本發(fā)明提供了一種結(jié)合超像素的多光譜遙感影像解混方法，屬于遙感科學(xué)。

背景技術(shù)：

1、研究人員開發(fā)了一系列光譜混合分析模型來解決混合像元問題，可分為線性和非線性模型?；旌戏治瞿Ｐ偷倪x擇主要取決于像元內(nèi)各土地覆蓋類別的光譜反射率與覆蓋比例關(guān)系的非線性程度。線性和非線性方法都需要端元(由每一類土地覆蓋的純光譜表示)來構(gòu)建相應(yīng)的數(shù)學(xué)模型。

2、傳統(tǒng)的光譜混合分析模型主要分為三步：①確定目標(biāo)影像的端元個(gè)數(shù)和種類端元；②確定端元的光譜特征曲線；③對(duì)目標(biāo)影像進(jìn)行光譜分解。但是傳統(tǒng)的方法在端元選取上的技術(shù)要求較高，同時(shí)多光譜影像中純凈像元較少，很難克服類內(nèi)變異性較大，類間變異性較小的問題。

3、目前由于所選取的純凈像元光譜信息存在誤差，端元選取中所選擇的“純凈像元”并不是完全純凈的單一目標(biāo)土地利用類型，或多或少的混雜著其他地物；此外，還有影像的外界因素對(duì)端元光譜特性的影響，例如環(huán)境因素（大氣、地形、氣候）和周圍地物的光譜影響。由于以上原因，利用光譜解混對(duì)混合像元進(jìn)行解混后的各地表覆蓋類型的面積比例（豐度）出現(xiàn)了不容忽視的誤差。在光譜解混對(duì)遙感影像中混合像元的解混結(jié)果中，土壤蓋度和不透水面蓋度經(jīng)?；煜阂环矫妫叻瓷渎屎偷头瓷渎什煌杆嫔w度分量中有大量的植被和土壤被錯(cuò)分成不透水面；另一方面，植被和土壤蓋度分量中也包含不透水面蓋度。

技術(shù)實(shí)現(xiàn)思路

1、為了解決傳統(tǒng)的光譜混合分析模型在端元選取上存在類內(nèi)變異性較大，類間變異性較小的問題，本發(fā)明提出了一種結(jié)合超像素的多光譜遙感影像解混方法。

2、本發(fā)明采用的技術(shù)方案為：一種結(jié)合超像素的多光譜遙感影像解混方法，包括以下步驟：

3、①收集長時(shí)間序列低分辨率多光譜遙感影像、長時(shí)間序列范圍內(nèi)現(xiàn)存高分辨率土地利用分類圖及高分辨率土地利用分類圖對(duì)應(yīng)時(shí)刻的高分辨率多光譜遙感影像；

4、②設(shè)長時(shí)間序列范圍為t0-tn時(shí)刻，根據(jù)連續(xù)變化檢測與分類方法構(gòu)建所選研究區(qū)逐像元地表反射率的時(shí)間序列變化檢測模型；

5、③選取tk2時(shí)刻研究區(qū)低分辨率多光譜遙感影像，對(duì)其進(jìn)行超像素分區(qū)，將每個(gè)超像素分區(qū)稱為超像素塊，其中tk2∈[t0，tn]；

6、④提取純凈像元；

7、⑤對(duì)提取的純凈像元進(jìn)行kmeans無監(jiān)督聚類，結(jié)合人工交互對(duì)無監(jiān)督聚類結(jié)果賦予純像元地類標(biāo)簽，將其分為植被、土壤、陰影、不透水面、水體五大類別，即構(gòu)成tk2時(shí)刻低分辨率多光譜影像端元光譜庫；

8、⑥假設(shè)高分辨率多光譜遙感影像和高分辨率土地利用分類圖的獲取時(shí)間是tk1，其中tk1<tk2，根據(jù)第②步構(gòu)建的變化檢測模型，得到tk1至tk2時(shí)刻內(nèi)的穩(wěn)定像元分布圖及穩(wěn)定像元內(nèi)亞像元的地類標(biāo)簽及光譜反射值，即構(gòu)成tk2時(shí)刻亞像元級(jí)別的端元光譜庫；

9、⑦結(jié)合第⑤、⑥步的端元光譜庫，根據(jù)空間合成光譜反射率方法，構(gòu)建各像元的候選端元光譜集，用于tk2時(shí)刻研究區(qū)低分辨率多光譜遙感影像逐像元全約束線性光譜分解；

10、⑧結(jié)合高分辨率遙感影像，基于植被指數(shù)ndvi、干旱裸土指數(shù)dbsi、建筑指數(shù)nisi實(shí)現(xiàn)解混后處理分析，得到最終的植被、不透水面、土壤的豐度圖。

