一种基于高维空间凸面单形体体积的高光谱图像解混算法

基于三角形中一个简单的含量与体积比的关系 :三角形ABC内的任何一点P与三角形任意两个顶点 (比如B ,C)构成的面积PBC与整个三角形ABC的面积之比即为另一个顶点A在P中的含量 .将其推广并且严格证明了上述规律对于高维空间中凸面单形体仍然成立 .基于上述结论 ,对在Cuprite获取的AVIRIS数据进行了光谱解混的实验验证 ,取得了良好的实验效果 .

一种利用单形体体积自动提取高光谱图像端元的算法

高光谱数据端元的提取是理解高光谱数据、继而对数据进行进一步分析(比如解混、填图等)的前提．基于高光谱数据在特征空间的几何特性提出了一种基于高维单形体体积的自动提取高光谱数据端元的快速算法,与N-FINDR方法中所用单形体体积公式受限于数据维数的缺陷相比,该方法适用于任何维数的数据,因而也更加合理和有效．利用在Cuprite获取的AVIRIS数据来验证此算法．

一种基于单形体正化的高光谱数据全约束线性解混方法

在端元已知情况下,线性混合模型的非负约束最小二乘无闭式解,需要多次迭代得收敛最优解,时间复杂度高.通过高光谱数据凸面几何特性分析,指出当数据为正单形体时,可经有限步骤快速得线性混合模型最优解.据此提出一种单形体正化的高光谱数据全约束线性解混方法,据已知端元进行单形体正化,采用和为一约束求解丰度系数,最后迭代剔除丰度负值端元得全约束解.实验结果表明该方法可获得传统全约束解一致的丰度估计,且效率大大提升.

基于凸面单形体的Vague集向Fuzzy集转化模型

利用Vague集与凸面单形体同一平面内3个三角形的对应关系,给出一种Vague集及其向Fuzzy集转化的单形体几何表示方法,有效解决Vague集向Fuzzy集转化方法或模型中的几何解释问题.提出Vague集向Fuzzy集转化的单形体转化模型(S-TM),以及应满足的转化准则.与已有转化方法或模型相比,S-TM具有更直观的几何表示和更明确、更确定的几何解释,是一种更为有效的转化模型,并说明Vague集向Fuzzy集的转化具有模糊性和逐渐转化性.

基于单形体几何的高光谱遥感图像解混算法

提出一种新的基于单形体几何的高光谱遥感图像混合像元丰度估计算法.该算法的目标是在已知端元矩阵的基础之上,估计高光谱图像中各个观测像素点中每个端元的丰度.根据凸几何理论,基于线性混合模型的高光谱解混问题可以看成一个凸几何问题,其中端元位于包含整个高光谱数据集的单形体的顶点,而它们对应的重心坐标则可以看作各个观测像素的丰度.提出的方法由3部分组成,分别为基于单形体体积的重心坐标计算方法、距离几何约束问题和基于内点的单形体子空间定位算法.与其他基于单形体几何的算法相比,该方法具有诸多优点.Cayley-Menger矩阵的引入使得欧式空间上的运算转化为距离空间上的运算,在降低运算复杂度的同时很好地兼顾到数据集的几何结构.而且,单形体重心的使用确立了一种快速而精确的判断方法来确定观测像素所属的子空间,进而利用递归的思想得到丰度值.此外,算法核心仅仅涉及观测点与端元之间的距离,而与波段数无关.因此,该算法无须对数据执行降维处理,从而可以避免因数据降维而造成的有用信息的丢失.仿真和实际高光谱数据的实验结果表明,所提出的算法与同类其他优秀的算法如FCLS和SPU相比,具有更高的运算精度,同时在端元数目较小时具有较快的运算速度.

高光谱遥感图像端元提取的零空间光谱投影算法

端元提取技术是高光谱遥感图像光谱解混的关键.在线性光谱混合分析中,首先引入了高光谱遥感图像经过零空间光谱投影后具有单形体的凸不变性.在此基础上,提出了零空间光谱投影算法,通过设计各种度量和准则,制定不同的单次端元提取策略,灵活地实现算法.经过证明,零空间光谱投影算法是对基于子空间投影距离算法(包括零空间投影距离算法与经典正交子空间投影算法)的进一步延伸,提供了更多的端元提取策略.实验结果表明,零空间光谱投影算法在模拟图像以及真实高光谱遥感图像中都能够有效地提取出图像中的各种端元.

