同质区共享端元变异性的高光谱混合像元分解

由于不同的照明条件、复杂的大气环境等因素,相同端元的光谱特征在图像的不同位置呈现出可见的差异,这种现象被称为端元的光谱变异性。在相当大的场景中,端元的变异性可能很大,但在适度的局部同质区内,变异性往往很小。扰动线性混合模型(Perturbed Linear Mixing Model,PLMM)在解混的过程中可以减轻端元变异性造成的不利影响,但是对缩放效应造成的变异性的处理能力较弱。为此,本文改进了扰动线性混合模型,引入了尺度因子以处理缩放效应造成的变异性,并结合超像素分割算法划分局部同质区,然后设计出基于局部同质区共享端元变异性的解混算法(Shared Endmember Variability in Unmixing,SEVU)。与扰动线性混合模型,扩展线性混合模型(Extended Linear Mixing Model,ELMM)等算法相比,所提SEVU算法在合成数据集上平均端元光谱角距离(mean Spectral Angle Distance,mSAD)和丰度均方根误差(abundance Root Mean Square Error,aRMSE)最优,分别为0.0855和0.0562;在Jasper Ridge和Cuprite真实数据集上mSAD是最优的,分别为0.0603和0.1003。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。

基于非凸低秩张量分解和群稀疏总变分的高光谱混合噪声图像恢复

高光谱图像(Hyperspectral Image,HSI)在采集的过程中会被大量混合噪声污染,会影响遥感图像后续应用的性能,因此从混合噪声中恢复干净的HSI成为了重要的预处理过程。在本文中,提出了一种基于非凸低秩张量分解和群稀疏总变分正则化的高光谱混合噪声图像恢复模型;一方面,采用对数张量核范数来逼近HSI的低秩特性,可以利用高光谱数据固有的张量结构,同时减少对较大奇异值的收缩以保留图像更多细节特征;另一方面,采用群稀疏总变分正则化来增强HSI的空间稀疏性和相邻光谱间的相关性。并采用ADMM(Alternating Direction Multiplier Method)算法求解,实验证明该算法易于收敛。在模拟和真实的高光谱图像实验中,与其他方法相比,该方法在去除HSI混合噪声方面具有更好的性能。

一种基于模糊混合像元分解的高光谱影像分类方法

高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。

非监督的高光谱混合像元非线性分解方法

在进行高光谱混合像元非线性分解应用中,提出一种非监督的高光谱混合像元非线性分解方法.通过核函数把原始高光谱数据映射到高维特征空间中,揭示数据之间的高阶性质.通过非线性映射,原始数据在高维特征空间中变得线性可分.在高维特征空间中运用线性的非负矩阵分解(NMF)算法进行光谱解混,挖掘出数据间更多的特征.解混结果以端元相关系数、光谱角距离、光谱信息散度和均方根误差作为质量评价指标.进行模拟数据仿真实验和真实高光谱遥感数据分解实验,结果表明,采用该算法得到的分解结果优于非负矩阵分解算法.

结合SOM神经网络和混合像元分解的高光谱影像分类方法研究

本文对SOM神经网络算法进行改进,在标类的过程中采用3个策略加以控制,对初始产生的自组织映射图进行调整。通过改进,那些映射到可靠神经元的像素得到了很好的分类,而那些映射到不可靠神经元的像素都被作为不可分像元而提取出来。继而,从混合像元分解的角度来对这些不可分像元进行处理,按类型分解的思想确定混合像元的类别,实现对不可分像元的分类。将SOM神经网络和混合像元分解相结合的分类方法应用于高光谱图像的分类中,通过实验表明了该方法能较好地改善分类效果,提高分类精度。

基于核方法的高光谱遥感图像混合像元分解

为了提高高光谱遥感图像混合像元分解的精度,提出基于核方法的高光谱线性解混算法。采用正交子空间投影(orthogonal subspace projection,OSP)算子、最小二乘正交子空间投影(least squares OSP,LSOSP)算子、非负约束最小二乘(nonnegative constrained least-squares,NCLS)算子和全约束最小二乘(fully constrained least-squares,FCLS)算子等方法分别构建核正交子空间投影(kernel OSP,KOSP)、核最小二乘正交子空间投影(kernel LSOSP,KLSOSP)、核非负约束最小二乘(kernel NCLS,KNCLS)和核全约束最小二乘(kernel FCLS,KFCLS)高光谱图像混合像元解混模型;对美国内华达州CUPRITE矿区AVIRIS数据进行KLSOSP,KNCLS和KFCLS与LSOSP,NCLS和FCLS丰度反演对比实验。结果表明:对于混合像元广泛存在的高光谱遥感图像来说,基于核方法的KLSOSP,KNCLS和KFCLS的解混精度优于LSOSP,NCLS和FCLS,其中又以KFCLS解混的精度最高;附加约束条件有利于提高丰度反演的精度。

