简单线性迭代聚类(simple linear iterative clustering,SLIC)超像元分割的高光谱混合像元分解算法。超像元分割技术能够将具有相似特征的相邻像元组成图像块,并保留进一步进行图像处理的有效信息,从而大幅减少参与端元提取的像元数量,为解决上述问题提供了有效的途径。通过试验对比了降维方式(主成分分析和最大噪声分数)、RGB对应关系(6种)、色彩空间RGB(red,green,blue)和LAB(lightness-A-B)、数据格式(JPG,BIN)和算法参数K对高光谱图像超像元分割结果的影响,并进一步分析了SLIC超像元分割结果对2种典型端元提取算法(AVMAX、MVES)产生的不同效果。试验结果表明,随着K值的增大,混合像元分解的时间逐渐增加,均方根误差(root mean square error,RMSE)持平或减少,而JPG(有损压缩)数据格式的时间始终比BIN(无损压缩)数据格式的要短。SLIC+MVES的RMSE略高于MVES的RMSE,低于AVMAX的RMSE,但时间远小于MVES。当K足够大的时候,SLIC+MVES的效果就近似MVES的效果了。在大部分情况下,最大噪声分数的降维效果优于主成分分析。以最大噪声分数作为降维方法、以JPG作为数据格式、以LAB作为色彩空间对混合像元分解结果较为有利。另外,SLIC的参数K的取值在5～10之间较为合适。该研究中的SLIC超像元分割算法简单易行,并且提高了混合像元分解的效率,具备很好的实用价值。