两种基于异常权重的N-FINDR端元提取算法

有效分离高光谱影像中的异常与干扰信息,提高端元提取的质量,是当前研究的热点。N-FINDR算法通过降维获取高光谱点云数据体积最大化,能够准确地的找出端元,但其中包含的异常目标,不仅对后续工作没有意义,而且会降低后期的解混精度。为了提高端元提取的质量,降低异常端元的影响,基于N-FINDR算法,提出了两种异常权重的N-FINDR端元提取算法。首先,运用最小噪声旋转变换(MNF)对原始影像进行降维与去噪处理,然后在此基础上将RXD探测算子以权重的形式加入到N-FINDR算法中,此算法称为RXD权重的N-FINDR端元提取。同样在降维的基础上,偏度算法加入到N-FINDR算法之中,称为高阶权重的N-FINDR端元提取。实验表明:加入异常权重的N-FINDR算法不仅利用了基于体积的N-FINDR算法,提高了程序的运行效率,同时利用了子空间异常探测算子,降低了异常端元的影响。

基于波段优选的改进N-FINDR端元提取算法

为了解决传统N-FINDR算法光谱信息利用不足,出现重复提取端元的问题,提出基于波段优选的改进N-FINDR端元提取算法。通过对高光谱数据各波段之间的相关性进行分析,保留相关性较弱的波段,去除相关性强的冗余波段,从而高效利用高光谱图像的光谱信息,对高光谱数据进行波段优选。通过实际高光谱数据和模拟数据进行实验分析,并与现有算法进行对比,实验结果表明,基于波段优选的改进N-FINDR端元提取算法在保证算法效率的同时,端元提取的覆盖率达到100%,算法提取的端元光谱与实际地物光谱具有较高的相似性。

结合遗传算法和体积最大化的高光谱图像端元提取方法

针对目前体积最大化端元提取技术存在提取精度低、计算复杂性高等问题,提出了结合遗传算法和体积最大化的端元提取方法(Extraction Method Based on Genetic Algorithm and Volume Maximization,EE-GAVM),以改进现有的端元提取技术。EE-GAVM方法通过寻找单纯形体积最大的像元向量集合来定位到端元集合,将端元提取问题表述为单一目标,节约计算资源的同时实现了精度的提高。实验结果表明:所提方法在性能和精度方面优于其他对比算法。

光谱最小信息熵的高光谱影像端元提取算法

端元提取是混合像元分解的关键,研究其算法在高精度的地物识别、丰度反演和定量遥感等方面具有重要意义。通过研究高光谱遥感影像光谱特征,结合信息熵理论,应用高斯分布函数,建立了一种新的高光谱影像端元提取算法,即光谱最小信息熵(spectral minimum shannon entropy,SMSE)算法。将该算法应用于AVRIRS高光谱影像的端元光谱提取,并经过与美国地质勘探局(United States Geological Survey,USGS)波谱库中的数据匹配,得知其提取端元的精度较高。同时,通过与经典的纯净像元指数(pixel purity index,PPI)和连续最大角凸锥(sequential maximum angle convex cone,SMACC)等端元提取算法进行实验比较和结果综合分析,发现光谱最小信息熵算法提取端元光谱效率更高、精度更好。此外,分别利用SMACC和SMSE提取Hyperion高光谱影像端元,得出SMSE的端元提取效果好于SMACC,从而可认为SMSE算法具有一定普适性。

一种基于离散粒子群优化算法的高光谱图像端元提取方法

针对混合像元分解过程中,由于数据噪声引起的端元提取不准确问题,引入了群智能算法中的粒子群优化算法,并对粒子群优化算法进行了改进,重新定义了位置和速度的表示方法和更新策略,得到离散粒子群优化(discrete particle swarm optimization,D-PSO),能够在离散空间中进行搜索,解决组合优化问题。同时,通过定义目标函数和可行解空间,将端元提取问题改写成组合优化问题,最终实现利用D-PSO进行端元提取。在给出算法的详细流程之后,文章通过一组模拟数据实验和一组实际数据实验验证了D-PSO算法对于具有较大噪声的数据的适应性和提取端元的可信程度,并分析了不同参数对于算法性能的影响。

