基于约束非负矩阵分解的高光谱解混

为了得到改进的优化解,提出一种基于丰度和端元约束下非负矩阵分解的解混方法。首先,基于丰度矩阵稀疏性特点,将重加权稀疏正则化引入到非负矩阵分解模型中,其中权重根据丰度矩阵自适应更新。其次,根据同一地物在相邻像素中分布的相似性先验,进一步将全变差正则化引入到非负矩阵分解模型中,以改进其丰度平滑性。最后,通过一个马尔可夫随机场模型中的势函数,实现端元光谱平滑性的约束。为了验证所提算法的性能,在一个模拟数据集和两个真实数据集(Jasper Ridge和Cuprite)进行了测试。结果表明:所提方法在端元光谱相似性和丰度估计精度等方面都有所改进。

基于约束空间光谱联合的亚像素定位方法

针对高光谱遥感图像,提出了一种约束空间光谱的亚像素定位方法。传统的亚像素定位方法以解混的结果作为输入,可能无法充分利用高光谱图像丰富的光谱信息。本文所提出的基于约束空间光谱联合的亚像素定位方法(constraint spatial-spectral subpixel mapping,CSSSM),利用下采样将像素丰度与亚像素丰度显式联系起来,代入线性解混模型得到亚像素丰度求解的新模型。在求解过程中,通过添加稀疏性约束与平滑性约束,以限制亚像素丰度的解空间,亚像素丰度求解更精确。其中,针对亚像素丰度稀疏性先验采用重加权1范数作为新的约束,并自适应地更新权重;针对亚像素丰度空间先验信息则采用全变分(total variational,TV)正则化作为约束,然后使用乘法迭代算法求解亚像素丰度,最后利用赢者通吃的策略进行类别确定。在两个合成数据集上进行了实验,结果表明,本方法能够进一步提高亚像素定位的精度。

基于生成对抗网络的高光谱图像特征提取

特征提取是高光谱数据处理领域的一个重要研究内容。高光谱数据获取过程中的复杂性使传统的特征提取方法无法良好地处理高光谱图像。同时,高光谱图像标记样本数量的有限性,也为常用于特征提取的监督深度学习方法带来不利影响。为了摆脱对高光谱图像中标记样本的依赖,在卷积神经网络的基础上引入生成对抗网络,针对光谱特征提出了一种无监督的高光谱图像特征提取的方法。为了稳定网络的训练过程,提高生成对抗网络中判别器的特征表示能力,在目标函数中引入梯度惩罚项,将判别器的性能不断逼向最优。在特征提取阶段,针对高光谱图像的光谱结构,提出了一种通道最大池化方法,能够在降低数据维度的同时尽可能保留高光谱图像的光谱信息。使用支持向量机(support vector machines, SVM)和k近邻(k-hearest neighbor, KNN)方法对提取到的特征进行分类测试。在两个真实数据集上的实验结果表明,提出的方法优于传统的特征提取方法。

一种改进的半分析模型的高光谱遥感水深反演方法

利用高光谱遥感的浅海水深反演由于具有成本低、精度高等特点,近年来已经逐步发展成为一种探测水柱参数的可靠方法。半分析模型是一种应用广泛的高光谱遥感浅海水深反演模型,MILEBI (maximum likelihood estimation including environmental noise and bottom intra-class variability)方法为基于半分析模型的一种反演方法。鉴于水深增加时MILEBI会出现水深被高估的问题,本文提出一种改进的半分析模型的水深反演方法。本方法通过增设关于深度的先验分布,然后在MILEBI方法的损失函数中加入正则化项构成新的目标函数,使深度值对水面下反射率影响力增大,从而提高水深反演精度。本文运用了真实数据集和模拟数据集进行实验,实验结果表明:在15—20 m的深度范围内,MILEBI方法的平均绝对误差约为4.27 m,而改进后方法的平均绝对误差约为2.27 m,提高了反演精度。