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。     

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。     

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。     

基于高光谱线性混合光谱分解识别人工地物

城市下垫面包含多种不同年代、材料和成分的人工建筑物,其光谱多样性远远超过自然环境.利用高光谱遥感数据的丰富光谱信息,可以弥补传统遥感数据源(如航片、多光谱遥感数据等)在区分城市地物所需光谱分辨率等相关信息上的不足.从光谱分析与光谱匹配技术出发对城市地物和人工目标进行精细分类,可提供城市规划、环境监测、城市变迁乃至相关社会经济等方面的信息.本研究基于Hyperion高光谱遥感数据,以广州市区为试验区,尝试用手动提取终端像元,首先对水体与植被做分层掩膜,尽可能消除其在求取参考波谱与影像波谱角度过程中的影响;继而参考约翰-霍普金斯大学提供的标准光谱库的人工建筑物波谱,对光谱角度制图方法所产生的规则影像进行密度分割,获取与参考光谱夹角最小的端元准确位置,再通过高空间分辨率影像Quick Bird数据对其进行准实地验证,尽可能提"纯"并获取相应地物影像端元;最后,应用线性光谱分解模型提取出广州市区地表物质的丰度,由丰度图设定阈值生成地物分类图.结果表明:星载高光谱数据可识别出都市人工地物中的水泥混凝土、铺路混凝土、粘土瓦屋顶、较老建筑屋顶、裸土、高反射率未知物(玻璃、金属等)、低反射率未知物(阴影)、林地、草地与水体等,其总体精度为76.2099%,Kappa系数为0.7258.     

基于环境一号HSI高光谱数据提取叶绿素a浓度的混合光谱分解模型研究

随着遥感技术的应用推广以及对研究精度的要求提高,越来越多的研究注意到混合像元的问题。在水质遥感监测中传感器探测的水体辐射亮度值是纯水和各种水质参数辐射亮度值的叠加,混合像元问题严重影响了水质定量遥感反演的准确性。基于环境一号HSI高光谱数据,首先分析了混合光谱分解模型的物理基础,然后基于采样点浓度大小和PPI(纯净像元指数)方法在遥感影像上提取纯水和叶绿素a的端元波谱,并利用线性光谱分解方法得到叶绿素a的丰度值找丰度值与叶绿素a浓度值之间的统计关系,建立了叶绿素a浓度反演的混合光谱分解模型,且反演精度较高。本文为水质定量遥感提供了一种新的思路。     

混合光谱分解实验研究

混合光谱分解研究对提高遥感识别地物信息精度具有重要意义.实验室模拟混合光谱分解模型可以作为遥感影像混合像元分解的基础,为地物分类提供经验模型和理论依据.对土壤-植被混合模型进行实验室模拟,对原始光谱反射率进行一阶微分、对数、去连续统变换,运用特征波段法和相似系数法拟合回归方程,并对比模型精度.结果表明基于对数变换数据的...     

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.     

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。     

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.     

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。     

基于线性光谱分解方法的森林选择性砍伐与再生监测研究- 以巴西亚马逊森林为例

以巴西亚马逊热带森林为例,在Landsat TM、ETM+影像提取光合植被(PV)、非光合植被(NPV)、土壤(soil)端元光谱的基础上,利用线性光谱分解模型得到端元地物丰度,进而设计合理的检测规则实现了选择性森林砍伐与森林再生所产生的森林变化监测。结果表明,基于线性光谱分解的方法能够以较高精度准确检测出选择性砍伐与森林再生,是森林变化宏观监测的有效手段之一。     

线性波谱分离在城市土地覆盖影像研究中的应用

文章以合肥市区TM影像为数据源,采用非负最小二乘算法,解决ENVI等商业软件在该算法上存在的不足;对数据进行线性波谱分离,通过对丰度总和数据和残余均方根误差等指标的分析,对TM影像进行了解析;对于TM图像土地覆盖中的混合像元限制分类精度的问题,采用对TM图像MNF变换结果的前5个主成分进行PPI指数计算,并对PPI阈值切割结果进行N维可视化;采用波谱均值作为端元波谱,选择端元数为5,对2种端元类型方案、4种不同的波谱特征进行数值处理,并以模型自身的条件约束等进行验证和样地数据的检核,发现该方法的有效性。     

面向混合像元分解的光谱维小波特征提取

根据线性混合模型的特点,探讨面向混合像元分解的光谱特征提取与选择,提出以小波低频系数为特征的混合像元分解方法.高光谱像元矢量进行离散二进小波变换后,提取光谱特征影像,再基于特征影像估计出混合像元的组分,并用AVIRIS合成影像验证该分解方法.实验结果表明,良好的光谱特征能够较大地提高遥感混合像元的分解精度,比原始波段分解的精度提高约23%.     

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.     

基于线性光谱混合分析的城市不透水层分布估算

利用遥感图像进行城市不透水层分布的估算,在监测城市环境和规划城市发展等方面有着非常重要的作用.采用全约束的线性光谱混合模型,用3种方法(像元纯度指数、归一化的像元纯度指数和结合地表温度辅助分析的归一化像元纯度指数)分别从Landsat 7 TM/ETM+影像中分解得到上海市中心城区的不透水层分布,并比较了2002～2008年的上海市中心城区不透水层分布的变迁.结果表明,利用这3种方法分解得到不透水层的精度依次递增;总体来说,上海市不透水层分布比率较高.从2002～2008年不透水层分布变化来看,上海市的城市化有显著向外环线外区域扩张的趋势.