11、步驟③中根據(jù)簡單線性迭代聚類方法實(shí)現(xiàn)對(duì)研究區(qū)的超像素分區(qū)。

12、步驟④中通過對(duì)每個(gè)超像素塊進(jìn)行光譜純度分析及相似度分析，提取純凈像元。

13、步驟⑤中kmeans無監(jiān)督聚類的距離度量函數(shù)采用光譜角距離函數(shù)。

14、步驟⑧中通過像元值的比較和多次閾值選取實(shí)驗(yàn)，最終確定dbsi、nisi、ndvi閾值。

15、步驟⑧中結(jié)合不同指數(shù)的特性，使用ndvi和nisi組合剔除植被和不透水面的混淆現(xiàn)象，使用nisi、dbsi、ndvi組合剔除不透水面內(nèi)混淆的植被和土壤；使用nisi和dbsi組合剔除土壤和不透水面的混淆現(xiàn)象。

16、dbsi、nisi、ndvi的閾值分別為0.1、0.4、0.4。

17、本發(fā)明相對(duì)于現(xiàn)有技術(shù)具備的有益效果為：

18、（1）現(xiàn)有技術(shù)在端元提取的過程中，人工參與度較高，本發(fā)明結(jié)合簡單線性迭代聚類（simple?linear?iterative?clustering，slic）方法，將聚類的全局搜索范圍調(diào)整到局部區(qū)域，實(shí)現(xiàn)端元的自動(dòng)化提取，人工參與度較低，同時(shí)可以達(dá)到較好的精度。

19、（2）低分辨率多光譜影像中可以用作代表性端元的純凈像元較少，本發(fā)明結(jié)合長時(shí)間序列低分辨率多光譜影像變化檢測分析，獲取穩(wěn)定像元，根據(jù)高分辨率多光譜影像以及對(duì)應(yīng)的土地利用分類圖得到純凈亞像元，從而達(dá)到增加可以作為代表性端元的像元個(gè)數(shù)。

20、（3）本發(fā)明為解決漏分誤分問題，設(shè)計(jì)了基于植被指數(shù)ndvi、土壤指數(shù)ndsi、建筑指數(shù)nisi的解混后處理分析。

技術(shù)特征：

1.一種結(jié)合超像素的多光譜遙感影像解混方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種結(jié)合超像素的多光譜遙感影像解混方法，其特征在于：步驟③中根據(jù)簡單線性迭代聚類方法實(shí)現(xiàn)對(duì)研究區(qū)的超像素分區(qū)。

3.根據(jù)權(quán)利要求1所述的一種結(jié)合超像素的多光譜遙感影像解混方法，其特征在于：步驟④中通過對(duì)每個(gè)超像素塊進(jìn)行光譜純度分析及相似度分析，提取純凈像元。

4.根據(jù)權(quán)利要求1所述的一種結(jié)合超像素的多光譜遙感影像解混方法，其特征在于：步驟⑤中kmeans無監(jiān)督聚類的距離度量函數(shù)采用光譜角距離函數(shù)。

5.根據(jù)權(quán)利要求1所述的一種結(jié)合超像素的多光譜遙感影像解混方法，其特征在于：步驟⑧中通過像元值的比較和多次閾值選取實(shí)驗(yàn)，最終確定dbsi、nisi、ndvi閾值。

6.根據(jù)權(quán)利要求5所述的一種結(jié)合超像素的多光譜遙感影像解混方法，其特征在于：步驟⑧中結(jié)合不同指數(shù)的特性，使用ndvi和nisi組合剔除植被和不透水面的混淆現(xiàn)象，使用nisi、dbsi、ndvi組合剔除不透水面內(nèi)混淆的植被和土壤；使用nisi和dbsi組合剔除土壤和不透水面的混淆現(xiàn)象。

7.根據(jù)權(quán)利要求6所述的一種結(jié)合超像素的多光譜遙感影像解混方法，其特征在于：dbsi、nisi、ndvi的閾值分別為0.1、0.4、0.4。

技術(shù)總結(jié)
本發(fā)明提供了一種結(jié)合超像素的多光譜遙感影像解混方法，屬于遙感科學(xué)技術(shù)領(lǐng)域；解決了傳統(tǒng)的光譜混合分析模型在端元選取上存在類內(nèi)變異性較大，類間變異性較小的問題；包括以下步驟：利用多光譜遙感影像進(jìn)行純凈像元分析，包含以下分析內(nèi)容：圖像分割聚類標(biāo)準(zhǔn)分析；超像素分區(qū)數(shù)量分析；純凈像元提取方法分析；利用多光譜時(shí)序遙感影像進(jìn)行兩指定時(shí)間區(qū)間內(nèi)穩(wěn)定像元分析，包括以下分析內(nèi)容：變化檢測方法分析；穩(wěn)定像元內(nèi)亞像元標(biāo)簽分析；利用植被指數(shù)NDVI、干旱裸土指數(shù)DBSI、建筑指數(shù)NISI實(shí)現(xiàn)解混后處理分析，包括以下分析內(nèi)容：各指數(shù)閾值區(qū)間分析；設(shè)計(jì)指數(shù)組合分析；本發(fā)明應(yīng)用于遙感影像智能化端元提取。

技術(shù)研發(fā)人員：李大成,曾健,張藝山,張學(xué)文,張奧,楊毅,劉彥澤
受保護(hù)的技術(shù)使用者：太原理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6