目标光谱指导下的高光谱图像混合像元分解方法

针对现在高光谱图像混合像元分解方法需要对所提取的端元的物理含义进行诠释的问题，提出了一种目标光谱指导下的混合像元分解方法，并给出了其具体算法实现。该方法首先针对若干给定的、具有明确物理含义的目标光谱，将光谱识别步骤引入混合像元分解过程，建立端元光谱与目标光谱间的对应关系，其次在最小距离限制的非负矩阵分解（MDC—NMF）方法基础上，引入光谱特征距离（SFD）作为正则项，以度量和保持存在对应关系的端元光谱与目标光谱间的相似性，并给出求解相应优化问题的优化算法。分别用模拟数据和真实数据对该方法的可行性和实际混合像元分解效果进行了验证，并将其与非监督情况下混合像元分解结果进行了比较分析。实验结果表明，该方法能够在目标光谱指导下较好诠释端元的物理含义，同时解决端元提取中的病态性问题。

基于ADMM和深度生成先验的高光谱解混方法

混合像元的存在制约了高光谱图像分类和目标检测的精度,为了提高混合像元分解的精度,精确地分析混合像元中的组成成分,本文提出将优化方法和深度生成先验结合的高光谱解混方法,实现数据驱动和模型驱动的有机结合。近年来,基于深度神经网络的处理方法被广泛使用在高光谱解混任务中。但是该类方法是“黑盒子”,缺乏物理可解释性。传统的基于数学优化的高光谱解混方法,通过使用人工设计的先验项引入图像内含信息,提高解混精度。但是对于复杂的先验项,求解方法复杂,且并不是所有先验信息都可以用数学模型表示出来。所以本文提出一结合交替方向乘子法优化算法和深度生成先验的高光谱解混方法,联合使用数学优化和深度方法的优越性。首先使用ADMM算法将数据拟合项和生成先验项进行解耦,对于生成先验,使用传统解混方法获得的丰度预训练变分自编码器网络,并将解码器作为生成器。本文同时使用人工合成数据和真实遥感数据验证所提出方法的有效性。

高光谱与多角度数据联合进行混合像元分解研究

混合像元问题是定量遥感的主要障碍之一。将混合像元问题归结为类内与类间像元混合两类 ,并对类内混合像元分解问题加以研究。混合像元分解的关键在于确定组分光谱 ,确定组分光谱的方法很多 ,但大多数方法基于以下假定 ,即从图像本身可以找到纯组分光谱 ,然而这一假定对于类内混合像元分解问题来说很难成立。提出采用高光谱与多角度相结合的方法 ,利用几何光学模型和线性光谱混合模型进行类内混合像元分解。即首先利用多角度数据反演几何光学交互遮蔽 (GOMS)模型获得组分光谱 ,再对高光谱数据进行组分光谱分解。由于该方法直接从混合光谱产生的机理出发 ,因而更容易获得真正的亚像元信息。为减小反演误差 ,反演过程中采用改进的多阶段的反演策略 ,并充分利用多角度图像本身提供的先验信息。用BORE AS试验获取的高光谱与多角度数据所作的研究表明 。

基于非负矩阵分解的高光谱遥感图像混合像元分解

传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提出的算法能够很好地克服局部极小的问题,从而得到更优的解.同时该算法表现出了较强的抗噪声能力,并且能够适用于无纯像元数据的混合像元分解.

基于相关向量机的高光谱影像混合像元分解

提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.

基于迭代加权L1正则化的高光谱混合像元分解

为了提高高光谱图像混合像元分解的精度,对基于稀疏性的线性混合像元分解方法进行研究。采用一种迭代加权的L1正则化方法进行高光谱混合像元分解,给出相应的模型和算法。通过引入多步加权L1优化求解过程,且根据当前解修正下一步迭代的权值,能更好地利用混合像元丰度系数的稀疏性。试验结果表明,基于迭代加权L1正则化的高光谱混合像元分解精度比基于传统L1正则化的方法高,特别适用于信噪比较高的高光谱图像。

L_1稀疏正则化的高光谱混合像元分解算法比较

基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点。主要研究了L1正则化的高光谱混合像元分解算法。首先分析了L1正则化的三种解混模型,即无约束、非负约束和全约束模型;然后给出了三种模型对应的数值求解算法;最后,采用模拟的和真实的高光谱数据进行实验,比较了三种高光谱混合像元分解算法的效果。实验结果表明:三种模型均具有很好的高光谱混合像元分解精度(SRE),其中全约束模型最好,非负约束模型次之,无约束模型最差;全约束模型在信噪比低和端元数多的情况下,仍然获得较高的SRE。

