高光谱遥感图像端元提取算法概述与系统实现
第一章 绪论
1.1 引言
在遥感领域，经历了从黑白摄影，到彩色摄影再到多光谱成像的阶段。高光谱遥感近年来发展迅速并被广泛应用于空间遥感探测，在地物分辨，探矿，植物检测，军事侦查等领域发挥了重要的作用。
高光谱遥感的基础是测谱学，利用成像光谱仪对物质进行分析。成像光谱仪能在一定的电磁波谱范围内，获取由很多的、十分窄的光谱波段对应的幅度值，这些幅度值十分密集，因此可以构成一条近乎连续的光谱曲线。这种光谱曲线可以应用于多学科的研究和应用中，例如可以将获得的光谱曲线和已知的物质光谱库进行对比，分析该区域的物质组份，这在空间遥感探测中具有重大而深远的意义。
由于高光谱遥感探测器的光谱分辨率高，往往在一定的波长范围内，可以表现出连续光谱成像。由于成像光谱仪所获得的连续波段宽度一般在 10nm 以内，所以这样的连续光谱数据能够判断出地表物质的基本特性，进而对物质进行归类。这个特性使得其在地质矿物分类及成图上具有了十分广泛的应用前景。
光谱仪的发展为定量的遥感理论建立了技术基础。在地表物质识别和分析等领域，都需要具有较高连续性的光谱数据，因此高光谱遥感成像技术也为遥感应用开拓了新的发展空间。
高光谱遥感是一门交叉学科，是以光谱测量学、光电传感器技术、电子计算机等技术为基础，涉及电磁波理论、测谱学、光学、电子信息工程、地球科学、地质学、海洋科学、植物学、大气科学等多门学科。电磁波对于地面不同地物的反射、吸收等作用是高光谱遥感技术的核心。
1.2高光谱遥感数据
通常的遥感图像是一组二维的数据，而高光谱遥感图像，每个像元对应了一系列的光谱信息，因此整个高光谱遥感图像是一组三维的数据。成像光谱应用中的一个重要问题就是如何直观方便的表述这些信息。
传统的彩色图像存储方式例如RGB存储方式，是每个像素点需要存储3个值，分别保存三个通道的分量。而对于高光谱遥感数据，每个像素点需要存储数百个值，对应数百个波段的分量。如何将这些数据进行方便的存储和直观的显示，就显得尤为重要。
在二维图像数据的基础上，再增加一个光谱维度，就可以形成三维的坐标空间。如果把成像光谱图像的每个波段数据都看成是一个横截面，将成像光谱数据整体表述到该坐标空间，就会形成一个拥有多个横截面，并且按照波段顺序组合成的高光谱图像立方体。
在具体的存储过程中，这样一个三维矩阵，可以按照行-列-波段;、行-波段-列;、列-行-波段;、列-波段-行;、波段-行-列;、波段-行-列;这六种顺序进行存储，相对较常见的存储方式为行-列-波段;。
传感器通常搭载在距地面 20m 高的 NASA ER-2 飞机上，总视场角为 30°，瞬时视场角为1.0 mrad，对应的地面分辨率为20m×20m，数据的量化等级为16 bit。1999 年，AVIRIS 以低空模式（AVIRIS 一 LA），在距离地面 12500 英尺的高空采集数据，其数据空间分辨率接近3.4m×3.4 m。在将高光谱数据交付给用户进行影像分析之前，该数据进行了一定的预处理。例如，消除了由于采用非天底数据采集方式和航空平台俯仰、偏航引起等的基本几何误差和辐射误差。
第二章 混合像元模型
2.1 高光谱遥感的电磁理论基础
当物体在绝对零度以上时，都会向外发射电磁辐射，于此同时，物体也会反射和吸收其他物体发射来的电磁辐射。遥感技术就是通过准确接收和记录电磁波在不同的地物上由于相互所用而产生出的差异性变化，由此获得丰富的地物信息。
通过分析地物发射的或者是反射的能量，就可以获得电磁辐射对地表的作用效果，就能够建立起对植被、土壤、岩石、地貌等地表特征的认识。
电磁波是由在垂直于传播方向上变化的电场（E）和与电场成直角的磁场（H）构成（见图 2.1 所示）。电场和磁场合称电磁场，二者互相激发井以相同的相位传播。
从电磁波谱（表 2.1）上可以看出电磁波的波长范围跨度十分大，遥感领域所采用的电磁波范围可以从微波到紫外线。通过在不同波段对电磁波的反射和辐射能量进行成像，就能形成光谱图像。
2.2 常见地物光谱模型
2.2.1 岩矿的光谱特性
高光谱遥感最早来自于对岩矿的光谱分析，因而，多年来，岩矿分析也是高光谱遥感应用中最成功的一个领域。高光谱遥感识别矿物主要依赖矿物成分的吸收特征。
除此之外，影响岩石光谱反射率的因素还有：岩石表面结构和颜色的的差异、大气环境、风化作用等。
2.2.2 植被的光谱特性
绿色植物具有明显的光谱反射特征 (图2.2)。植被的光谱特性是由其化学成分和空间几何特征共同决定的。
2.2.3 土壤的光谱特性