一种多/高光谱遥感图像端元提取的凸锥分析算法

凸锥分析方法常用于多光谱和高光谱遥感图像的端元提取。遥感图像中的每个像元都可以看作一个多维向量,整幅影像看作由离散的非负向量构成的凸锥,通过寻找凸锥的角点来自动获取图像的端元。本文提出了一种自动选择最佳凸锥角点的方法,应用到传统的凸锥分析方法中,提高了凸锥分析方法的效率。利用模拟数据和真实数据实验验证了算法的可行性。

基于流形学习和空间信息的改进N-FINDR端元提取算法

光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF),像元内的多重散射和亚像元成分的异质性等因素,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,因此提取的端元精度不高。在光谱非线性混合的基础上,提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构,将原始高光谱数据非线性降维到低维空间。接着利用地物分布具有连续性的特点,通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构,并利用了空间信息,提高了端元提取的精度。模拟数据实验和真实高光谱遥感数据实验结果均表明,采用该算法得到的结果优于顶点成分分析(VCA)算法、基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。

基于空间像素纯度指数的端元提取算法

为了减小光谱变化以及异常像素点对端元提取结果的影响,根据局部区域内纯像元和混合像元光谱特征的不同,提出一种基于空间像素纯度指数的端元提取算法.将光谱角距离和欧氏距离加权相加作为新的混合距离测度;采用固定大小的邻域窗口计算图像中所有像素的空间像素纯度指数,在此基础上,根据光谱角距离测度和设定的端元光谱区分性阈值依次搜索端元.仿真数据和真实高光谱图像实验结果表明:该算法能够准确地提取图像中的端元,并且精度高于其他一些端元提取算法.

基于线性混合模型的高光谱图像端元提取

近年来,基于线性混合模型的光谱解混合技术正在越来越广泛地用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元(Endmember)光谱。通常,端元的获取有两种方式:来源于光谱库以及来源于图像数据,相比之下后者得到的结果更能体现真实的地面信息。为此,从线性混合模型的特点出发,归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,并总结了评估算法结果的依据,最后介绍了端元提取技术的发展趋势。

一种改进的N-FINDR高光谱端元提取算法

光谱端元提取是对高光谱数据进一步分析的重要前提。在各种端元提取算法中,N-FINDR算法因其全自动和选择效果较好等优点受到了广泛的关注。然而样本的排序对该算法的端元提取会造成一定影响,并且传统N-FINDR算法需要根据端元的个数进行降维处理,从而限制了该算法的应用。实际高光谱数据中存在的同一地物在高维空间中非紧密团聚现象也对端元提取增加了难度。为此该文提出改进的算法停机准则和数据特征预处理方法,并使用支持向量机对提取到的端元进行二次提取。实验结果表明,改进的停机准则进一步增加了由端元向量组组成的凸体体积。数据特征预处理和基于支持向量机的二次端元提取分别提升了数据的可分性和提取到端元的精度。

一种基于修正扩展形态学算子的高光谱遥感图像端元提取算法

形态学算子反映了像素的空间相关性信息,将其应用于高光谱遥感图像端元提取可以有效地提升算法性能.本文针对已经普遍用于高光谱遥感图像端元提取的扩展形态学算子在像元排序规则和替换准则上存在的局限性,引入了基准向量的概念并给出计算方法,提出了修正扩展形态学算子.修正后的排序规则和替换准则避免了图像中不同类别交界处的交叉替换现象,保证了正确的覆盖方向,是提高端元提取效果的关键步骤.通过修正扩展形态学算子的基本膨胀和腐蚀运算,定义了相应的开-闭运算和闭-开运算,由此得出了端元判定向量,并给出端元提取算法的详细流程.基于扩展形态学的自动端元提取算法可以综合考虑光谱和空间信息,端元提取效果优于仅依靠光谱信息的算法.算法由IDL7.0实现,并在AVIRIS于Cuprite地区的高光谱遥感图像上进行实验,实验结果从光谱曲线相似性、端元平均相似度和相应地物分布图等方面证明了算法的有效性.

