基于独立分量分析的高光谱遥感图像混合像元盲分解

传统的独立分量分析并不适用于高光谱遥感图像的混合像元解混,因为图像中各端元的分布不是相互独立的.针对这一问题,提出了一种有约束的独立分量分析方法,来实现遥感图像混合像元的盲分解.通过在独立分量分析的目标函数中引入丰度非负约束与丰度和为一约束,改变了传统的独立性假设.同时,为了更好地适用于遥感数据分析,还提出了一种自适应的丰度建模方法来描述数据的概率分布,对各种不同的遥感数据进行建模.仿真数据和真实高光谱数据的实验结果表明,作为一种无需光谱先验信息的算法,具有更高的分解精度,为高光谱遥感图像混合像元的盲分解提供了一种有效的解决手段.

约束最小二乘的高光谱图像非线性解混

高光谱图像解混是高光谱数据分析的重要研究内容.在现有混合模型的基础上,提出一种新的高光谱图像非线性解混算法.通过在目标函数中引入丰度的非负及和为一约束以及非线性参数的有界约束,该算法将高光谱图像非线性解混问题转化为求解丰度矢量和非线性参数的约束非线性最小二乘问题,继而采用一种交替迭代优化算法求解该问题.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地克服了线性解混的不足,同时具有良好的抗噪声性能,可以作为一种解决高光谱遥感图像非线性解混的有效手段.

稀疏约束下的MVC-NMF算法研究

最小体积约束的非负矩阵分解算法(MVC-NMF)不需要假定纯像元的存在,并且在自动提取端元的同时,能够获取每种端元所对应的丰度图,然而该方法并没有考虑丰度矩阵的稀疏特性。提出了将稀疏约束引入MVC-NMF算法中,提高了算法的精度。实验结果表明:该方法在相同迭代次数条件下比MVC-NMF算法解混的精度更高。

稀疏约束的MVC-NMF算法

高光谱图像中混合像元的存在直接影响基于遥感影像的地物识别精度,光谱解混算法可以有效地解决混合像元问题。最小体积限制的非负矩阵分解算法(MVC-NMF)不需要假定纯像元的存在;并且在自动提取端元的同时,能够获取每种端元所对应的丰度图;然而该方法并没有考虑丰度矩阵的稀疏特性。提出了将平滑L0模稀疏约束引入MVC-NMF算法中,用于进一步提高算法的精度。实验结果表明:改进后的算法在相同的实验环境条件下比MVC-NMF算法解混的精度更高。

基于丰度约束核非负矩阵分解的高光谱图像非线性解混

本文提出一种基于丰度约束核非负矩阵分解的高光谱图像非线性解混方法.通过该方法将原始高光谱图像数据映射到高维特征空间中,使非线性数据在高维空间中变得线性可分.然后,在高维特征空间中,通过线性的非负矩阵分解进行无监督的高光谱解混.同时依据地物分布的空间特性,在丰度上添加稀疏和平滑约束.模拟和真实高光谱图像数据的实验结果表明,与其他解混方法相比,该方法考虑了地物的空间分布特性,提高了在不同的非线性混合场景下的高光谱解混精度.