土壤是由多种物质组成的一种混合物，其组成成分十分复杂，因而不同地域的土壤的光谱特性差别较大。总体而言，土壤的光谱特性受到矿物质含量、水份含量、有机物含量和质地等因素的影响。
2.2.4 水体的光谱特性
在可见光范围内，水体的光谱特性也较为复杂，其特性主要受以下几个方面的影响：水表面的反射，水体底部物质的反射，水中悬浮物质等的反射。
2.2.5 城市目标的光谱特性
城市环境既受自然环境的影响，又受人工环境的影响，人类的社会活动使得城市的遥感特性复杂多样，光谱特性复杂。
城市中的路面表面的主要材料为沥青和水泥，在乡镇有一部分的土路。这几种路面的光谱曲线大致近似。
总体而言，城市的地表受人类改造较大，而且呈现出明显的不均匀性，这也是高光谱遥感在城市研究中的难点之一。
第三章 纯像元指数算法软件实现 ....................... 17
3.1 凸面单型体模型.................... 17
3.2 纯像元指数算法流程......................... 17
3.3 数据降维 .................. 19
第四章 纯像元指数算法硬件并行结构设计......................... 27
4.1 矩阵乘法顺序 ........................ 27
4.1.1 随机矩阵优先模式................. 28
4.1.2 图像矩阵优先模式......................... 28
第五章 软硬件协同平台设计................. 41
5.1 同构、异构多核架构的优点和挑战.................. 41
5.1.1 什么是软硬件协同设计............ 41
5.1.2 软硬件协同设计的优势 ............... 41
第六章 实验结果分析
6.1 实验数据
本文中，使用的高光谱图像数据来自 Airborne Visible Infra-Red Imaging Spectrometer (AVIRIS) 的 Cuprite 场 景 ， 数 据 库 内 的 文 件 名 为 f970619t01p02_r02_sc04.a.rfl; (图 11(a))。这个场景包含了 224个波段，分别率为614×512，拍摄目标为美国 Nevada 州的 Cuprite 矿区，拍摄时间为 1997 年。我们选取了这个场景中的一个子集，192 波段，分辨率为 350×350。其中第 1-4 波段，第 107-114波段，第 153-168波段，以及第 221-224波段由于水气吸收等原因造成噪声，SNR 值很低，因此被排除在后续处理之外，这也是根据 AVIRIS 的Bad Band List 为依据进行筛选的。
该场景的原始图见下左图，选取的子集见下右图。下图仅显示了诸多波段中的三个波段构成的伪彩色图像。
第七章 总结与展望
本文在系统的研究了当前主流的高光谱解混算法的基础上，重点分析了纯像元指数算法。纯像元指数算法的运算时间复杂度很高，这大大限制了在航空航天领域需要实时处理的应用。
因此本文在对纯像元指数算法的研究中，提出了矩阵乘法的一种优化结构，经过优化后的结构，具有了并行性，适宜在硬件电路上进行实现。
在硬件系统的实现上，本文采用了 Xilinx 公司的 ZYNQ 片上系统平台，在单芯片上进行软硬件协同开发，将纯像元指数算法的核心步骤放在了数字逻辑电路上进行，大大提高了运行速度。
在并行结构上，采用了波段并行和矩阵分块并行两种机制。使得运算时间得到了大幅度的缩短。在矩阵分块并行机制中，引入了并行度参数 P，参数 P 可以根据不同的硬件结构设定为不同的参数。
上述硬件电路结构通过 Xilinx 公司的高级语言综合工具 HLS 来设计完成，在使用高级语言综合工具的过程中，涉及到了存储器约束，并行约束，流水约束等诸多约束项。
在硬件系统的实现上，本文采用了 Xilinx 公司的 ZYNQ 芯片进行软硬件协同开发，在ZYNQ 芯片的 PS 即软件部分，运行图像矩阵的输入、随机数矩阵的输入和结果的读取与纯像元指数统计。在PL部分，完成了纯像元指数算法的核心步骤即投影并求极值。在硬件逻辑电路的设计过程中，通过合理分配片内存储资源，合理添加流水线以及合理设计与 PS 部分的数据接口，是系统性能得到了很大的提升。
在高光谱遥感解混领域，仍有许多问题有待解决。本文主要研究了端元提取算法，然而对于提取出的端元，如何用来进一步解混，这还需要更多的研究和工作。同时，对于航空航天的实时在线处理系统，仍面临诸如功耗，可靠性等诸多问题需要解决。
参考文献（略）