CN100344947C - 基于光谱多边形的相似性度量方法 - Google Patents
基于光谱多边形的相似性度量方法 Download PDFInfo
- Publication number
- CN100344947C CN100344947C CNB2003101093486A CN200310109348A CN100344947C CN 100344947 C CN100344947 C CN 100344947C CN B2003101093486 A CNB2003101093486 A CN B2003101093486A CN 200310109348 A CN200310109348 A CN 200310109348A CN 100344947 C CN100344947 C CN 100344947C
- Authority
- CN
- China
- Prior art keywords
- spectral
- polygon
- similarity
- area
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种基于光谱多边形的相似性度量方法,属于遥感信息处理与应用技术领域。本发明基于集合论和集合运算,结合光谱曲线的特点,采用建立光谱多边形来表达光谱曲线,再对两个统一坐标***下光谱多边形进行集合面积处理,得到相似性度量指标,包括三个步骤:建立光谱多边形:将光谱曲线、过第一波段和最后一波段波长且垂直于横轴的两条铅垂线和横轴构成一个多边形,即得到光谱多边形;实施光谱多边形集合操作:以面积作为量化函数,对两光谱多边形集合经过集合操作生成的新集合进行量化描述,通过光谱多边形分解成梯形与梯形空间关系得到面积指标;获取相似性度量因子:根据相似性和相异性的特点,获取度量指标μ1。本发明能够提高度量精度和可靠性。
Description
技术领域
本发明涉及一种相似性度量方法,特别是一种基于光谱多边形的相似性度量方法。属于信息技术领域。
背景技术
针对高光谱遥感影像分类、信息提取、检索、匹配等处理中的光谱向量相似性度量问题,近20年来已提出了许多度量算法,包括欧氏距离、光谱角、相关系数、SID等。距离方法和光谱角主要是基于几何理论,将光谱向量作为一个确定型数据集,受可能出现的随机误差和噪声的影响较大,而且在高维空间中对局部特征不敏感;相关系数、SID等是基于概率理论,将光谱作量作为一个随机向量,能够适应混合象元的要求,但其应用效果与光谱向量的分布和形状密切相关,而且随机向量的假设有时并不一定成立。经文献检索发现,Chein_IChang在《IGARSS′99Proceedings.IEEE 1999International》(IEEE 1999年地球科学与遥感会议论文集),Volume:1,28June-2July 1999Page:509-511上发表的“Spectral Information Divergence for Hyperspectral Image Analysis”(高光谱影像分析中的光谱信息散度),但应用的方法仅是从反射率维对光谱向量进行考虑,而未考虑波长维的特点和反射率与波长的对应关系,本质上是一种一维度量方法,度量精度和可靠性不甚理想。
发明内容
本发明目的在于针对现有光谱相似性度量方法的不足,提出一种基于光谱多边形的相似性度量方法,使其将集合相似度量操作和理论引入光谱向量相似性度量领域,在有效用于相似性度量的同时,降低度量结果对误差的敏感度,能够提高度量精度和可靠性。
本发明是通过以下的技术方案实现的,本发明基于集合论和集合运算,结合光谱曲线的特点,采用建立光谱多边形来表达光谱曲线,再对两个统一坐标***下的光谱多边形进行集合面积的处理,得到相似性度量指标,具体包括建立光谱多边形、实施光谱多边形集合操作、获取相似性因子三个基本步骤:
(1)建立光谱多边形:将光谱曲线、过第一波段和最后一波段波长且垂直于横轴的两条铅垂线和横轴构成一个多边形,即得到光谱多边形;
(2)实施光谱多边形集合操作:以面积作为量化函数,对两光谱多边形集合经过集合操作生成的新集合进行量化描述,通过光谱多边形分解成梯形与梯形空间关系得到面积指标;
(3)获取相似性度量因子:根据相似性和相异性的特点,获取度量指标μ1,能够有效地实现光谱相似性度量。
本发明能够较好的度量光谱向量的相似性,度量结果受特征漂移、误差影响较小,能够实现对高光谱遥感中光谱相似性的可靠度量。
以下对本发明作进一步的限定,具体内容如下:
1、建立光谱多边形
每一光谱向量可以用以波长为横轴、反射率为纵轴的光谱曲线来表达,光谱向量与光谱曲线是对应的,因此将光谱曲线、过第一波段和最后一波段波长且垂直于横轴的两条铅垂线和横轴构成一个多边形,称其为光谱多边形。不同地物或象元具有不同的光谱曲线,相应具有不同的光谱多边形。从而将两光谱向量相似性度量问题转换为两个统一坐标系下的光谱多边形的相似性度量问题。