基于局部端元提取的遥感影像波段模拟

针对"波谱库-影像"多光谱遥感影像波段模拟方法中波谱库以矿物质类别为主、忽略大气环境和成像时间对地物波谱影响的问题,以及"参考影像-影像"影像波段模拟方法中地物混合像元和不同空间分辨率像元间模拟的尺度效应问题,提出基于局部地物端元提取的遥感影像波段模拟方法。首先对与待模拟影像具有相似地物类别组成的参考影像进行光谱聚类分割,形成影像局部区域;然后提取各个局部区域的地物端元,并对地物端元进行优选形成地物端元样本集;接着利用端元样本集建立地物端元波谱间的关系模型;最后利用关系模型预测目标影像波段。首先通过模拟LandsatTM5影像的蓝光波段,验证方法的稳定性和可靠性;然后通过模拟IRS-P6影像的蓝光波段,验证方法的适用性和推广性;并在实验过程中同已有的"波谱库-影像"波段模拟方法和"参考影像-影像"波段模拟方法进行视觉效果对比和定量统计分析,进一步表明方法对各类地物均有较好的模拟效果,能够准确地表达地物的真实波谱。

数据约简化的高光谱影像端元提取

提出一种利用图像的空间结构信息在特征空间中设计大小适宜的超球,将单形体的顶点分隔在超球外部,剔除超球内部的数据,只保留超球外部的少量数据参与端元提取算法。经过分析,该方法可以大大减少端元提取算法的运算量。通过实验对比,用相关端元提取算法对简化后的数据进行端元提取的结果精度很高,与简化前数据的端元提取结果吻合。

基于最大化N维立体光谱角的高光谱端元提取

提出了一种基于最大化N维立体光谱角(Maximum N-dimensional Solid Spectral Angle,MNSSA)的端元提取方法.该方法通过计算N个光谱向量在高维欧几里得空间的光谱夹角,定量衡量该N个光谱向量的独立性.在线性混合模型假设下,端元光谱向量的欧几里得空间夹角大于混合像素构成的夹角.MNSSA法不受待提取端元数目及波段数目的限制,对光谱向量幅值变化不敏感,能够克服阴影及光照因素对端元幅值的影响.使用模拟数据及AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)获取的真实高光谱数据对MNSSA端元提取法及现有基于几何的端元提取法进行了对比评价.仿真结果表明,MNSSA法能够克服阴影影响因子对端元幅值的影响,端元提取准确率优于现有端元提取法,且具有良好的抗噪声性能,能显著降低高光谱数据的重构误差.

端元提取技术在高光谱图像压缩中的应用

高光谱图像海量数据如何实现大比例有效压缩是限制其应用的主要问题之一,而现有有损压缩方法存在大压缩比与光谱特性信息准确保留的矛盾,即使现有最优有损压缩方法也不能够得到令人满意的结果。文章基于混合像元分解的思想提出基于端元提取技术的数据有损压缩方法来解决该矛盾,首先用顶点成分分析(VCA)方法提取场景中地物的端元光谱,根据各端元与观测像元之间的光谱间余弦角相似性度量方法估计各端元的丰度,接着对端元光谱及丰度数据进行无损压缩,最后利用JPEG2000有损压缩方法对高光谱图像的所有单波段图像进行空间维大比例有损压缩。AVIRIS高光谱图像的仿真结果表明,压缩比得到大幅度提高,光谱信息得到有效恢复。在实现压缩比为50∶1时,大部分像元的光谱角误差在2%左右。

基于RMS误差分析的高光谱图像自动端元提取算法

提出了一种基于RMS(rootmeansquare)误差分析的自动端元提取算法。对图像每做一次线性解混合,就得到一幅以均方根RMS误差表示的残余误差图像,从中选出误差较大的像素作为新的端元开始下一次解混合,通过多次迭代,直到得到了要求数目的端元。该算法克服了以往端元提取方法监督特性的局限,减少了对先验信息的依赖,同时保留了图像中的异常。利用仿真和实验数据验证了该算法的有效性。

典型高光谱图像端元提取算法在黄河口湿地应用评价研究

端元提取是混合像元分解的基础,也是高光谱遥感的研究热点。对于特定区域的高光谱图像应该使用哪种端元提取算法,需要对各种端元提取算法进行客观地评价。作者针对黄河口湿地CHRIS高光谱图像,使用了重建图像与原图像的均方根误差、有效端元数量两个指数对PPI、N-FINDR、VCA、OSP、IEA和SISAL六种典型的端元提取算法进行了评价。结果表明,SISAL算法重建误差最小,仅有其他算法误差的10%-28%;OSP算法识别了具有物理意义的6种有效端元,多于其他算法识别的地物类型,而SISAL算法识别的端元缺乏物理意义。

