基于数据约减和中心化的像元纯净指数端元提取方法

像元纯净指数(pixel purity index, PPI)算法是最为常用的端元提取算法之一,但算法中投影向量的随机性导致多次运行的端元提取结果不一致。为此,提出一种基于数据约减和中心化的像元纯净指数端元提取方法(pixel purity index endmember extraction algorithm based on data reduction and centralization, DRC-PPI)。首先利用自动目标生成算法生成候选端元,并进行无约束最小二乘解混,将解混丰度为负的像元从原始数据中移除得到约减数据。其次,对约减数据进行数据中心化进而获得投影向量,将约减数据投影到这些向量上,然后根据样本点的像元纯净指数选择端元光谱。仿真数据和真实高光谱数据实验结果表明,DRC-PPI算法克服了PPI端元提取结果不一致性,大大减少了投影计算量,其端元提取精度总体上高于PPI算法。     

一种基于端元投影向量的高光谱图像地物提取算法

利用高光谱图像在波段空间中呈现凸面单体这一几何特性,提出了一种用于提取地物的端元投影向量生成算法,端元投影向量的生成以下面事实为依据:在高维波段空间中,每一个端元都游离于其他所有的端元构成的超平面之外,且是距离超平面最远的点.利用在Cuprite获取的AVIRIS数据对端元投影向量生成算法进行了验证,实验结果表明该算法可以有效地用于地物提取.     

一种基于PCA的工件图像匹配方法的研究

为提高工件图像匹配的计算效率提出了一种基于主元分析(PCA)的新方法.该方法将模板图像视为一高维空间点集,对其进行PCA处理,在确定能够保证信息保留率的主元个数后,得到各元方向上投影值的最大最小值及与其对应的模板图像中的列的序号.在匹配时,只需抽取搜索区域中相同序号的列向相应的主元方向作投影运算,从而构成投影值向量,进而计算该向量与预处理中所得的最大最小值构成向量间的距离,从而根据距离的大小判断是否匹配.匹配中的寻优工具使用一种改进的遗传算法.对工件匹配的实验验证说明,所提方法具有较高的寻优速度和精度,且在待匹配图像中混有较高噪声的情况下也能得到较好的结果.     

基于流水线架构的卷积神经网络FPGA实现

卷积神经网络（CNN）已被广泛用于图像处理领域,且通常在CPU和GPU平台上进行计算,然而在CNN推理阶段存在CPU计算速度慢和GPU功耗高的问题。鉴于现场可编程门阵列（field programmable gate array,FPGA）能够实现计算速度和功耗的平衡,针对当前在卷积结构设计、流水线设计、存储优化方面存在的问题,设计了基于FPGA的卷积神经网络并行加速结构。首先将图像数据和权值数据定点化为16 bit定点数,一定程度上减少了乘加运算的复杂性;然后根据卷积计算的并行特性,设计了一种高并行流水线卷积运算电路,提高了卷积运算性能,同时也对与片外存储进行数据交互的流水线存储结构进行了优化,以减少数据传输的时间消耗。实验结果表明,整体加速器在ImageNet数据集上的识别率达到94.6%,与近年来相关领域的报道结果相比,本文在计算性能方面有一定的优势。     

高光谱识别目标的光谱分离分析方法

介绍了线性混合光谱模型,提出了一种分析复合光谱的方法-通过已有的光谱数据库,利用约束最小二乘法分离出像元组份,并能计算像元组份比,对此进行实验,验证了其可行性,并分析了一个30通道的遥感图像。实验以及图像分析的结果表明此种方法能用来分析混合像元问题,即能分离出像元组份,计算出像元组份比获昨比值图像,能利用高光谱数据识别小于地面像元的目标。     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

图像边缘检测电路的FPGA设计

本文实现了基于FPGA的SOBEL算子图像边缘检测电路的设计。利用FPGA的流水线结构和并行阵列结构,由时序电路流水线读取数据,利用单行缓存并行输出产生SOBEL算子所需的3×3窗口数据,用加法运算替代乘法运算,实现SOBEL算子图像边缘检测系统的FPGA硬件电路构建。     