基于端元提取的高光谱影像特定目标识别

高光谱遥感影像中特定目标的识别与提取实际上是从背景图像中有效提取所需目标的过程。“纯净”波谱终端单元(端元,Endm ember)选择的结果能有效地描述只含有单一纯粹物质的像元点。高光谱处理技术能够基于真实的物理模型进行波谱提取、比较分析、识别目标。结合AVIR IS高光谱影像实例,分析了高光谱遥感影像n维空间里的单形体理论,运用影像灰度值定标可为反射率、最小噪声分离(MNF)、纯净像元指数(PPI)、终端单元选择、n维散度分析、波谱角度度制图(SAM)等高光谱数据处理技术实现对特定目标的识别与提取。

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.

基于Cayley-Menger行列式的高光谱遥感图像端元提取方法

提出了一种基于Cayley-Menger行列式的快速端元提取算法.该算法的目标是寻找包含高光谱数据集的最小体积的单形体.与其它基于单形体几何的算法相比,该方法具有诸多优点.首先,Cayley-Manger行列式的引入使得算法可以便捷地利用Hermite矩阵的特点大大加速搜索过程,进而得到一个稳定的最终解.其次,该算法无须对数据进行降维处理,从而可以避免因数据降维而造成的有用信息的丢失.仿真和实际高光谱数据的实验结果表明,所提出的算法在获得准确解的同时,具有非常快的收敛速度.

多测度Vague集相似度量

针对单一测度度量Vague集相似性上的缺陷,提出了两种Vague集的多测度相似度量。给出了一种Vague集的单形体几何表示方法,亦即将Vague集的真、假隶属度和未知度表达为划分单形体同一平面的3个三角形,进而提出了适合于度量Vague集相似性的面积测度,并结合距离测度和未知度测度构造了Vague集多测度相似度量,以在空间上体现出"点-线-面"多特征相似性度量格局。实例验证了多测度相似度量的有效性和优越性。

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.

基于线性变换的高光谱图像端元提取算法

研究了高光谱遥感图像的端元优化提取问题,针对现有特征空间中最大体积转换思想的端元提取算法中所存在的运算量巨大、对原始数据需要预处理、提取精度较差等问题,分析了图像数据在高维特征空间的相关性,提出了采用线性变换的端元提取算法。使特征空间的基变换寻找正交于某个低一维超平面的投影向量,通过数据在向量上的投影运算将低维相关数据压缩成一个点,与点距离最大的孤立像元作为一个端元输出,每步获得的端元反馈作为下一次提取的输入以保证提取的正确性。由于采用在高维特征空间中距离的计算代替体积计算。仿真结果表明,提出的算法在较短的时间内可有效地提取端元,大大减少了计算量;而且每次提取所依据的信息是反映整幅图像数据在特征空间线性相关性的子空间,所以不需要对原始数据进行预处理,避免了丢失小目标的隐患,进而可以提高提取精度。为高光谱遥感图像优化提取提供了参考。

高光谱图像快速Gram行列式端元提取优化方法

高光谱图像快速Gram行列式端元提取算法基于高光谱图像最大单形体体积标准,具有容易理解、算法复杂度低、无需降维处理等特点,但是其在进行端元提取时,采用的计算公式仍需进行矩阵求逆,随着端元的逐个求解,矩阵维数增多导致计算量增加。由于端元提取时获得的端元Gram矩阵满足对称特性,引入埃尔米特矩阵(Hermitian matrix)分块求逆引理,简化矩阵求逆处理,优化快速Gram行列式端元提取方法。采用美国Cuprite矿区的机载可见光/红外成像光谱仪(airborne visible/infrared imaging spectrometer,AVIRIS)机载高光谱图像进行实验验证,并对该方法在不同初始化条件下的求解结果进行分析,结果表明快速Gram行列式端元提取方法会受到初始条件的影响,在端元、像元数量增加时所提方法可提升计算效率。

