基于光譜特征混合分析的高光譜遙感數(shù)據(jù)挖掘技術(shù)

鄭豐收, 陶為翔, 李京

(正元地理信息集團(tuán)股份有限公司， 北京 101300)

0 引言

隨著遙感地物監(jiān)測(cè)技術(shù)的發(fā)展，采用遙感信息檢測(cè)方法進(jìn)行遙感檢測(cè)，建立高光譜遙感數(shù)據(jù)挖掘模型，根據(jù)高光譜遙感數(shù)據(jù)挖掘結(jié)果進(jìn)行光學(xué)成像特征分析，提高高光譜遙感數(shù)據(jù)的信息融合和地物目標(biāo)檢測(cè)識(shí)別能力，通過(guò)利用光學(xué)成像技術(shù)進(jìn)行高光譜遙感數(shù)據(jù)構(gòu)造，通過(guò)分析高光譜遙感數(shù)據(jù)的檢測(cè)和特征分析模型，結(jié)合模糊信息處理方法，進(jìn)行高光譜遙感數(shù)據(jù)挖掘和特征提取，結(jié)合遙感信息識(shí)別技術(shù)，進(jìn)行高光譜遙感檢測(cè)，相關(guān)的高光譜遙感數(shù)據(jù)挖掘方法研究受到人們極大關(guān)注[1]。

對(duì)高光譜遙感數(shù)據(jù)的挖掘是建立在對(duì)高光譜遙感信息的采集和譜特征提取技術(shù)上，結(jié)合高光譜遙感數(shù)據(jù)的檢測(cè)模型，進(jìn)行信息融合和優(yōu)化特征提取，結(jié)合高分辨的像素特征分析方法，進(jìn)行高光譜遙感數(shù)據(jù)檢測(cè)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(shù)據(jù)挖掘技術(shù)。建立高光譜遙感數(shù)據(jù)聚類模型，通過(guò)分析高光譜遙感數(shù)據(jù)的光譜特征量進(jìn)行特征提取和分類識(shí)別，實(shí)現(xiàn)高光譜遙感數(shù)據(jù)的優(yōu)化挖掘。最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文方法在提高高光譜遙感數(shù)據(jù)挖掘能力方面的優(yōu)越性能。

1 高光譜遙感數(shù)據(jù)信息檢測(cè)和特征提取

1.1 高光譜遙感數(shù)據(jù)信息檢測(cè)

為了最后實(shí)現(xiàn)高光譜遙感數(shù)據(jù)挖掘，首先需要對(duì)獲取到的高光譜遙感數(shù)據(jù)進(jìn)行處理與分析，因此，結(jié)合光學(xué)特征提取檢測(cè)方法[3]，構(gòu)建高光譜遙感數(shù)據(jù)的模糊度檢測(cè)模型，通過(guò)模糊度檢測(cè)方法進(jìn)行高光譜遙感數(shù)據(jù)信息檢測(cè)。根據(jù)關(guān)聯(lián)信息特征提取方法，將特征聚類因子定義為式(1)。

(1)

通過(guò)如上定義，結(jié)合概率特征分析方法，得到高光譜遙感數(shù)據(jù)檢測(cè)的適應(yīng)度函數(shù)為式(2)。

(2)

式中，f表示隱含層的激勵(lì)函數(shù)；m表示隱含層節(jié)點(diǎn)個(gè)數(shù)；ωij表示高光譜遙感數(shù)據(jù)的幅度增益。在上述分析基礎(chǔ)上，通過(guò)關(guān)聯(lián)度特征分析法，得到高光譜遙感數(shù)據(jù)的區(qū)域像素分布集表達(dá)為式(3)。

(3)

式中，Hij表示進(jìn)行高光譜遙感數(shù)據(jù)的像素重組。得到光譜信息的邊緣像素級(jí)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(shù)據(jù)的稀疏特征分量;R表示模板匹配系數(shù);D表示迭代系數(shù)。在上述分析基礎(chǔ)上，結(jié)合光學(xué)特征提取檢測(cè)方法，構(gòu)建高光譜遙感數(shù)據(jù)的模糊度檢測(cè)模型為式(5)。

(5)

式中，根據(jù)上述分析，對(duì)高光譜遙感數(shù)據(jù)信息進(jìn)行檢測(cè)。結(jié)合信息編碼技術(shù)與高光譜遙感數(shù)據(jù)信息檢測(cè)結(jié)果，進(jìn)一步對(duì)高光譜遙感數(shù)據(jù)信息進(jìn)行特征提取、壓縮和信息融合[5]。

1.2 高光譜遙感數(shù)據(jù)特征提取

通過(guò)模糊度檢測(cè)方法進(jìn)行高光譜遙感數(shù)據(jù)信息檢測(cè)，提取高光譜遙感數(shù)據(jù)的自相關(guān)統(tǒng)計(jì)特征量，采用差異度模糊信息挖掘方法進(jìn)行高光譜遙感數(shù)據(jù)的譜分析[6]，高光譜遙感數(shù)據(jù)的低分辨率特征分布集為式(6)。

(6)

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

(7)

(8)

根據(jù)式(8)得到的特征分解結(jié)果為式(9)。

(9)

式中，akj表示通過(guò)分析高光譜遙感數(shù)據(jù)的小波特征分解結(jié)果。得到高光譜遙感數(shù)據(jù)的幀分布序列為式(10)。

(10)