基于线性光谱混合模型的混合像元分解研究——以合肥市为例

利用Landsat ETM+数据,在水体掩膜的基础上,采用线性光谱混合模型(Liner Spectral Mixture Model,LSMM)进行混合像元分解,得到合肥市高反射率地物、低反射率地物、植被和土壤四种端元的丰度图像以及RMS误差分量图像.应用线性光谱混合模型研究城市地表组分组成,端元(End-member)选取是模型成败的关键.通过分别采用手动选取端元和利用纯像元指数(PPI)法选取端元两种方法,从定性角度对比两种方法得到的结果,结果表明在本研究区内手动选取的端元比PPI选取的端元模型拟合精度更高,能够得到更高精度的分量图像.     

基于端元提取的高光谱图像亚像元目标异常检测算法

针对高光谱图像异常检测因为背景复杂、存在亚像元目标而导致检测效果下降的问题,提出了一种新的检测方法。该方法首先对高光谱数据使用主成分分析法进行背景抑制,然后使用正交子空间投影方法进行端元提取,再使用光谱角度匹配技术进行异常检测。最后与其他两种检测方法比较,具有更好的检测效果,证明该方法的有效性。     

一种波段降维的VCA高光谱端元提取算法研究

高光谱图像解混过程一般包括三个方面,即波段降维、端元提取和光谱反演。这其中,高光谱图像端元提取算法研究是一个核心问题。VCA(Vertex Component Analysis,顶点成分分析)算法是一个经典的基于凸面几何学的端元提取方法。通过研究,对原始的VCA算法进行改进,首先计算出波段间的相关系数,然后将相关系数相同的波段保留一个其他去除,最后通过剩余的波段再利用VCA算法进行端元提取。仿真结果表明,该方法可以有效提取出图像中含有的端元成分,提高了计算效率。     

基于矩阵三角化分解的Cholesky分解及FPGA并行结构设计

矩阵运算是高性能计算中核心问题之一,矩阵分解是提高矩阵运算并行性的重要途径,飞速发展的FPGA为并行运算结构提供了有力的环境支持。该文基于子矩阵更新同一化算法实现了Cholesky分解,基于FPGA设计了相应的并行结构。实验结果表明:与通用处理器的软件实现相比,本文实现的Cholesky分解的FPGA并行结果在核心计算性能上可以取得10倍以上的加速比,该算法针对矩阵三角化计算过程具有更高的数据和流水并行性。     

基于多观测向量的高光谱影像稀疏表达分类

针对传统的高光谱影像稀疏表达分类模型忽略像元间的内部结构关系且运算效率较低,提出多观测向量的稀疏表达模型来研究高光谱影像分类.该模型引入平衡参数来控制各权重系数向量的稀疏度,通过最小化L2范数约束的重构误差来求解所有测试像元的稀疏系数向量.基于两个高光谱数据集,对比5种常规分类器的分类结果来验证提出的方法.实验结果表明,多观测向量的稀疏表达分类模型在计算效率第二的同时能够得到最高分类精度.     

基于谱结构先验的高光谱图像受损谱段快速修复

本文在分析高光谱图像谱结构先验的基础上,结合经典Karhunen-Loève变换,提出了一种基于谱结构先验的高光谱图像受损谱段快速修复算法.该方法首先对高光谱数据进行分块分组,然后对同一空间块中相邻的两组数据分别进行KL变换,并通过相邻组自适应保留的几个最大特征值修复受损谱段.实验结果表明该方法简单易行,另外图像所包含的纹理和边界信息越丰富,恢复图像的质量越高.     

