高光谱图像分类中的包络线消除方法研究

包络线消除法是一种常用的光谱分析方法，它可以有效地突出光谱曲线的吸收和反射特征，并且将其归一到一个一致的光谱背景上，有利于和其他光谱曲线进行特征数值的比较，从而提取出特征波段以供分类识别。但目前该方法仅仅局限于对单个像元的光谱分析、提取出特征波段这一阶段，在后期的分类识别中用到的数据仍然是原来的高光谱图像数据。该文正是基于此对其进行了改进：先使用包络线消除算法对整个高光谱图像进行处理生成新的图像文件，以突出光谱维上的特征信息，再使用光谱分析的方法提取出不同典型地物类型的特征波段，最后再使用光谱角度匹配法进行图像的分类和识别，并对原来的高光谱图像和处理后的高光谱图像用最大似然法和光谱角度匹配法进行了分类试验比较。

包络线消除算法及其实现

一般来说，由于地物组成复杂，每个图像像元点对应的地物并不纯粹，它的光谱通常是多种物质光谱的合成，因此直接从光谱曲线上提取光谱特征不便于计算，还需对光谱曲线进行进一步的处理以突出光谱的吸收和反射特征。为此，引入了包络线消除算法。

光谱曲线的包络线从直观上来看，相当于光谱曲线的“外壳",如图2所示。因为实际的光谱曲线由离散的样点组成，所以用连续的折线段来近似光谱曲线的包络线。

求光谱曲线包络线的算法描述如下：

设有反射率曲线样点数组；r(i),i=0,1,…,k-1;波长数组：w(i),i=0,1,…,k-1;

(1)i:=0,将r(i),w(i),加入到包络线节点表中；

(2)求新的包络节点。如i=k-1则结束，否则j:=i+1;

(3)连接ij;检查(ij)直线与反射率曲线的交点，如果j=

k-1,则结束，将w(j),r(j)加入到包络线节点表中，否则：

①m:=j+1;

②若m=k-1则完成检查，j是包络线上的点，将w(j),r(j)

加入到包络线节点表中，闫，转到(2);

③否则，求i与w(m)的交点r1(m),如图5所示。

④如果r(m)<1(m),则j不是包络线上的点j:=j+1,转到

(3);如果r(m)≤r1(m),则ij与光谱曲线最多有一交点，m:=

m+1,转到②。

(4)得到包络线节点表后，将相邻的节点用直线段依次相连，求出w(i),i=0,1,…,k-1所对应的折线段上的点的函数值

h(i),i=0,1,…,k-1;从而得到该光谱曲线的包络线。显然有：

h(i)≥r(i)

(5)求出包络线后对光谱曲线进行包络线消除：

r(i)r'(i)=,i=0,1,…,k-1;

h(i)

如图3所示，左边为原光谱曲线，右边为包络线消除后的光谱曲线。进行包络线消除后的反射率归一化到0~~1,光谱的吸收和反射特征也归一到一个一致的光谱背景上，并且得到了很大的增强，因此可以更加有效地和其他光谱曲线进行光谱特征数值的比较，进行光谱的匹配分析。

该文用VC++语言实现了以上算法，对高光谱图像逐像元地进行包络线消除，从而得到新的图像文件，并在此基础上对图像中的典型地物直接进行光谱分析，提取出特征波段，如在某一阈值以上的波峰、波谷波段等，并据此进行图像的分类和识别。

包络线消除前后图像的对比分类试验

为了对比包络线消除处理前后的高光谱图像的分类效果，本文选取了一块日本长野的PHI成像高光谱图像进行监督分类试验。PHI图像像元有244个波段，包括可见光和近红外，波长范围为400——850nm,光谱分辨率小于5nm;其地面分辨率

为1.5m。该文选取2000年8月下旬获取的一幅图像，选择其中信噪比较高的76个波段，共400 X 372个像元的数据。该图像已经过几何校正，辐射校正以及相对反射率的反演。试验区的假彩色合成图像如图4所示。

试验区的地物类型比较简单，并且已经过详细的地面调查，便于进行分类试验的比较。根据试验区地面状况，共选择出七类典型地物进行分析，包括柏油地，水泥地，裸地，白菜地，水稻地，葡萄园及树林。首先，应用自编程序对该高光谱图像逐像

元地进行包络线消除，从而得到新的图像文件；然后，根据试验区地面调查的资料在图像上选择已知类的训练区，并且用统计的方法求出各类别的平均光谱作为最终光谱单元；最后，分别用最大似然法和光谱角度匹配法对包络线消除前后的图像进行分类，分类结果如图5所示。

为了比较两种方法对包络线消除前后图像的分类结果，从图像上任意选取210个像元点，结合地面调查的实际情况进行验证，前者对蓝色的树林，青色的葡萄园，洋红色的白菜地以及黄色的水稻地(以左图中的色阶为例)等植被识别的精度较高，达到90%以上，而后者则只略高于80%;比较光谱角度匹配法对包络线消除前后图像的分类结果，用以上方法验证，对消除后的图像分类的结果中，识别不同植被的精度要高于原图像，精度达到了93%,更符合试验区的地面状况。但在对包络线消除后图像的两种方法的分类结果中，对裸地(左图中绿色的)和水泥地(红色的)等分类精度略有下降。

讨论

(1)经过包络线消除后的高光谱图像，有效地抑制了噪声，突出了地物光谱的特征信息，便于图像光谱的比较匹配，提高了图像的分类运算效率和精度，尤其是对不同植被的识别更加有用。

(2)对于光谱曲线相似，平缓的地物，比如图像中的水泥地和裸地，由于去包络线后的光谱曲线相似，同时在分类时又忽略了原图像的灰度值，因此导致分类精度降低。如果对包络线消除后的图像分类时，再综合考虑包络线节点处波段对应的原图像的灰度值，应该会在一定程度上解决这个问题。

(3)光谱角度匹配法充分利用了高光谱图像光谱维的信息，对高光谱图像的分类识别明显好于基于传统图像的最大似(modu)。

(3)参与签名的成员将其部分签名(x,s)(i=1,2,…t)发送给签名生成者DC。

(4)

(5)

 签名的验证

验证者根据下式来验证群签名(m,S)是否有效：

3  完备性证明