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。     

先验信息约束NMF的高光谱解混

针对高光谱图像中含有大量混合像元,且大多数解混算法未能利用真实地物信息的问题,提出了一种利用先验信息约束的非负矩阵分解方法对高光谱进行解混。首先利用顶点成分分析法和全约束最小二乘法分别对端元矩阵和丰度矩阵进行初始化,然后利用本文算法对高光谱数据进行解混,最后对估计端元和估计丰度进行评价分析。实验显示,利用本文提出的方法对数据解混的结果优于其他约束的非负矩阵分解算法得到的结果,在求解过程中有很好的抗噪性能。     

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.     

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。     

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。     

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。     

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。     

基于简单L_(1/2)稀疏正则化的高光谱混合像元分解

高光谱图像解混方法中基于稀疏性的混合像元分解方法成为近来研究的热点,其中稀疏正则化高光谱混合像元分解方法(SUnSAL)得到了较好的解混效果。尽管如此,但正则化解的稀疏性和稳健性并不好。基于正则子比正则子更易于求解,同时比正则子具有更好的稀疏性和稳健性,本文引入用正则子来代替正则子。同时,采用了一种简单有效的稀疏正则化的求解方法,将正则化非凸优化问题转化为一系列迭代重复加权正则化问题,并利用变量分裂和增广拉格朗日算法(ADMM)对加权正则化问题进行求解。实验数据表明,此方法不但实现简单,而且可以获得更好的混合像元分解精度。     

基于迭代加权L1正则化的高光谱混合像元分解

为了提高高光谱图像混合像元分解的精度,对基于稀疏性的线性混合像元分解方法进行研究。采用一种迭代加权的L1正则化方法进行高光谱混合像元分解,给出相应的模型和算法。通过引入多步加权L1优化求解过程,且根据当前解修正下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。试验结果表明,基于迭代加权L1正则化的高光谱混合像元分解精度比基于传统L1正则化的方法高,特别适用于信噪比较高的高光谱图像。     

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。     

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．     

基于实测光谱对喀斯特地区土地覆盖类型丰度提取

利用线性光谱模型对土地覆盖类型相对复杂的喀斯特地区进行混合像元分解。以贵州省镇宁县为研究区域,基于实测光谱信息,以Landsat TM8影像为信息源,选取裸土、裸岩、绿色植被、干枯植被为端元,利用线性分解模型提取地类覆盖信息,计算端元覆盖面积。通过对丰度图像的归一化植被指数(NDVI)值与TM8经过缨帽变换的NDVI值进行回归分析,验证端元选取精度,得到R2>0.85。研究表明:在喀斯特山区,利用实测光谱混合像元分解,有效提取植被、裸岩、裸土丰度,提高土地覆盖分类精度的方法是可行的。     

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.     

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.     

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.     

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.