基于光易变性低秩正交先验的高光谱解混

高光谱解混是通过图像分解提取端元及丰度特征的过程,然而由光照、大气等因素引起的光谱类内易变性,或者由环境变化、设备等非线性因素导致的谱间易变性,会导致特征提取精度下降。为了全面考虑解混过程中光谱变化的问题,本文引入光谱易变性的低秩正交先验提出了一种增强型的光谱解混优化模型。首先,在线性解混模型基础上引入易变性数据拟合项来同时考虑光谱类内和类间变化,利用缩放因子来解决光谱类内易变性,同时增加光谱易变性扰动矩阵来解决谱间易变性。其次,该模型利用正交先验约束来实现原光谱字典与易变性项的空间低相干性,通过采用核范数对数松弛来强化丰度矩阵的低秩特性,抑制微小分量及噪声。最后,采用交替优化法及向量-矩阵算子降低求解算法复杂度。通过模拟数据集和真实数据集仿真测试结果表明,本文所提算法取得了优于对比算法的良好性能,验证了该优化模型的有效性。

两阶段非负矩阵分解算法及其在光谱解混中的应用

非负矩阵分解问题(nonnegative matrix factorization,NMF)模型已成功应用至高光谱遥感影像处理中的光谱解混工作,由于NMF优化模型具有多个局部极小点,使得分解结果不稳定。设计初始化方法或者选择带正则项的问题模型是提高分解精度的两种常用方法。本文提出了两阶段的NMF算法,实现了初始点选取和正则项设计的结合。第一阶段借助k-均值获得k个聚类中心,给出迭代的初始点;利用第一阶段的初始矩阵U^(0),定义了针对端元矩阵的正则项‖U-U^(0)‖_(F)^(2),第二阶段采用基于交替非负最小二乘框架的投影梯度算法,求解新的正则化NMF问题。正则项中的端元初始矩阵U^(0)除了采用k-均值获得k个聚类中心,也可采用真实地物光谱,它的引入提高了算法的灵活度。数值结果表明新算法更加稳定,且分解的精确性有效提高。

基于ADMM和深度生成先验的高光谱解混方法

混合像元的存在制约了高光谱图像分类和目标检测的精度,为了提高混合像元分解的精度,精确地分析混合像元中的组成成分,本文提出将优化方法和深度生成先验结合的高光谱解混方法,实现数据驱动和模型驱动的有机结合。近年来,基于深度神经网络的处理方法被广泛使用在高光谱解混任务中。但是该类方法是“黑盒子”,缺乏物理可解释性。传统的基于数学优化的高光谱解混方法,通过使用人工设计的先验项引入图像内含信息,提高解混精度。但是对于复杂的先验项,求解方法复杂,且并不是所有先验信息都可以用数学模型表示出来。所以本文提出一结合交替方向乘子法优化算法和深度生成先验的高光谱解混方法,联合使用数学优化和深度方法的优越性。首先使用ADMM算法将数据拟合项和生成先验项进行解耦,对于生成先验,使用传统解混方法获得的丰度预训练变分自编码器网络,并将解码器作为生成器。本文同时使用人工合成数据和真实遥感数据验证所提出方法的有效性。

基于高光谱解混的伪装目标识别技术研究

高光谱遥感图像识别技术在伪装目标识别方面具有很大的应用前景。针对高光谱遥感图像中的混合像元和光谱变异问题,提出基于高光谱解混技术的伪装目标识别方法。该方法采用扩展线性混合模型表征高光谱图像中的光谱变异问题,利用超像元分割技术将原始高光谱图像转换为粗细多尺度特征图,对超像元丰度矩阵附加8-邻域空间加权与行约束,以降低噪声和奇异点像元的影响。针对伪装目标空间分布稀疏的特点,在模型中增加丰度矩阵的截断加权核范数作为正则化项,以提高算法精度。实验结果表明提出的方法具有良好的抗噪性和较高的解混精度,可以有效提高伪装目标识别精度。

光谱解混与空间形态约束下的航空遥感影像阴影去除

云阴影在航空遥感成像时会造成各波段的反射率降低,不同波段由于影响不同而出现光谱变形,使得传统的光谱解混算法在去除阴影时存在误差。通过光谱解混确定阴影的初步区域,通过计算整体图像与各波段的透过率来确定阴影区域,结合云阴影的空间形态、采用形态学处理和滤波处理获得初步阴影去除图像,最后使用地物的光谱值域分布来对去除阴影后的图像进行变换处理,得到最终的阴影去除图像。与传统光谱解混方法相比,该方法有效地去除了不同厚度的云阴影,同时保持了地物的真实光谱特征。

基于光谱信息散度与光谱角匹配的高光谱解混算法

针对采用线性逆卷积(LD)算法进行端元初选过程中,端元子集中存在相似端元光谱,影响解混精度的问题,提出了一种基于光谱信息散度(SID)与光谱角匹配(SAM)算法的端元子集优选光谱解混算法。通过在端元进行二次选择时,采用以光谱信息散度和光谱角(SID-SA)混合法准则作为最相似端元选择的判据,去除相似端元,降低相似端元对解混精度的影响。实验结果表明,基于SID与SAM的高光谱解混算法将重构影像的均方根误差(RMSE)降低到0.010 4,该方法比传统方法提高了端元的选择精度,减少了丰度估计误差,误差分布更加均匀。