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

圖1 高光譜遙感數(shù)據(jù)特征提取散射模型

根據(jù)圖1的特征散射分布，進(jìn)行多次掃描和區(qū)域信息融合，得到高光譜遙感數(shù)據(jù)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(cè)方法，得到高光譜遙感數(shù)據(jù)的加權(quán)效用值為式(12)。

(12)

計(jì)算高光譜遙感數(shù)據(jù)的最大交叉概率，得到最終高光譜遙感數(shù)據(jù)特征提取結(jié)果為式(13)。

(13)

式中，pi,j(t)表示高光譜遙感數(shù)據(jù)的模糊隸屬度函數(shù)。在上述技術(shù)上，對(duì)高光譜圖像的像元點(diǎn)進(jìn)行遙感信息降維處理，最后進(jìn)行光譜特征混合處理。

2 高光譜遙感數(shù)據(jù)挖掘

2.1 高光譜遙感數(shù)據(jù)的光譜特征混合

在對(duì)高光譜遙感數(shù)據(jù)進(jìn)行信息檢測(cè)和特征提取的基礎(chǔ)上，通過(guò)信息融合方法進(jìn)行高光譜遙感數(shù)據(jù)的光譜濾波處理，采用模糊相關(guān)性特征檢測(cè)方法得到高空間光譜特征分布集為式(14)。

(14)

計(jì)算高光譜遙感數(shù)據(jù)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(jié)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(shù)據(jù)的區(qū)域特征像素點(diǎn)p(i,j)的銳化特征分布集;(i,j)表示模板匹配系數(shù)。由此建立高光譜遙感數(shù)據(jù)的光譜特征混合模型為式(17)。

(17)

根據(jù)式(17)得到的特征混合結(jié)果進(jìn)行數(shù)據(jù)挖掘[9]。

2.2 高光譜遙感數(shù)據(jù)挖掘輸出

建立高光譜遙感數(shù)據(jù)的光譜信息增強(qiáng)模型，通過(guò)分析高光譜遙感數(shù)據(jù)的光譜特征量進(jìn)行特征提取和分類識(shí)別，采用分塊監(jiān)測(cè)的方法，得到光譜特征信息的檢驗(yàn)?zāi)０搴瘮?shù)為式(18)。

(18)

采用本體特征融合的方法，得到高光譜遙感數(shù)據(jù)的集優(yōu)化量化函數(shù)為式(19)。

(19)

考慮高光譜遙感數(shù)據(jù)的信息化融合分布集，結(jié)合尋優(yōu)控制的方法，得到光譜特征融合狀態(tài)函數(shù)為式(20)。

(20)

采用區(qū)塊信息融合的方法，得到高空間光譜特征提取結(jié)果為式(21)。

(21)

根據(jù)上述分析，建立高光譜遙感數(shù)據(jù)的光譜信息增強(qiáng)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(shù)據(jù)挖掘的控制變量，通過(guò)相關(guān)性分析，得到高光譜遙感數(shù)據(jù)挖掘的特征量為G={P1,P2,…,Pn;u1,u2,…,un}，高光譜遙感數(shù)據(jù)挖掘的狀態(tài)函數(shù)為式(24)。

(24)

通過(guò)分析高光譜遙感數(shù)據(jù)的光譜特征量及高光譜遙感數(shù)據(jù)挖掘的狀態(tài)函數(shù)計(jì)算結(jié)果，得到高光譜遙感數(shù)據(jù)中特征提取和分類識(shí)別挖掘輸出分別為式(25)、式(26)。

(25)

(26)

根據(jù)上述特征提取和分類識(shí)別結(jié)果，進(jìn)行高光譜遙感數(shù)據(jù)的光譜特征混合分析，提高高光譜遙感數(shù)據(jù)的挖掘性能，實(shí)現(xiàn)高光譜遙感數(shù)據(jù)的優(yōu)化挖掘。

3 仿真測(cè)試分析

通過(guò)仿真實(shí)驗(yàn)驗(yàn)證本文方法在實(shí)現(xiàn)高光譜遙感數(shù)據(jù)挖掘中的應(yīng)用性能，進(jìn)行實(shí)驗(yàn)測(cè)試分析，采用C++仿真軟件進(jìn)行高光譜遙感數(shù)據(jù)挖掘的仿真測(cè)試，數(shù)據(jù)采集的樣本長(zhǎng)度為1 024，訓(xùn)練集500，相似度系數(shù)為0.21，數(shù)據(jù)采集的離散點(diǎn)分布如圖2所示。

圖2 數(shù)據(jù)采集的離散點(diǎn)分布

根據(jù)圖2對(duì)高光譜遙感數(shù)據(jù)的離散采集結(jié)果進(jìn)行數(shù)據(jù)挖掘，得到光譜特征混合分析結(jié)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(jìn)行高光譜遙感數(shù)據(jù)挖掘，提高了光譜特征圖像的挖掘和遙感識(shí)別能力。

4 總結(jié)

利用光學(xué)成像技術(shù)進(jìn)行高光譜遙感數(shù)據(jù)構(gòu)造，通過(guò)分析高光譜遙感數(shù)據(jù)的檢測(cè)和特征分析模型，結(jié)合模糊信息處理方法，進(jìn)行高光譜遙感數(shù)據(jù)挖掘。提出基于光譜特征混合分析的高光譜遙感數(shù)據(jù)挖掘技術(shù)。采用差異度模糊信息挖掘方法進(jìn)行高光譜遙感數(shù)據(jù)的譜分析，分析得知，本文方法進(jìn)行高光譜遙感數(shù)據(jù)挖掘的精度較高，提高了地物遙感目標(biāo)的檢測(cè)識(shí)別能力。