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.     

基于加权仿射变换算法的高光谱数据降维

提出一种基于噪声白化和端元提取的加权仿射变换算法用于高光谱图像数据降维,相比较于基于端元提取的仿射变换算法,通过该算法降维后数据的信噪比更高,同时对原始信息的保存量更大,波段之间的相关性更低,从而表明了该算法的有效性.     

基于子空间距离的局部切空间增量学习

提出一种基于子空间距离的局部切空间增量学习方法ISLTSA。首先采用基于划分的简化局部切空间排列算法SLTSA,把初始样本集划分为彼此重叠的多个局部最大线性片;然后引入向量到子空间的距离测度描述新数据点与局部最大线性片的接近程度,并将新数据点归入距离其最近的局部最大线性片中;最后,新数据点的全局低维坐标可由局部线性子空间与全局低维流形的仿射变换计算得出。对多个经典数据集的降维结果表明,ISLTSA算法能够保留数据集的局部几何性质,是一种有效的非线性增量学习方法。     

KPCA与LTSA融合的转子故障数据集降维算法

针对核主成分分析(kernel principal component analysis,KPCA)和局部切空间排列算法(local tangent space,LTSA)在降维过程中无法兼顾保持数据全局结构特性和局部结构特性的问题, 利用核函数的可线性叠加性质,提出一种将KPCA算法与LTSA算法融合的非线性降维算法.该算法能使故障数据集经过降维后同时保持数据样本间的全局距离关系和局部邻域关系.应用验证表明:本算法可以准确地提取故障数据集中所包含的全局与局部结构特征模式,使故障分类的结果更明晰、更准确、更有效.     

面向高光谱影像分类的改进局部切空间排列降维

提出多策略提升的局部切空间排列算法来解决常规局部切空间排列降维在高光谱影像分类中计算复杂度高的问题.通过引入随机映射来预先减少高光谱影像波段数,降低后续k-邻域和局部切空间构建的计算复杂度;采用递归兰索斯切分算法快速构建近似k-邻域,降低常规k-邻域构建的计算时间;采用快速近似奇异值分解算法提高全局排列矩阵的本征分解计算速度.利用两个不同的高光谱数据集,设计4组实验来分析多策略速度提升的局部切空间排列算法的计算性能和分类效果.实验证明,相比常规局部切空间排列方法,多策略提升的局部切空间排列方法损失约1%左右的总体分类精度却能够提高至少3倍的计算速度.     

采用监督局部切空间排列算法的航空发动机磨损故障诊断

为解决传统特征提取技术难以处理具有非线性结构的复杂故障数据、影响故障诊断准确性的问题,将非线性维数约简技术——局部切空间排列引入航空发动机滑油光谱数据特征提取中,提出了一种基于监督局部切空间排列的发动机磨损故障诊断方法。该方法对非线性分布故障流形数据的内在几何特征进行捕捉,并将数据向低维故障特征空间进行非线性映射,完成故障特征的提取,最后在故障特征空间里构造分类器,完成磨损故障的识别诊断。采用某型发动机磨损故障滑油光谱数据开展实验,结果表明:与传统主元分析、线性鉴别分析特征提取方法相比,该方法能够更有效地提取出嵌入于故障数据中的非线性特征,提高了故障分类的准确率,并且只需采用简单的线性分类器就能具有很好的故障诊断性能。     

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.     

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。     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

基于子空间距离的高光谱图像光谱解混算法

高光谱图像中的混合像元由固定的端元按照一定的比例含量（丰度）线性混合而成,在像元中分解出端元以及各端元的丰度是高光谱图像分析中具有挑战性的任务,这一过程称为光谱解混．高光谱图像的一个重要几何特征是在高维特征空间中体现为单形体．在三角形中,平行线分线段等比定理揭示了计算丰度最基本的几何关系一距离比,文中把它推广到高维空间中的单形体情况,在此基础上提出了基于子空间距离比的光谱解混算法,该算法能快速、有效地获得丰度．     

基于SURF和顾及维数的高光谱影像端元提取新算法

端元提取,丰度反演是高光谱遥感技术的重要内容,其中端元提取是关键的步骤。首次将特征提取算法speed-up robust features(SURF)引入到高光谱影像端元提取中。兼顾高光谱影像丰富的光谱信息改进了SURF算法,提出了在多维尺度空间内寻找极值点作为端元的高光谱影像端元提取新算法,即多维SURF(multi-dimensional speed-up robust features,MDSURF)算法;将其应用于美国EO—1卫星获取的云南中甸普朗地区的Hyperion高光谱影像,并成功提取了影像端元。为了进一步验证结果的可靠性,设计两组对比实验,分别利用N-FINDR和连续最大角凸锥(sequential maximum angle convex cone,SMACC)算法在同等条件下提取实验影像的端元,然后对三种方法的结果进行综合评价和分析,得出MD-SURF算法提取端元的观感效果较好、精度最高、质量最好。提出了一种新的高光谱影像端元提取算法,实验结果表明新方法具有精度高、鲁棒性好等特点,证明了基于新物理机理的MD-SURF算法是一种可行的高光谱端元提取算法。     