高光谱遥感图像光谱解混的独立成分分析技术

高光谱遥感在对地球陆地、海洋、大气的观测中发挥着重要作用,高光谱遥感图像分析的关键是提取像元光谱内部各物质成分及其含量,即光谱解混。独立成分分析提供了一种先进的技术手段,在很少先验知识的前提下,实现端元(物质成分)光谱及其丰度(含量)的同时提取。但丰度约束破坏了各成分独立的前提条件,导致了独立成分分析的局限性。针对这一问题,提出了丰度约束下总体相关性最小化的解决方案,并指出总体相关性最小化下的理想角度,通过设计角度修正的独立成分分析算法把各成分调整到理想角度上。利用模拟数据与真实数据算法进行检验,结果表明:经过角度修正后,独立成分分析突破了原有的局限性,有助于进一步提高独立成分分析技术在光谱分析中的有效性。

比值导数法矿物组分光谱解混模型研究

矿物丰度含量的精确分析是高光谱遥感技术定量分析中的难点。将化学领域的比值导数光谱算法进行总结,将其引入遥感反射率光谱分析,提出了基于线性光谱混合模型的比值导数光谱解混模型,并利用石膏和绿帘石粉末混合物进行了模型的精度分析。实验结果表明,矿物粉末混合物在不同波段其光谱混合特性有所不同,其中部分波段有较强的线性混合特征。采用部分强线性混合波段进行光谱解混,可以取得比全波段解混算法更好的结果。比值导数法光谱解混模型简洁,可以得到高精度的矿物成分反演结果,对于固定端元组成的混合光谱定量分析有较大潜力。

基于双线性混合模型的高光谱图像非线性光谱解混

高光谱遥感图像的非线性光谱解混能弥补线性方法难以解释复杂场景中非线性混合效应的不足,而双线性混合模型及算法是其研究的热点.提出了一种基于双线性混合模型几何特性的光谱解混算法.通过将模型中的非线性混合项表示为一个融合了共同非线性效应的额外端点的线性贡献,使复杂的双线性混合模型求解转化为简单的线性解混问题.然后结合传统的线性解混算法直接迭代估计正确的丰度.模拟和真实遥感图像数据的实验结果表明,与其它相关解混方法相比,该算法能较好地克服共线性效应以及拟合优化过多参数对双线性混合模型求解造成的不利影响,同时提高了解混的精度和速度.

线性高光谱解混模型综述

高光谱遥感技术具有强大的地物探测能力.然而,其空间分辨率低的特点导致光谱图像中存在大量的混合像元,该现象阻碍了高光谱技术的应用和发展.针对米级以下的高光谱图像,线性混合模型能够很好地为混合像元建模.由于其物理上的可释性以及数学上的可操作性,作为光谱解混基础的线性混合模型受到了广泛关注,为高光谱图像的混合像元解混问题提供了重要的解决思路.然而,由于观测噪声、环境条件、端元变异性和数据集大小等情况的存在,线性解混依然是一个具有挑战性的不适定的逆问题.通过整理近五年的文献资料,分别从非负矩阵分解、原型分析、贝叶斯方法以及稀疏解混四个方面介绍线性解混数学模型的发展现状以及面临的问题.

基于光谱和空间特性的高光谱解混方法

为表征高光谱数据的光谱和空间特性,引入光谱的平滑性和地物空间分布的稀疏性约束,提出非负矩阵分解的改进算法,将其应用于高光谱解混.尺度可变的梯度下降算法保证了改进算法的收敛性.实验结果表明,改进后的非负矩阵分解算法能给出地物光谱,并精确估计其分布.

一种基于光谱解混的高光谱图像道路检测方法

道路检测是遥感图像处理的一个重要任务，高光谱图像以其图谱合一的特点为道路检测提供了新的有用信源.针对遥感道路检测需求，本文提出一种利用高光谱图像进行道路检测的新方法.该方法首先利用线性混合物模型和独立分量分析技术对输入高光谱图像进行无监督解混，实现道路目标的光谱提取，得到描述道路目标的解混分量图.在此基础上，利用均值比例算子和Hough变换实现最终道路检测.仿真实验结果标明，本文提出的算法是有效的.

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.

从端元选择到光谱解混的距离测算方法

提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法,该方法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度;证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性,并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明,基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.