2、实施光谱多边形集合操作
将两个光谱多边形看作是统一坐标系下的两个空间集合A和B,定义几何图形面积函数M(X)为对集合进行量化的函数。根据集合论和集合操作,可以得到两个集合的交集量化指标M1=M(A∩B)、属于A但不属于B的集合量化指标M2=M(A∩
B)、属于B但不属于A的范围量化指标M3=M(
A∩B)、A与B并集的量化指标M7=M(A∪B)=M1+M2+M3。在获取各集合面积时,尽管光谱多边形是不规则的,但可以将其作为由N-1(其中N为波段数)个梯形组成,每一梯形由相邻两波段处波长、反射率决定,再逐个获取子光谱多边形的面积,累加后得到需要的面积指标。
这些指标对两个集合间的不同关系进行了刻划,以此为基础可以得到相似性度量指标。
3、获取相似性因子
通过对前面七个量化指标的组合与分析,可以获取相似性度量因子,其中衡量相似性的关键指标是M1即交集的量化值,本发明中采用两光谱多边形集合A、B交集面积与并集面积的比值作为相似性度量因子,可以通过式μ1=M1/M7来获得,其值域为[0,1],当A、B完全相似时取1,完全不同时取0。
衡量相异性的关键是M2和M3,即两光谱多边形差值(不重合)部分的面积,本发明采用两个光谱多边形集合差值部分面积与并集面积的比值作为相异性度量因子,可以通过式d1=(M2+M3)/M7=1-μ1来获得。
根据相似性和相异性指标的特点,将二者相除得到综合相似性度量因子,可以用式
来获得。该因子越大,表示两个集合代表的实体的相似性越高。当两向量完全一致时,该指标取值为无穷大。
由于s1,d1和μ1是相互关联的,由某一个因子就可以获得其它两个因子,因此本发明选择μ1作为最终的相似性度量因子,当μ1>0.9时认为两光谱向量是相似的,可以归入同一类。
本发明应用了光谱多边形作为特征表达方式,在考虑光谱属性值(反射率)的同时,对波长进行了同步考虑,从二维空间进行相似性度量,避免了传统算法只考虑光谱属性的缺陷,既能够应用于纯净象元,又能够用于混合象元,能够满足高光谱遥感影像、地物光谱曲线相似性度量的要求,较传统算法具有更好的抗差性能;本发明应用了集合论、经典特征对比模型和二维空间几何体相似性度量,可以避免传统算法依赖于向量分布和概率函数的缺点,克服传统算法只考虑反射率维、忽略波长分布的特点,其主要计算就是面积计算,实现较为简单,是一种有效、可靠、快速的光谱向量相似性度量方法;本发明可以用于高光谱遥感中光谱向量的相似性度量,具体包括高光谱遥感影像分类、检索、典型目标识别、变化探测等方面。
具体实施方式
为更好地理解本发明的技术方案,以下提供具体实施例。
以两条待度量的光谱曲线为基础,分别形成两个光谱多边形后,两光谱多边形在波长-反射率坐标系中不同波段位置具有不同的空间关系,以每两个相邻波段为研究对象考虑两光谱多边形在对应波段上形成的梯形的空间关系,针对每一种情况可以计算相应的交集和差集面积指标M1=M(A∩B),M2=M(A∩
B)和M3=M(
A∩B)。具体方法如下:
(1)两梯形是包含关系,梯形A被包含在梯形B中,满足条件Ai<Bi和Ai-1<Bi+1,此时交集M1面积就是A的面积;A与
B的交集M2是空集,其量化值为0;
A与B的交集M3为B的面积减去A的面积。
(2)A、B两梯形是相交关系,满足条件Ai<Bi和Ai+1>Bi+1,要获取各部分面积,首先要根据直线方程确定交点处坐标(λ0,ρ0),然后交集M1的面积通过两个小梯形面积之和实现,可用式M1=(ρ0+Ai)*(λ0-λi)/2+(ρ0+Bi+1)*(λi+1-λ0)/2表示;A与
B的交集M2通过右侧小三角形面积实现,用式M2=(Ai+1-Bi+1)*(λi+1-λ0)/2表示;
A与B的交集M3面积即左侧小三角形面积,用式M3=(Bi-Ai)*(λ0-λi)/2计算。
(3)A与B仍是包含关系,但与(1)不同,此时是A包含B,满足条件Ai>Bi和Ai+1>Bi+1,此时交集M1面积就是B的面积;A与
B的交集M2是A的面积减去B的面积;
A与B的交集M3为空集,其量化值为0。
(4)A、B两梯形是相交关系,与(2)的相交关系相反,满足条件Ai>Bi和Ai+1<Bi+1。要获取各部分面积,首先要根据直线方程确定交点处坐标(λ0,ρ0),然后交集M1的面积计算两个小梯形面积和实现,用式M1=(ρ0+Bi)*(λ0-λi)/2+(ρ0+Ai+1)*(λi+1-λ0)/2表达;A与
B的交集M2即左侧小三角形的面积,用式(Ai-Bi)*(λ0-λi)/2表示;
A与B的交集M3面积即右侧小三角形面积,用式M3=(Bi+1-Ai+1)*(λi+1-λ0)/2获取。
