2021届毕业生成果展示|黄纯豪：基于非线性模型的复合颜料高光谱稀疏解混

北京建筑大学2021届测绘工程硕士研究生

指导老师：吕书强副教授

引文格式：黄纯豪. 基于非线性模型的复合颜料高光谱稀疏解混[D].北京建筑大学, 2021.

论文发表情况：

[1] S. Lyu,C. Huang,M. Hou. REFLECTANCE RECONSTRUCTION OF HYPERSPECTRAL IMAGE BASED ON GAUSSIAN SURFACE FITTING[J]. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,2020,XLIII-B3-2020.

获奖情况：

1. 2019年，十六届“挑战杯”全国赛，二等奖；

2. 2019年，第十届“挑战杯”北京市赛，特等奖；

3. 2019年，第五届“互联网+”首都赛，二等奖；

专利：

1. 2019年，一种顾及吸收特征的光谱分段矿物颜料的识别方法；

2. 2020年，一种基于曲面拟合的地面高光谱反射率校正方法。

针对高光谱应用于复合颜料研究现阶段存在的问题，本文从预处理出发，研究了文物保护中地面高光谱人工光源的光强分布，提出了一种基于曲面拟合的反射率校正方法；针对复合颜料高光谱的非线性混合，研究了基于模型驱动的非线性解混，主要研究了Kubelk-Munk（KM）混合模型和Hapke混合模型，并提出了一种改进KM模型；针对文物表面不存在纯净端元的问题，研究了稀疏解混算法，并结合改进KM模型，提出了基于改进KM模型的稀疏解混算法。

现阶段高光谱应用于复合颜料解混的研究仍存在着两大问题。问题1：目前研究多基于线性混合模型，但实际复合颜料高光谱应为更为复杂的非线性混合，直接利用线性算法精度有待提高；问题2：解混流程仍多参考传统高光谱解混流程，即先进行端元提取再进行丰度估计，但是文物表面可能均由复合颜料组成，并不存在所谓的纯净端元（即纯净颜料），端元提取的误差影响了后续丰度反演的准确性。针对以上问题，本文主要研究内容如下：

一，数据预处理阶段，针对文物保护中高光谱人工光源空间分布的特殊性，提出了基于曲面拟合的反射率校正，利用原始反射板数据求解光强曲面模型，再利用所求曲面模型计算虚拟反射板，实现逐点逐波段的反射率校正，实验表明在特定的人工光源空间分布下，提出方法能够有效提高反射率校正精度。

二，针对复合颜料高光谱的非线性混合，研究了基于模型驱动的非线性解混，主要研究了两种混合光模型（KM模型，Hapke模型），并针对中国传统彩绘文物的特点，对KM模型提出了改进。最终对实验室自制复合颜料进行实验，实验结果表明在所研究的模型中，本文提出的改进KM模型解混精度最高，且高于基于线性模型的解混精度。

三，针对彩绘文物高光谱不存在纯净端元的特点，研究了稀疏解混。通过稀疏解混算法从而省去了端元提取的步骤，避免了由于文物表面不存在纯净颜料而引起的端元提取的误差。但由于稀疏解混算法仍为线性算法，直接利用于非线性混合的复合颜料高光谱中解混精度有待提高。基于此，结合研究内容二中的改进KM模型，提出了基于改进KM模型的稀疏解混。先利用改进KM模型将反射率转化为吸收散射比，再进行稀疏解混。最终通过对实验室自制样本和真实文物数据的实验验证了提出算法的有效性。

图1 研究技术路线

表1 左右影像同名点光谱相似度

3.2 改进的KM模型

针对实验室制作复合颜料样本，利用光谱仪采集350-2500nm光谱数据。利用高光谱数据，利用KM模型、Hapke模型和改进KM模型，结合约束的最小二乘法求解解混结果。同时，为对比验证模型精度，同时使用基于线性模型的FCLS，即直接利用光谱反射率进行解混。最终通过RMSE来评估精度，结果如图1所示。可以发现，本文提出算法在各模型中解混精度最高。

图2 各模型解混精度

3.3 基于改进KM模型的稀疏解混算法

为验证提出算法的可行性，采用第三章制作并采集的复合颜料样本数据进行实验。同时，与基于线性模型的稀疏解混进行对比。结果表明，本文提出算法能得到更好的结果。

表2 两种方法解混结果

表3 两种方法解混结果RMSE

最终，对成像数据和一幅真实壁画的成像数据进行算法的验证。