基于pysptools实现端元提取及无监督光谱分类

本文通过一个光谱分解示例来对 SERC 高光谱数据 文件进行无监督分类 ，使用PySpTools包进行端元提取 ，绘制光谱端元丰度图 ，并使用光谱角度映射 (Spectral Angle Mapping)和光谱信息散度 (Spectral Information Divergence)对光谱端元进行分类。

1 读取数据

python 复制代码

load_start_time = time.time()
h5refl_filename = 'reflectance.h5'
data,header = read_neon_reflh5(h5refl_filename)
print('Data took ', round(time.time() - load_start_time,1), ' seconds to load.')
print('Raw Data Dimensions:\n',data.shape) #(1000, 1000, 426)

# 数据截取，方便计算
data = data[-100:,-100:,:]

2 去除坏波段

python 复制代码

#remove bad bands
clean_start_time = time.time()
data_clean,header_clean = clean_neon_refl_data(data,header)
print('\nData took', round(time.time() - clean_start_time,1), 'seconds to clean.')
print('Cleaned Data Dimensions:',data_clean.shape)

3 影像查看

python 复制代码

plot_aop_refl(data_clean[:,:,[54,34,14]],header_clean['spatial extent'],(0,1))

4 端元提取

光谱分解 (Spectral Unmixing)允许像素由每一类的分数 (fractions)或丰度(abundances)组成。

端元 (Endmembers)可以被认为是图像的基础光谱。一旦确定了这些端元光谱，图像立方体就可以"分解"(unmixed)为每个像素中每种物质的丰度分数。

python 复制代码

wavelength_float = [float(i) for i in header_clean['wavelength']]
ee_axes = {}
ee_axes['wavelength'] = wavelength_float
ee_axes['x']='Wavelength, nm'
ee_axes['y']='Reflectance

#Endmember Extraction (Unmixing) - NFINDR Algorithm (Winter, 1999)
ee_start_time = time.time()
ee = eea.NFINDR()
U = ee.extract(data_clean,4,maxit=5,normalize=False,ATGP_init=True)
ee.display(axes=ee_axes,suffix='SERC')
print('Endmember extraction took ', round(time.time() - ee_start_time,1), ' seconds to run.')

5 丰度作图

python 复制代码

#Abundance Maps
amap_start_time = time.time()
am = amap.FCLS()
amaps = am.map(data_clean,U,normalize=False)
am.display(colorMap='jet',columns=4,suffix='SERC')
print('Abundance maps took ', round(time.time() - amap_start_time,1), ' seconds to generate.')

6 计算丰富度的阈值

python 复制代码

#Look at histogram of each abundance map to determine ballpark for thresholds to use
import matplotlib.pyplot as plt
fig = plt.figure(figsize=(18,8))

ax1 = fig.add_subplot(2,4,1); plt.title('EM1')
amap1_hist = plt.hist(np.ndarray.flatten(amaps[:,:,0]),bins=50,range=[0,1.0]) 

ax2 = fig.add_subplot(2,4,2); plt.title('EM2')
amap1_hist = plt.hist(np.ndarray.flatten(amaps[:,:,1]),bins=50,range=[0,0.001]) 

ax3 = fig.add_subplot(2,4,3); plt.title('EM3')
amap1_hist = plt.hist(np.ndarray.flatten(amaps[:,:,2]),bins=50,range=[0,0.5]) 

ax4 = fig.add_subplot(2,4,4); plt.title('EM4')
amap1_hist = plt.hist(np.ndarray.flatten(amaps[:,:,3]),bins=50,range=[0,0.05])

7 SAM或SID分类

光谱角度映射(Spectral Angle Mapper, SAM)：

是一种基于物理的光谱分类，它使用 n-D 角度将像素与参考光谱进行匹配。该算法通过计算光谱之间的角度并将它们视为维数等于波段数的空间中的向量来确定两个光谱之间的光谱相似度。
当用于校准的反射率数据时，对照明和反照率相对不敏感。 SAM 使用的端元光谱是从 NFINDR 算法 中提取的。 SAM 比较端元谱向量与 n-D 空间中每个像素向量之间的角度。
较小的角度 表示与参考光谱更接近的匹配 。远离指定最大角度阈值 (以弧度表示)的像素不会被分类。

光谱信息散度(Spectral Information Divergence, SID)：

是一种光谱分类方法，它使用散度度量将像素与参考光谱进行匹配。
散度越小 ，像素相似的可能性就越大 。测量值大于指定最大散度阈值 的像素不会被分类。

本例中 SID 使用的端元光谱是从 NFINDR 端元提取算法中提取的。

python 复制代码

# 定义一个函数来计算和显示SID
#Spectral Information Divergence
def SID(data,E,thrs=None):
    sid = cls.SID() 
    cmap = sid.classify(data,E,threshold=thrs)
    sid.display(colorMap='tab20b',suffix='SERC')

# 使用包含最多信息的三个最终成员（类）来调用此函数：
U2 = U[[0,2,3],:]
SID(data_clean, U2, [0.8,0.3,0.03])

从图中我们可以看到，SID 在识别房屋、土地和植被方面做得相当好。

对于光谱角映射分类将SID()换成SAM()即可。