基于概率神经网络的锋电位实时分类算法

为了实现便携式实时处理的实用型脑-机接口(BMI),提出了一种基于概率神经网络(PNN)的锋电位信号实时分类算法,并完成了该算法基于现场可编程门阵列(FPGA)的实现.该算法通过训练数据的快速导入完成PNN的训练,再由PNN实现锋电位的分类工作.文中通过调用FPGA片上DSP48Es资源实现单精度浮点的乘加运算,采用并行流水结构加速向量间距离的计算,通过查找表和坐标旋转数字计算方法完成PNN激活函数的准确逼近.实验结果表明,在完成高达93.82%准确率的情况下,基于FPGA的PNN实现方法比基于Matlab的方法快47.43倍,达到了便携式实时处理的设计要求.     

基于线性光谱混合理论的高光谱图像压缩

为了以较小的压缩误差为代价解决高效压缩高光谱数据的难题,提出基于线性光谱混合理论的星上高光谱图像压缩算法.利用顶点成分分析求高光谱图像的端元向量,并根据信道容量选择端元数;基于线性光谱混合模型求各像元对应于端元向量的丰度值;用JPEG2000对端元向量和丰度值矩阵进行无损压缩.对AVIRIS高光谱图像的仿真结果表明:压缩比为80∶1时,原始光谱与解压缩重构光谱最大相对误差小于2.7%,最大光谱角余弦误差小于0.000 23,压缩性能优于现有算法;算法还能有效地抑制原始图像中的随机噪声.     

基于零空间最大距离的高光谱图像端元提取算法

端元提取是高光谱图像分析中的一项重要而具有挑战性的任务,它是解决高光谱图像混合像元分解最关键的步骤.文中给出了基于零空间的距离计算方法,在此基础上提出了零空间最大距离算法快速地提取端元.利用零空间与端元所张子空间之间正交补的关系,在数学上严格证明了当数据完全符合单形体条件时,算法能够准确地提取所有的端元,为基于最大距离的端元提取提供了重要的理论依据.算法通过了真实高光谱图像的检验,实验结果表明,零空间最大距离算法具有较好的端元提取效果.     

基于混合像元分解的火星南极矿物制图研究

对火星高光谱遥感数据进行混合像元分解,有助于获取像元内部火星表面矿物含量。端元光谱提取和光谱解混是混合像元分解的关键技术。以ORB0942_2轨道覆盖的火星南极地区作为研究区,应用纯净像元指数法(PPI)从影像中提取出端元光谱,并利用线性分解模型对影像中混合像元进行了分解,计算出其各端元组分的百分含量,获得了研究区水冰、石膏、钙镁橄榄石及紫苏辉石的相对含量分布图。     

简析高光谱图像解混技术及算法

混合像元的存在影响了高光谱图像应用精度的提高,对解决问题的研究已经成为高光谱图像研究领域的一个热点。首先,对混合像元产生的原因进行了分析;然后,对高光谱图像解混涉及的线性混合模型、端元提取和混合像元分解等三个方面的内容进行了详细论述,对现有的各类端元提取算法和混合像元分解算法进行了分析和对比,比较了各算法的优缺点;最后,对高光谱图像解混技术和算法的发展进行了展望。     

快速像元纯度指数算法

像元纯度指数（PPI）算法广泛应用于目标与背景的分离中，对于超光谱图像数据，它可以从混合像元中提取纯净的端元，用于目标的识别，但缺点是计算量大，不能自动提取。针对这一问题，本文基于PPI算法的原理提出一种非监督端元自动提取方法，使得提取时间大大缩短。     

基于最小体积约束的非负矩阵分解模型的高光谱解混算法探究

高光谱遥感图像中,遥感影像的分类精度和地物识别会因混合像元的存在而受到影响,从而限制了遥感科学向定量化发展.基于最小体积约束的非负矩阵分解方法,不仅不需要假定纯像元的存在,而且在自动提取端元的同时获取对应的丰度图,这种非监督的光谱解混技术克服了传统方法的限制条件,为高光谱图像中混合像元问题的解决提供了新的思路和方法.