基于多核支持向量机的高光谱影像非线性混合像元分解

针对基于线性模型分解高光谱影像混合像元分解精度低,而非线性模型难以建立等问题,提出了利用多核支持向量机(MKSVM)的后验概率进行高光谱影像非线性混合像元分解的方法。该方法在支持向量机的基础上,以线性加权组合核函数代替单核函数,采用简单多核学习方法迭代解算权系数来实现分类。然后,通过S型函数将分类器输出值转化为概率;将两两配对概率转换为多类后验概率。最后,利用后验概率实现高光谱影像的非线性混合像元分解。采用该方法对两组推帚式超光谱成像仪(PHI)的高光谱影像进行了对比实验,结果表明:该方法的分类精度分别提高到95.62%和91.51%,均方根误差(RMSE)最小分别为11.15%和7.55%,均小于15%。实验结果显示提出的方法基本消除了混合像元对高光谱影像分类的影响,提高了分类精度。

利用高光谱混合像元分解估测喀斯特地区植被覆盖度

以Hyperion高光谱影像为数据源,以植被、裸土、裸岩作为喀斯特地区典型地物,利用纯净像元指数方法从影像中提取这3类地物的端元,然后利用匹配滤波(MF)和混合调谐匹配滤波(MTMF)混合像元分解的方法对喀斯特地区的植被覆盖度进行了估测。结果表明:MTMF方法反演得到的喀斯特地区植被丰度与实测植被覆盖度之间的最大偏差为0.15,确定系数R2为0.78,均方根误差RMSE为9.18,MTMF植被覆盖度提取的结果明显优于MF,故MTMF方法反演得到的喀斯特地区植被丰度准确地代表了地表真实植被覆盖情况。研究表明,MTMF方法对喀斯特地区植被覆盖度的估测具有更高的精度及可靠性,具有广阔的应用前景。

非监督正交子空间投影的高光谱混合像元自动分解

利用混合像元线性分解技术处理高光谱影像 ,以获取研究区域中同一像元的不同组份是遥感应用的主要目的之一。近年来 ,研究者们发展了一种正交子空间投影技术 ( OSP) ,用来探测感兴趣目标 ,进一步可以用来分解混合像元 ,然而应用这种方法分解混合像元的缺陷是需要有研究区域的先验信息 ,这就制约了它在这方面的应用。为此针对这种不足 ,提出一种非监督的正交子空间投影 ( U OSP)技术 ,用来自动获取影像端元光谱 ,同时进行混合像元分解。并用成像光谱数据 ( PHI)实例测试了这个方法 ,结果表明该方法自动获取的端元比较合理 。

高光谱图像混合像元分解算法

传统的高光谱图像混合像元分解技术包括端元提取和估计每个端元的混合比例.虽然很多模型都能得到可以接受的解混结果,但是一些未知端元的存在使得结果在包含未知端元的像素点处出现偏差.因此,提出了一种基于支持向量数据描述的高光谱图像混合像元分解算法.首先高光谱图像数据被分成类内和类外两部分,类内是完全由已知端元数据混合的像素点,而类外数据是包含未知端元的像素点.两类数据交界处被认为是已知端元和未知端元混合的数据.然后再对这些像素点进行混合像元分解,分别对仿真数据和真实高光谱图像进行实验.结果表明该算法可以有效地解决因存在未知端元对解混精度的影响,而且能给出未知端元的解混分量.该方法的解混结果几乎不受未知端元的影响,优于直接解混结果.

基于支撑向量机概率输出的高光谱影像混合像元分解

提出利用支撑向量机(SVM)后验概率来分解高光谱影像的混合像元,通过支撑向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,并以像元所属类别的后验概率作为地物的组分信息。实验结果表明,该方法能较好地估计出混合像元的组分比。

端元约束下的高光谱混合像元非负矩阵分解

提出一种端元约束条件下的非负矩阵分解方法来自动反演混合像元组分。以端元光谱之间的差距为约束条件,使得目标函数综合了影像的分解误差和端元光谱的影响,并以最大后验概率方法导出了限制性非负矩阵分解的迭代算法。成像光谱数据实验结果表明该方法能够自动提取影像的端元光谱矩阵与组分信息,且分解精度比IEA方法高。

小波包分解支持下的高光谱混合像元盲分解

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度,其准确度明显优于独立成分分析方法.该方法为高光谱遥感影像的盲分解提供了一条新的途径.