Spatio-temporal spectral unmixing of time-series images
时序图像的时空频谱分解
该文第一单位自同济大学
摘要：混合像素广泛存在于遥感图像中。为了获得比传统的硬分类更可靠的土地覆盖信息，已经开发了光谱分解方法来根据土地覆盖类别的比例来估计混合像素的组成。现有的光谱分解方法通常需要每个土地覆盖类别的纯光谱。但是，在混合像素占主导的区域（例如，高度异质的区域）中，提取大量纯净的末端成员可能是一个巨大的挑战，尤其是对于长时间序列数据而言。同时，类内频谱变化在频谱分解中仍然是一个长期存在的问题。在本文中，我们提出了一种时空频谱解混（STSU）方法来解决这些问题。所提出的方法将频谱分解从传统的空间域扩展到时空域。它通过使用时间相邻的精细空间分辨率图像来检测土地覆盖变化，并进一步提取训练所需的未混合像素的比例信息，从而充分利用多尺度的时空信息。时空频谱解混方法无需像素级信息提取，而直接使用提取的混合训练样本来构建学习模型，并且可以解释类内频谱的变化。因此，这是一种适用于动态监测土地覆被变化的全自动方法。通过在五个不同领域的中分辨率成像光谱仪（MODIS）数据上进行的实验验证了时空频谱解混方法的有效性。提出的时空频谱解混方法基于在全球范围内进行连续监视的目标，为时间序列数据的频谱分解提供了一种新的解决方案。
亮点：
- 提出了一种时空频谱解混（STSU）方法。
- 提取检测到的不变像素的比例信息以进行训练。
- 所提出的时空频谱解混方法无需端构件提取。
- 所提出的基于学习的方法可以解决类内频谱变化。
- 时空频谱解混方法适用于动态监测土地覆被变化。
时空频谱解混技术路线1：
时空频谱解混技术路线2：
案例图1：
分类结果：
现有的频谱解混方法通常基于在一天中获取的粗糙图像执行，而忽略了时域中图像之间的关系。同时，这些方法假设存在以所有土地覆盖类别的纯光谱表示的端成员（甚至需要大量的端成员，例如基于多个基于端成员的方法），或者它们可能无法完全解释类内光谱变化。另一方面，为处理时间序列数据而开发的少数频谱分解方法无法监视土地覆被的动态变化。为了应对这些挑战，本文提出了一种用于时间序列遥感图像的时空频谱解混方法。该方法将频谱分解从传统空间域扩展到时空域。它使用时间上相邻的精细空间分辨率图像来同时检测长时间和短期内的土地覆盖变化，并在训练所需的粗糙图像中完全提取未改变像素（即训练样本）的监督类别比例信息。此外，采用线性光盘支持向量机(LSSVM)来构建有效的学习模型，并在频谱上解混剩余的变化像素。通过充分利用可用的时空信息，所提出的时空频谱解混方法避免了端元提取，考虑了类内光谱变化，适合连续监测土地覆盖变化。
未来改进方向：机器学习、深度学习。
