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。

Hyperspectral mixed pixel decomposition policy merging simple linear iterative clustering