基于鲁棒最大单纯形体积的高光谱图像快速端元提取

针对基于最大单纯形体积方法的端元提取算法通常涉及到对全局像素的处理且对噪声敏感的问题,提出了能快速从高光谱图像中提取端元的鲁棒最大单纯形体积端元提取算法。首先,该算法采用主成分分析对高光谱图像降维至p-1维子空间。随后,对于降维的子空间,算法采用凸包检测算法获取子空间下的凸包边界点。接着,对于检测到的凸包边界点,算法迭代选取p个数据点并计算其行列式体积,直至选取出p个能产生最大单纯形体积的数据点。最后将提取的p个数据点逆变换至原始维度空间从而获取去噪后的p个端元。在模拟数据集和真实数据集上的实验结果表明,提出的算法能快速提取弱噪声的端元。该算法能满足高光谱端元提取领域中的高精度,实时性强的要求。

基于最小体积稀疏正则的高光谱解混方法的研究

高光谱解混的目的在于提取图像中的端元特征和丰度特征。由于高光谱图像空间分辨率低而存在大量混合像元,因此如何从混合像元中提取光谱特征和空间分布信息是高光谱解混面临的难题。基于非负矩阵分解的高光谱解混是一个不适定拟合问题,而且在处理过程中将立方体数据转化为矩阵会导致三维结构信息的丢失。利用最小体积单纯形空间稀疏性,提出一种基于最小体积稀疏正则的高光谱解混方法,能够挖掘出图像中光谱特性和丰度特征的内在关系,减少结构信息的丢失。将凸几何中的最小体积约束与非负矩阵分解相结合,并采用近似交替优化与交替方向乘子法设计出高效的求解算法。最后分别采用合成数据和真实数据进行仿真实验,结果表明该种算法能够有效地提取出高光谱图像的端元特征和丰度特征。