按照以上方法,将两光谱多边形都按相邻波段划分为N-1个梯形(N为波段数),依次得到出每一梯形中各部分面积,累加后得到需要的面积指标,就可以获取相似性和相异性度量指标、相似性度量因子,以度量光谱多边形的相似性,进而作为光谱曲线相似性的度量值。
从某高光谱遥感影像中选择了三类地物、每类两个象元进行计算,表1-表3为基于集合论和光谱多边形进行度量的指标μ1、μ2、s的结果。
表1基于面积相似性计算μ1
μ1 | ||||||
A1 | A2 | B1 | B2 | C1 | C2 | |
A1 | 1 | 0.77 | 0.74 | 0.76 | 0.65 | 0.61 |
A2 | 0.77 | 1 | 0.73 | 0.7 | 0.57 | 0.52 |
B1 | 0.74 | 0.73 | 1 | 0.76 | 0.65 | 0.59 |
B2 | 0.76 | 0.70 | 0.76 | 1 | 0.68 | 0.63 |
C1 | 0.65 | 0.57 | 0.65 | 0.68 | 1 | 0.81 |
C2 | 0.61 | 0.52 | 0.59 | 0.63 | 0.81 | 1 |
表2基于面积相似性计算μ2
μ2 | ||||||
A1 | A2 | B1 | B2 | C1 | C2 | |
A1 | 1 | 0.9 | 0.87 | 0.88 | 0.81 | 0.77 |
A2 | 0.9 | 1 | 0.85 | 0.83 | 0.78 | 0.72 |
B1 | 0.87 | 0.85 | 1 | 0.87 | 0.85 | 0.77 |
B2 | 0.88 | 0.83 | 0.87 | 1 | 0.85 | 0.80 |
C1 | 0.81 | 0.78 | 0.83 | 0.85 | 1 | 0.91 |
C2 | 0.77 | 0.72 | 0.77 | 0.80 | 0.91 | 1 |
表3基于面积相似性计算s
s=μ1/d1 | ||||||
A1 | A2 | B1 | B2 | C1 | C2 | |
A1 | ∞ | 3.32 | 2.86 | 3.12 | 1.87 | 1.57 |
A2 | 3.32 | ∞ | 2.66 | 2.31 | 1.33 | 1.10 |
B1 | 2.86 | 2.66 | ∞ | 3.13 | 1.88 | 1.46 |
B2 | 3.12 | 2.31 | 3.13 | ∞ | 2.16 | 1.68 |
C1 | 1.87 | 1.33 | 1.88 | 2.16 | ∞ | 4.27 |
C2 | 1.57 | 1.10 | 1.46 | 1.68 | 4.27 | ∞ |
为了对应用效果进行分析,以某一光谱曲线c为例,从50条光谱曲线中检索与其匹配的,其中曲线d为与c同类的地物光谱曲线,其它曲线为不同类的。取相似性度量指标s为前五位的曲线,相应的指标如表4所示。
表4按两种相似性度量方法匹配的前五项检索结果
基于面积的相似性度量 | |||||
I | II | III | IV | V | |
指标值 | ∞ | 4.27 | 3.18 | 2.63 | 1.94 |
曲线编号 | c | d | q | x | y |
对检索结果进行分析,在基于面积度量中,第一匹配项为该曲线本身,第二匹配项为与该曲线代表地物同类的另一象元光谱曲线,后面三项均为其它地物类光谱曲线。
此外,还对该方法与传统度量方法----光谱角进行了比较。结果表明:基于光谱多边形的方法在用于相似性度量时,对相似曲线具有较高的相似比,对于不同的曲线,指标则偏低,其性能和效果综合优于传统方法。
Claims (4)
1、一种基于光谱多边形的相似性度量方法,其特征在于,基于集合论和集合运算,结合光谱曲线的特点,采用建立光谱多边形来表达光谱曲线,再对两个统一坐标***下的光谱多边形进行集合面积的处理,得到相似性度量指标,具体包括建立光谱多边形、实施光谱多边形集合操作、获取相似性因子三个基本步骤:
(1)建立光谱多边形:将光谱曲线、过第一波段和最后一波段波长且垂直于横轴的两条铅垂线和横轴构成一个多边形,即得到光谱多边形;
(2)实施光谱多边形集合操作:以面积作为量化函数,对两光谱多边形集合经过集合操作生成的新集合进行量化描述,通过光谱多边形分解成梯形与梯形空间关系得到面积指标;
(3)获取相似性度量因子:根据相似性和相异性的特点,获取度量指标μ1,实现光谱相似性度量。
2、根据权利要求1所述的基于光谱多边形的相似性度量方法,其特征是,步骤(2)中,实施光谱多边形集合操作,具体如下:
将两个光谱多边形作为统一坐标系下的两个空间集合A和B,定义几何图形面积函数M(X)为对集合进行量化的函数,根据集合论和集合操作,得到两个集合的交集量化指标M1=M(A∩B)、只属于A的集合量化指标M2=M(A∩