高光谱遥感图像的端元递进提取算法

针对高光谱遥感图像中可能并不存在图像端元这一问题,试探的提出一种基于线性混合模型下对初步提取的最近似于端元的像元进行再分析的端元提取算法,即高光谱遥感图像的端元递进提取算法。首先针对3个端元线性混合的图像进行提取,在图像中找到最大近似于端元的像元,利用凸面单形体的几何性质,找出初步提取像元附近位于图像端元构成的凸面单形体边界上的像元,通过计算图像端元在边界像元中的含量,应用线性反解提取出图像端元。模拟图像中的初步结果表明在不存在图像端元的图像中,该算法可以有效的提取3个端元,应用于实际Hyperion图像取得了较好的实验效果。

高光谱图像亚像元级地物端元提取方法

针对高光谱图像中以亚像元形式存在的地物的端元光谱提取问题,提出凸面几何理论和部分非负矩阵分解相结合的端元提取方法.通过去噪的正交基子空间投影方法和相似度比较获得原始图像中的纯像元端元,利用纯像元端元光谱对图像逐点求取丰度和重构误差,对误差大于设定阈值的像素集合进行部分非负矩阵分解,求得亚像元级地物的端元光谱.实验结果表明,该端元提取方法能够弥补传统方法的不足,从而实现对亚像元级地物端元光谱的有效提取.

一种高光谱遥感影像端元自动提取方法

针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解。利用北京昌平地区的OMIS高光谱遥感数据进行了验证,结果表明算法可行有效,自动化程度较高,作为训练样本进行分类能够获得较高精度,优于常规方法。

基于Gram行列式的快速端元提取方法

高光谱图像端元提取往往涉及到高维空间中单形体体积的计算,使用无需降维的体积公式能够避免信息损失,但却具有极大的计算复杂度。针对这一缺点进行了研究,提出了基于Gram行列式快速的端元提取算法。该算法不需要计算单形体体积,而是利用了体积公式的递推关系,大大降低了计算复杂度。模拟和真实数据试验表明,该算法在保证高精度端元提取的同时,具有极快的端元提取速度。

基于代数余子式的N-FINDR快速端元提取算法

基于高光谱图像特征空间几何分布的端元提取方法通常可分为投影类算法和单形体体积最大类算法,通常前者精度不好,后者计算复杂度较高。该文提出一种基于代数余子式的快速N-FINDR端元提取算法(FCA),该算法融合了投影类算法速度快和单形体体积最大类算法精度高的优势,利用像元投影到端元矩阵元素的代数余子式构成的向量上的方法,寻找最大体积的单形体。此外,该算法在端元搜索方面较为灵活,每次迭代都可用纯度更高的像元代替已有端元,因此能保证用该端元确定的单形体,可以将特征空间中全部像元包含在内。仿真和实际高光谱数据实验结果表明,该文算法在精准提取出端元的同时,收敛速度非常快。

基于最大整体包容度约束非负矩阵分解的高光谱遥感图像混合像元分析算法

针对高光谱遥感图像中存在高度混合无纯像元的现象,提出了端元整体包容度约束,并将其加入非负矩阵分解的目标函数.在满足端元非负性与和为一约束的同时,利用数据在特征空间的几何特性,要求端元构成的单形体所容纳的像元尽可能多.该算法不需对原始数据降维,不损害数据的物理意义,在迭代过程中使用乘性规则,避免了传统梯度优化过程中常见的整体步长难以控制现象.对模拟图像和真实图像进行实验评测并比较了提取端元精准度、鲁棒性以及执行效率,结果表明,本文算法可有效分析高光谱遥感图像混合像元.

最小体积约束的高光谱图像分辨率增强算法

针对现有的高光谱多光谱图像融合算法解空间较大、未考虑高光谱数据的物理意义以及存在局部最优的问题,提出了一种基于单形体最小体积约束的耦合非负矩阵分解的高光谱与多光谱图像融合算法(MVC-CNMF)。该算法在混合像元解混的过程中,考虑图像的物理意义,加入了端元单形体最小体积约束。由仿真结果可以看出,该算法能有效地克服现有融合算法中的缺陷,实现了高光谱与多光谱图像的端元与丰度的精确匹配,获得高空间分辨率的融合图像,尤其适用于端元数目较多的高光谱图像。