基于信息熵的NMF遥感图像解混算法

针对传统稀疏非负矩阵分解(NMF)解混方法仅考虑丰度矩阵中非零个数最少,没有考虑混合像元内端元的丰度分布具有不均匀性的这一问题,提出一种基于信息熵的NMF遥感图像解混算法.将端元的丰度值的大小看成是信息熵中的符号出现的概率,当端元等概率出现在混合像元中时各个丰度值大小相等,对应的实际地物等比例出现在混合像元中,此时信息熵最大,但是丰度稀疏性最低;当丰度分布最不均匀时,仅有一种地物类型出现,信息熵最小,此时丰度值的稀疏性最高,只有一个非零值,由此得出丰度稀疏性和信息熵有负相关的关系.在NMF解混算法的基础上,引入负信息熵来约束丰度矩阵,同时加入平滑限制来约束端元光谱矩阵.在模拟数据和真实数据上进行了结果测试.实验结果表明:相比传统的NMF解混算法和基于l2范数的NMF遥感图像解混算法,本方法能得到更好的解混效果.     

散射项约束非负矩阵分解的高光谱图像解混

针对传统的约束非负矩阵分解方法对于解混的物理特性考虑较少,提出一种高光谱图像的解混方法:散射项约束非负矩阵分解(scattering-term constrained nonnegative matrix factorization,STC-NMF).与大多数约束非负矩阵分解算法将约束建立在数据的数学特性之上不同,ST...     

基于丰度约束核非负矩阵分解的高光谱图像非线性解混

本文提出一种基于丰度约束核非负矩阵分解的高光谱图像非线性解混方法.通过该方法将原始高光谱图像数据映射到高维特征空间中,使非线性数据在高维空间中变得线性可分.然后,在高维特征空间中,通过线性的非负矩阵分解进行无监督的高光谱解混.同时依据地物分布的空间特性,在丰度上添加稀疏和平滑约束.模拟和真实高光谱图像数据的实验结果表明,与其他解混方法相比,该方法考虑了地物的空间分布特性,提高了在不同的非线性混合场景下的高光谱解混精度.     

结合FDA与NMF的高光谱数据解混方法

高光谱图像解混是遥感图像处理的重要技术之一．利用非负矩阵分解（NMF）进行高光谱图像解混是近年来发展起来的一种方法．这种解混方法假设光谱具有稳定的光谱特性;但实际上光谱经常是多变的,这个现象影响着解混的精度．为了减小这一影响,首先利用Fisher判别分析（FDA）对高光谱数据进行线性变换,而后利用变换后的高光谱数据提出了一种FDA与NMF相结合的高光谱数据解混方法．实验表明新方法能够有效地提高解混精度与效率．     

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.     

基于广义形态学的高光谱图像解混算法

综合利用像元的光谱和空间信息,提出一种基于广义形态学的混合像元分解算法。引入基准像元,避免形态学算子在像元排序规则和替换准则上存在的局限性。针对图像中不同类别交界处存在的交叉替换现象,广义开-闭算子采用修正能量函数作为距离测度进行计算。端元提取之后利用全约束最小二乘法进行丰度反演。利用矿物光谱的模拟数据和真实数据进行实验,结果表明,该算法无需先验信息便可自动进行混合像元分解,分解精度较高。     

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。     

基于稀疏性约束非负矩阵分解的人脸年龄估计方法

基于人脸图像的年龄自动估计已经成为当前人脸识别领域的一个重要研究方向。首先通过非负矩阵分解(non-negative matrix factorization,NMF)算法对基矩阵或系数矩阵进行稀疏性约束,用形成的更具有局部表达能力的子空间对人脸图像数据进行表示。然后使用径向基函数神经网络进行训练和测试,提取包含在大多数人脸图像上的年龄信息来进行年龄估计。实验结果表明,具有稀疏性约束的非负矩阵分解算法对年龄估计问题具有良好的应用效果。     

结合分层和ADMM的高光谱图像解混方法

高光谱图像有较高的光谱分辨率,但是单个像元覆盖的面积比较大,导致单个像元中出现多于一种地物的现象,即混合像元。混合像元的存在严重影响了高光谱数据的后续利用。高光谱图像解混技术的目的就是将混合像元中存在的地物种类(端元)以及各个地物种类所对应的比例(丰度)精确地表示出来。高光谱数据覆盖的范围比较大,不可避免存在端元变异的现象。为了应对端元变异现象,利用扩展的线性混合模型对高光谱数据进行建模。在基于分层解混技术的基础上,利用乘子交替方向法对其进行优化。实验结果表明,解混效果得到提升。     