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。     

基于背景抑制及顶点成分分析的高光谱异常小目标检测

高光谱图像异常小目标检测数据量大、信息提取困难.文中提出了一种不需要先验信息并且计算复杂度较低的快速检测算法——基于背景抑制及顶点成分分析（EVCA）的异常小目标检测.利用高光谱图像端元是单形体顶点这一特性,在抑制背景后的图像上提取目标端元,并结合光谱匹配技术完成目标检测.为了验证新方法的有效性,与不经过背景抑制的VCA算法及传统检测算法进行了比较.实验结果表明,该算法不需要先验信息,体现了较好的检测效果.     

基于广义判别分析的高光谱影像特征提取

为提高高光谱影像地物识别的精度与速度,采用基于核方法的广义判别分析进行高光谱影像的非线性特征提取.研究了广义判别分析的数学模型、模型求解方法及特征提取过程,并进行了高光谱影像特征提取与分类实验.结果表明:样本点在特征空间中,同类目标大体聚集成团,异类彼此分离,具有良好的紧致性,特征提取结果优于线性判别分析结果.     

遗传关联向量机高光谱影像分类

基于高光谱影像临近波段相关性高, 直接在高维空间分类并非最优,并且使用交叉验证进行分类器参数寻优过程繁琐,提出了遗传关联向量机（GA RVM）高光谱影像分类算法,使用遗传算法搜索面向关联向量机（RVM）的最优参数和特征子空间, 消除冗余信息, 简化参数优化过程.实验环节验证了GA RVM算法的有效性,剔除约50%冗余波段后,总体分类精度提高3%, 对难分地物改进尤为明显, 其中混分最严重的2种大豆精度提高了8%.     

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。     

联合空谱信息和Gabor特征的高光谱人脸识别算法

提出一种采用高光谱图像的人脸识别算法.根据人脸肤色在可见光范围内的光谱特征进行波段选择并依据人脸结构特征,对选定波段的灰度图像进行Gabor特征提取.最后分别进行特征层上的融合识别和决策层上的融合识别.特征层融合的权重系数由反射率和正确识别率共同决定,决策层融合算法采用"最高票当选制"原则.利用香港理工大学的高光谱人脸数据库对进行验证.结果证明,本文算法在识别速度和正确识别率方面都得到了显著改善,在3幅训练样本情况下,正确识别率达到96.5%.相对于全波段参与识别,识别速度提高了约3倍.      

高光谱影像预处理技术

 以核工业北京地质研究院遥感重点实验室获取的高光谱数据CASI/SASI的处理为例,总结了高光谱数据处理技术的流程、具体技术细节和技术点,并根据数据处理中存在的问题,例如高光谱数据量大、处理时间长、影像的拼接困难等,阐述了对高光谱影像预处理中所存在问题的相关对策,为高空间分辨率的高光谱数据预处理提供了较好的应用范例和技术支撑.     

高光谱影像端元数目估计的HAHT模型

端元提取是高光谱遥感研究的重点内容之一,在高光谱影像信息识别、环境监测、资源探测和丰度反演等领域有着重要运用。为了实现有效的端元提取,如何准确估计（尤其是未知区域）高光谱影像中端元数目就显得更为关键,特别是在无人或境外地区的遥感探测方面极有实际价值。端元数目估计过多或者过少都会影响端元提取和混合像元分解的精度。本文基于谐波分析（Harmonic Analysis,HA）理论实现了高光谱影像有效去噪,并结合二元假设检验方法构建了一种高光谱影像端元数目估计的谐波分析假设检验（HA-Hypothesis Testing,HAHT）模型。通过AVIRIS和Hyperion高光谱影像的可行性分析与普适性验证,并与HFC（Harsanyi Farrand Chang）、特征值极大似然函数（Eigenvalue Likelihood Maximization, ELM）和最小误差高光谱信号辨识法（Hyperspectral Signal Identification by Minimum Error, Hysime）等常规的端元数估计算法应用成果相对比,表明HAHT模型所估计的端元数目与实际地物数具有更高的吻合度。同时,采用较成熟的连续最大角凸锥（Sequential Maximum Angle Convex Cone,SMACC）方法提取了端元波谱曲线,通过比较设置2（HFC估计数）、8（HAHT估计数）和14（Hysime估计数）不同端元数的提取结果,也证明HAHT模型在估计端元数目时具有较高准确性,以及较好的适用性和应用前景。