B)、只属于B的范围量化指标M3=M(
A∩B)、A与B并集的量化指标M7=M(A∪B)=M1+M2+M3,在获取各集合面积时,将其作为由N-1个梯形组成,其中N为波段数,每一梯形由相邻两波段处波长、反射率决定,再逐个获取子光谱多边形的面积,累加后得到面积指标。
3、根据权利要求1所述的基于光谱多边形的相似性度量方法,其特征是,步骤(3)中,获取相似性因子,具体如下:
M7是两个集合A和B交集的量化指标M1、属于A但不属于B的集合的量化指标M2和属于B但不属于A的集合的量化指标M3之和;衡量相似性的关键指标是交集的量化值即M1,采用两光谱多边形集合A、B交集面积与并集面积的比值作为相似性度量因子,通过式μ1=M1/M7来获得,其值域为大于等于0且小于等于1,当A、B完全相似时取1,完全相异时取0,衡量相异性的关键是M2和M3,即两光谱多边形差值部分的面积,采用两个光谱多边形集合差值部分面积与并集面积的比值作为相异性度量因子,通过式d1=(M2+M3)/M7=1-μ1来获得,根据相似性和相异性指标的特点,将二者相除得到综合相似性度量因子,用式
来获得,该因子越大,表示两个集合代表的实体的相似性越高,当两向量完全一致时,该指标取值为无穷大。
4、根据权利要求3所述的基于光谱多边形的相似性度量方法,其特征是,s1,d1和μ1是相互关联的,由某一个因子能获得其它两个因子,选择μ1作为最终的相似性度量因子,当μ1>0.9时认为两光谱向量是相似的,归入同一类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101093486A CN100344947C (zh) | 2003-12-12 | 2003-12-12 | 基于光谱多边形的相似性度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2003101093486A CN100344947C (zh) | 2003-12-12 | 2003-12-12 | 基于光谱多边形的相似性度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1546958A CN1546958A (zh) | 2004-11-17 |
CN100344947C true CN100344947C (zh) | 2007-10-24 |
Family
ID=34335146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2003101093486A Expired - Fee Related CN100344947C (zh) | 2003-12-12 | 2003-12-12 | 基于光谱多边形的相似性度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100344947C (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109709062B (zh) * | 2018-12-29 | 2021-08-13 | 广东工业大学 | 一种物质识别方法、装置和计算机可读存储介质 |
CN112348046A (zh) * | 2020-05-20 | 2021-02-09 | 南方电网数字电网研究院有限公司 | 电力设备定位方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002041530A (ja) * | 2000-07-24 | 2002-02-08 | Nippon Telegr & Teleph Corp <Ntt> | 三次元物体データベースの検索方法及び三次元物体データベースの検索プログラムを記録した記録媒体 |
JP2002181560A (ja) * | 2000-12-08 | 2002-06-26 | Matsushita Electric Ind Co Ltd | ポリゴン情報伝達方法とそれを実施する装置 |
US6532304B1 (en) * | 1998-10-21 | 2003-03-11 | Tele Atlas North America, Inc. | Matching geometric objects |
-
2003
- 2003-12-12 CN CNB2003101093486A patent/CN100344947C/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6532304B1 (en) * | 1998-10-21 | 2003-03-11 | Tele Atlas North America, Inc. | Matching geometric objects |