SAM权重法在端元提取中的应用

高光谱遥感的出现使得在宽波段遥感中不可探测的物质能被探测。获得的高光谱数据大都具有数据冗余度高、信噪比低等特点。文章通过idl编程实现高光谱数据的特征提取并利用其做了端元提取流程与光谱解混,及权重法SAM端元提取、混合光谱分解模型及实现。利用SAM权重法能够完成端元提取并最终得到的解混结果。     

基于约束独立成分分析的高光谱图像指纹提取

提出了一种约束独立成分分析的指纹提取方法,对传统独立成分分析模型加入组分"和为1"约束,同时基于提出的模型发展了新的优化规则.利用高光谱图像丰富的波段信息,对指纹与背景的混合像素进行光谱分解,提取出指纹的信息.真实实验和模拟实验证明:所提方法可以有效地提取不同背景分布特点的指纹信息,指纹形状十分完整,提取精度优于最小体积约束的非负矩阵分解(MVCNMF)、和为1约束的非负矩阵分解(NMF+ASC)、基于增广拉格朗日的单形体提取(SISAL)等传统方法.     

二进制约束下的NMF方法及其应用

在普通非负矩阵分解(NMF)方法基础上提出了3个二进制约束非负矩阵分解(3bNMF)算法,对分解矩阵和恢复矩阵元素增加了二进制数的约束,从而更适合对二进制数据进行处理.分别给出了3bNMF算法在数字矩阵分解和有噪声情况下汉字偏旁部首提取中的应用实例,并与普通NMF方法所处理的结果进行了比较.     

基于分布估计算法的非负矩阵分解

非负矩阵分解问题可以转化为一个约束优化问题,因此可以依靠最优化领域的相关算法进行求解.提出一种基于分布估计算法求解非负矩阵分解问题的新算法,并将算法应用于两个非负矩阵分解的数值算例,与非负矩阵分解基准算法进行比较,证实了算法的可行性和优越性.     

分组寻优的多端元高光谱图像解混方法

为了对高光谱图像中出现的混合像元进行分解,在分层解混方法的基础上从一个新的角度出发,提出了一种新的高光谱图像解混方法。该方法根据整体和部分之间的关系,首先利用各种地物的端元组对混合像元分别进行解混,然后利用根均方误差(RMSE)选出每个端元组中反演误差最小的那个端元。该方法可以降低计算的复杂度,有效地抑制噪声的影响,迭代次数减少了1 900次。     

一种利用单形体体积自动提取高光谱图像端元的算法

高光谱数据端元的提取是理解高光谱数据、继而对数据进行进一步分析（比如解混、填图等）的前提.基于高光谱数据在特征空间的几何特性提出了一种基于高维单形体体积的自动提取高光谱数据端元的快速算法，与N-FINDR方法中所用单形体体积公式受限于数据维数的缺陷相比，该方法适用于任何维数的数据，因而也更加合理和有效.利用在Cuprite获取的AVIRIS数据来验证此算法.     

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.     

基于K-L算法的投影图正则非负矩阵分解

通过对投影非负矩阵分解(PNMF)增加数据点及其邻近点的约束,提出一种基于图正则化的投影非负矩阵分解(PGNMF)方法。PGNMF保留了数据在低维特征空间中局部几何结构的同时又对系数矩阵进行稀疏约束,既减少了存储空间,也提高了算法效率。理论分析和数据实验都验证了该算法的有效性。     

双重约束非负矩阵分解与改进正交匹配追踪算法的语音增强

针对非负矩阵分解算法实现语音增强效果不理想的问题,提出了一种双重约束非负矩阵分解结合改进正交匹配追踪算法的语音增强方法.采用时间约束及稀疏度约束的双重约束方式改进非负矩阵分解算法,使得分解后的数据更能反映出语音特征.通过改进正交匹配追踪算法提升重构精度,并结合语音信号在时频域的分布特征,引入低通滤波器进一步平滑重构后的...