基于多模态多目标优化的端元束提取方法研究

为解决高光谱影像受传感器及分辨率的影响所产生的光谱变化给解混造成的困扰,提出基于多模态多目标优化的端元束提取方法(MOPSOSCD)。对高光谱图像进行标号编码,采用基于索引的环形拓扑结构进行邻域的个体交互,通过邻域最优改进粒子群速度更新方式并整数化粒子位置更新。同时,根据高光谱图像空间特征,通过改进决策空间拥挤距离提高决策空间的多样性,再结合目标空间的拥挤距离进行综合排序,实现多模态多目标优化的粒子筛选。当粒子定向移动概率pm为0.2、粒子数P为30及迭代次数M为400时,算法在MUUFL数据集上均方根误差(RMSE)及平均光谱角距离(mSAD)分别为0.0088、0.1112。通过对比试验,本文方法相较于VCA、DPSO等方法具有更高的提取精度和效率,为高光谱解混提供了更加准确的端元束提取方法。

基于均值漂移聚类的端元束提取

为了能够在不需要事先知道地物类别数目的情况下进行光谱的有效聚类,采用均值漂移算法完成聚类这一步骤。根据同一种地物光谱存在变异性的情况,使用了光谱角距离作为均值漂移聚类算法的相似性准则。用模拟高光谱数据和真实高光谱数据进行实验,结果表明基于改进后的均值漂移聚类的端元束提取方法较传统的K均值算法更能有效地形成代表每种地物类别的端元束。

基于超像素分割和纯像元指数的端元束提取算法

为了在高光谱图像中提取空间分布合理且冗余度小的可变端元,本文提出基于超像素分割和纯像元指数的端元束提取算法。首先对高光谱图像进行主成分变换,得到三个主分量并对图像进行基于熵率的超像素分割。通过纯像元指数法提取初始候选端元,每个超像素内只保留均质性指数最小的端元,然后通过聚类得到端元束,最后去除同类端元束内的冗余端元。仿真和真实数据结果表明,对比已有的端元束提取算法,本文提出的方法能更有效提取可变端元和减少端元冗余度。

基于植被指数分析的端元束提取算法

针对含多种植被及植被与其他地物密致混合的城市高光谱数据,提出了基于植被指数分析结合超像素分割和纯像元指数的端元束提取算法。首先,通过纯像元指数法提取初始候选端元,然后,对图像进行超像素分割,每个超像素内保留一个候选端元并计算其均质性指数,再利用植被指数将候选端元分为纯植被端元、含植被的混合端元以及其他端元分别进行聚类分析,最后去除冗余端元。仿真和真实数据结果表明,所提出的方法能有效提取可变端元并且减少植被端元聚类错误。