JP2002041530A (ja) * | 2000-07-24 | 2002-02-08 | Nippon Telegr & Teleph Corp <Ntt> | 三次元物体データベースの検索方法及び三次元物体データベースの検索プログラムを記録した記録媒体 |
JP2002181560A (ja) * | 2000-12-08 | 2002-06-26 | Matsushita Electric Ind Co Ltd | ポリゴン情報伝達方法とそれを実施する装置 |
Non-Patent Citations (1)
Title |
---|
Location similarity of regions stephen winter,Photogrammetry & remote sensing,Vol.55 2000 * |
Also Published As
Publication number | Publication date |
---|---|
CN1546958A (zh) | 2004-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Link the remote sensing big data to the image features via wavelet transformation | |
CN108154094B (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN100573193C (zh) | 高光谱小目标探测方法及装置 | |
CN108960190B (zh) | 基于fcn图像序列模型的sar视频目标检测方法 | |
CN105574534A (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
CN105510195A (zh) | 一种堆叠骨料的粒度粒形在线检测方法 | |
CN104077599A (zh) | 基于深度神经网络的极化sar图像分类方法 | |
US20160189002A1 (en) | Target type identification device | |
CN104751181A (zh) | 一种基于相对丰度的高光谱图像解混方法 | |
CN102324047A (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
CN103247059A (zh) | 一种基于整数小波与视觉特征的遥感图像感兴趣区检测方法 | |
CN101144861A (zh) | 高光谱亚像元目标探测方法及装置 | |
CN101218605B (zh) | 从视觉量创建的多个凸显图中获得一个凸显图的方法 | |
CN104680169A (zh) | 一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法 | |
CN108805057A (zh) | 一种基于联合显著性分析的sar图像油库区检测方法 | |
CN100344947C (zh) | 基于光谱多边形的相似性度量方法 | |
CN104599062A (zh) | 一种基于分类的农业科技成果价值评估方法及*** | |
CN114067217A (zh) | 基于非下采样分解转换器的sar图像目标识别方法 | |
CN102938148A (zh) | 一种基于v-glcm的高光谱影像纹理分析方法 | |
Andersson et al. | Minimizing profile error when estimating the sieve-size distribution of iron ore pellets using ordinal logistic regression | |
CN1317551C (zh) | 基于光谱混合组成的高光谱矿物极大相关识别方法 | |
CN109190451A (zh) | 基于lfp特征的遥感图像车辆检测方法 | |
CN108801457A (zh) | 基于编码采样板设计以及二次能量约束校正的三维图谱获取及重建方法 | |
CN112819813A (zh) | 一种地下管线智能识别方法、装置及存储介质 | |
CN117649612B (zh) | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20071024 Termination date: 20101212 |