基于改进线性光谱解混和SCS-CN模型的广州主城区降雨产流模拟

城市降雨产流特征的定量研究对于城市雨水资源开发利用、科学规划和管理具有十分重要的意义。以广州市主城区为研究对象,提出一种改进的线性光谱解混方法提取遥感影像的不透水面、植被和土壤盖度,并结合SCS-CN产流模型进行城区降雨径流模拟。首先利用线性光谱解混方法提取2015-10-18 Landsat 8 OLI遥感影像的不透水面、植被和土壤盖度;然后利用归一化建筑物指数和归一化植被指数进一步优化解混结果;最后结合优化的不透水面、植被和土壤盖度计算合成的CN值,并应用SCS-CN产流模型分析研究区在不同降雨重现期的降雨产流分布特征。结果表明:改进的线性光谱解混方法能较好地提高不透水面、植被和土壤盖度的提取精度;不透水面盖度越高的区域,CN值越高;CN值对地表径流深模拟有显著的影响;在不同重现期降雨条件下,研究区地表径流深空间分布格局差异显著;总体上,降雨量越大,不透水面盖度越高,形成的地表径流深越深,内涝发生的可能性越大。

一种稀疏约束的图正则化非负矩阵光谱解混方法

由于受到高光谱遥感图像传感器平台的限制,图像的空间分辨率受到一定影响,这导致高光谱遥感图像的像元通常是多种地物的混合,也叫做混合像元。混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。采用高光谱解混技术可将混合像元分解为纯净的物质光谱(Endmember,端元)和每种物质光谱所对应的混合比例(Abundance,丰度),为获取更多更精细的光谱提供了可能。这对高精度的地物分类识别、目标检测和定量遥感分析等研究领域具有重要的意义。因此,解混技术成为高光谱遥感图像领域的一个研究热点。基于线性光谱混合模型(linear spectral mixing model, LMM),提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解(endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF)算法。该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法,结合图正则化理论来考虑高光谱数据内部的几何结构,将端元光谱稀疏约束和丰度稀疏约束应用于其中,从而能够对高光谱数据的内部流形结构进行更为有效的表达。首先,构造了EAGLNMF算法的损失函数,采用VCA-FCLS方法进行初始化,然后,设定相关参数,包括图正则化权重矩阵参数、端元光谱稀疏约束因子和丰度矩阵稀疏约束因子,最后,通过推导得到了端元矩阵与丰度矩阵的迭代公式,并且设置了迭代停止条件。该方法不受图像中是否有纯像元的限制。实际上,在现行高光谱遥感传感器平台情况下,高光谱遥感图像中几乎不存在纯像元,因此, EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。采用合成的高光谱数据,构造了4个实验来分析该方法的可行性和有效性,实验将该算法与VCA-FCLS,标准NMF及GLNMF等经典的解混算法进行比较,通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。实验1是总体分析实验。在固定的信噪比和固定端元数目的情况下,用以上三种经典方法与EAGLNMF同时进行解混。实验2是SNR影响分析实验。在固定端元数目和不同信噪比的情况下,用这四种方法进行解混。实验3端元数目分析实验。在固定信噪比和不同端元数目的情况下,用四种方法进行解混,并且将结果进行对比。实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。同时,实验4是稀疏因子分析实验。对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析,实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响,并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。最后,将该算法应用于AVIRIS所采集的真实高光谱图像数据,将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比,其提取的平均端元精度相比于其他三种方法要稍好。

基于光谱相似度量的高光谱图像多任务联合稀疏光谱解混方法

基于图像中存在的邻域以及非局部相似等图像空间特征和联合稀疏解混思想,该文提出一种基于高光谱图像光谱相似性度量的多任务联合稀疏解混方法。通过高光谱图像的光谱特性统计值设定光谱度量阈值,对高光谱图像中相似的像元光谱进行光谱相似性度量分组,再对分组像元光谱数据进行多任务联合稀疏光谱解混模型的构建和求解,得到最终的丰度系数。模拟数据实验结果表明,该方法一定程度上提升了现有联合稀疏光谱解混方法的丰度估计精度,真实数据结果也验证了方法的有效性。

改进的多端元高光谱解混算法

针对经典多端元光谱混合模型(MESMA)存在着计算量大,端元预选繁琐以及过拟合等缺点,提出了一种改进的多端元解混算法。该算法根据正交子空间投影具有分离感兴趣信号与不感兴趣信号的特点,将像元投影到全部地物端元(每类地物选择一条类内光谱)构成的正交子空间上,按照投影值确定构成混合像元每类地物的类内光谱,在下一步迭代求解的过程中,分离出已确定地物类内光谱的像元,降低计算量,然后根据重构误差变化量确定最优端元个数,避免过拟合。实验结果表明,改进的算法反演丰度误差和解混时间都比原有算法降低很多。

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—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.

基于几何估计的光谱解混方法

光谱解混是高光谱数据分析的重要技术之一.全约束(即非负性约束和归一化约束)最小二乘线性光谱混合模型(FCLS-LSMM)具有模型简单和物理意义明确等优点而得以广泛使用.然而,FCLS-LSMM的传统优化求解方法的迭代过程非常复杂.近年提出的几何方法为降低LSMM的求解复杂度提供了新思路,但是所获得的结果并非真正意义上的全约束最小二乘解.为此,建立了一种完全符合FCLS要求的LSMM几何求解方法,具有复杂度低和可以获得理论最优解等优点.实验表明了所提出方法的有效性.