基于粒子群优化的高光谱影像端元提取算法

回顾了粒子群算法的基本原理,分析了端元提取算法的两种技术途径。利用粒子群优化的原理,结合凸面几何学理论和线性光谱混合模型,设计了一种粒子群优化端元提取算法,并设计了算法的快速实现方法。该算法不需要假设影像中存在纯像元,同时保持了端元光谱的形状。利用模拟数据和AVIRIS影像对该算法、SGA算法和NMF算法进行实验对比分析,实验结果证明该算法的端元提取精度优于其他二者。

一种改进迭代误差分析端元提取算法

迭代误差分析(IEA)算法是应用比较广泛的端元提取算法之一,针对IEA端元提取算法计算量大的缺点,从减少参与迭代过程中的像元数目进行改进。根据凸面几何理论,混合像元位于其端元构成子空间内部,这部分像元到其端元正交子空间(OSP)投影值理论上为零,在迭代求下一个端元过程中,可以将这部分无用像元去除,从而减少每步迭代过程像元数目。采用模拟数据和真实高光谱数据进行实验,证明改进算法与原算法提取端元精度相同,随着端元提取个数的增多,参与迭代过程的像元数目逐次减少,比原始的IEA端元提取算法减少了计算时间。

高光谱遥感分区混合端元提取计算海洋溢油覆盖度

溢油覆盖度的估测是海洋溢油探测与灾害评估的重要内容,受航空航天传感器地面分辨率的限制,准确探测溢油覆盖度比较困难。在海洋风浪及破碎波作用下,溢油往往呈条带状分布。获取的高光谱数据中存在大量的油、水混合像元;传统图像分割方式计算溢油面积存在偏差,且受传感器角度、高度等影响,光谱变异明显,传统端元提取方法很难找到纯像元光谱。提出了一种通过分区混合端元计算海洋溢油覆盖度的探测方法。首先对影像进行分区并使用N-FINDR算法进行端元预选;然后再利用独立分量分析(ICA)方法进行端元精选,按照负熵最大输出得到候选端元,并将地面同步参考光谱作为约束引入相似性溢油端元识别;最后基于非负矩阵分解方法(NMF)求取端元丰度,通过太阳耀斑区的修正,得到真实的溢油覆盖度。分区混合端元的提取较好的解决了全局端元变异及环境适应性差的问题,使精选后的端元具有更好的环境鲁棒性。为更好地衡量该算法精度,采用仿真数据与真实高光谱影像数据相结合进行实验验证。仿真实验中,人工设定溢油丰度,使用均方根误差(RMSE)和丰度估计误差对比评估估计丰度与设定丰度之间的差别,并设计了算法适应性和抗噪实验。结果表明采用MNF和ICA两种高光谱压缩方法,丰度估计误差均低于3%,重构图像的最小均方根误差RMSE最高为0.030 6,且具有较好的抗噪能力,验证了该算法的有效性。真实实验中,使用2011年山东长岛溢油8景机载高光谱影像数据为真实测试数据,由于真实遥感数据往往缺失地面同步丰度数据,导致对算法精度进行评价比较困难,使用仿真数据交互验证与目视解译数据相结合的方法进行精度评价,通过耀斑区修正后估测的机载高光谱成像总的溢油覆盖面积为1.17 km^2,溢油覆盖度为22.85%,与现场人工估测面积偏差为2.15%,明显高于传统方法。受海洋破碎波、光谱变异性影响,和航空航天遥感器地面分辨率的限制,海洋溢油遥感中单个像元进行丰度解析是一个难题。基于亚像元丰度分解思想,讨论了海洋溢油覆盖度的问题,提出一种较为完善的海洋溢油覆盖度的计算办法,通过仿真数据和实际的高光谱溢油数据进行了方法的验证,实现了较为客观的自动化溢油覆盖度(丰度)探测方法,可以较为准确的估测海洋溢油的覆盖度,对溢油遥感面积的业务化探测具有积极意义。