Two-level parallel independent component analysis endmember extraction algorithms

在多对称处理器集群体系结构下进行独立成分分析并行算法研究,在共享内存模型一级并行算法基础上,通过同步、异步迭代两种方式并行计算固定点函数,分别提出具有两级并行特性的二级同步、二级异步并行端元提取算法,并结合两者的优势,进一步提出二级分组并行算法。实验评价表明,二级同步、分组并行算法在保持原算法精度的同时,大大提高了原算法的效率,体现出良好的并行计算性能,而二级异步并行算法可在节点数较少的情况下适用。

Abundance quantification by independent component analysis of hyperspectral imagery for oil spill coverage calculation

The estimation of oil spill coverage is an important part of monitoring of oil spills at sea.The spatial resolution of images collected by airborne hyper-spectral remote sensing limits both the detection of oil spills and the accuracy of estimates of their size.We consider at-sea oil spills with zonal distribution in this paper and improve the traditional independent component analysis algorithm.For each independent component we added two constraint conditions:non-negativity and constant sum.We use priority weighting by higher-order statistics,and then the spectral angle match method to overcome the order nondeterminacy.By these steps,endmembers can be extracted and abundance quantified simultaneously.To examine the coverage of a real oil spill and correct our estimate,a simulation experiment and a real experiment were designed using the algorithm described above.The result indicated that,for the simulation data,the abundance estimation error is 2.52% and minimum root mean square error of the reconstructed image is 0.030 6.We estimated the oil spill rate and area based on eight hyper-spectral remote sensing images collected by an airborne survey of Shandong Changdao in 2011.The total oil spill area was 0.224 km^2,and the oil spill rate was 22.89%.The method we demonstrate in this paper can be used for the automatic monitoring of oil spill coverage rates.It also allows the accurate estimation of the oil spill area.

光谱最小信息熵的高光谱影像端元提取算法

端元提取是混合像元分解的关键,研究其算法在高精度的地物识别、丰度反演和定量遥感等方面具有重要意义。通过研究高光谱遥感影像光谱特征,结合信息熵理论,应用高斯分布函数,建立了一种新的高光谱影像端元提取算法,即光谱最小信息熵(spectral minimum shannon entropy,SMSE)算法。将该算法应用于AVRIRS高光谱影像的端元光谱提取,并经过与美国地质勘探局(United States Geological Survey,USGS)波谱库中的数据匹配,得知其提取端元的精度较高。同时,通过与经典的纯净像元指数(pixel purity index,PPI)和连续最大角凸锥(sequential maximum angle convex cone,SMACC)等端元提取算法进行实验比较和结果综合分析,发现光谱最小信息熵算法提取端元光谱效率更高、精度更好。此外,分别利用SMACC和SMSE提取Hyperion高光谱影像端元,得出SMSE的端元提取效果好于SMACC,从而可认为SMSE算法具有一定普适性。

主成分分析在高光谱遥感图像降维中的应用

高光谱遥感图像的高数据维给图像进一步处理带来了困难,为了解决这一问题,本文提出了主成分分析的降维方法.根据原始数据协方差阵的特征值和特征向量,可以计算各个波段对给定主成分的贡献率,对重要主成分贡献率的和直接反应了波段信息量的大小,实验证明,该方法效果较好,且计算量小.

基于顶点成分分析的高光谱图像端元提取算法

在基于几何学的端元提取这类算法中,VCA以其全自动和端元提取速度快的特点而受到广泛的关注,但它仅利用了高光谱图像的光谱信息,易受异常像元影响,且抗噪性能较差。论文根据高光谱图像中地物在空间上具有成片分布的特点,提出利用空间信息来改进VCA算法端元提取的质量。该约束使VCA算法逐次选择的纯像元位于空间一致区域,并将该区域的均值作为端元。仿真数据和实测数据上实验结果表明,改进的VCA算法有效克服了异常像元的影响,并提高了端元提取的精度。

基于多线性稀疏主成分的高光谱影像特征提取

高光谱影像特征提取有助于提高高光谱数据的应用效率和精度。针对基于向量的特征提取算法无法充分利用高光谱影像立方体空间结构信息这一缺点,本文提出在所有张量模式中执行稀疏降维的多线性稀疏主成分分析(MSPCA)算法,以中国嘉兴典型村庄和美国内华达州Curprite矿区高光谱影像为原始数据,运用主成分分析(PCA)、空间主成分分析(SPCA)和多线性判别分析(MPCA)3种特征提取方法对比分析所提算法特征提取后的分类精度。结果表明,利用MSPCA进行特征提取得到的分类精度均优于其他方法,在两个试验区的总体分类精度分别达到96.36%和95.00%。

空谱协同多尺度顶点成分分析的高光谱影像端元提取

针对顶点成分分析方法无法实现复杂地表环境下的高光谱影像端元精确提取问题,提出了一种基于空谱协同多尺度顶点成分分析的端元提取方法,通过影像空谱特征融合和聚类分割,对不同分辨率空间尺度下的分割影像进行端元协同提取,并考虑噪声对影像端元提取精度的影响,提升端元提取的精度。首先,对影像进行预处理,采用低秩矩阵分解去除噪声。其次,对高光谱影像进行空谱多特征提取,利用多特征融合和K-means算法进行聚类分割,获取地物分布的空间异质性信息,提升后续端元提取的精度。然后,对高分辨率影像空间降采样,利用顶点成分分析方法对降采样后的低分辨率分割图像进行端元提取,并利用坐标映射寻找高分辨率影像中的相应端元,利用光谱角来判定是否为纯端元。最后,遍历上述方法至所有分割影像以获取最终的端元集合。使用模拟数据和真实的高分五号高光谱数据对提出的方法进行实验验证。实验结果表明,空谱协同多尺度顶点成分分析方法可提取高精度的纯净端元,且计算效率较高。

变化向量分析结合光谱解混的高光谱变化检测

针对多时相高光谱图像像素级的多类变化检测问题,提出变化向量分析和光谱解混相结合的多类变化检测方法.基于光谱变化向量分析,利用最大期望(EM)算法迭代求阈值,实现变化区域检测.对多时相高光谱图像分别提取端元,求解2个图像中变化区域像元的丰度.以相关系数为相似性判断准则,根据图像分类精细程度自适应确定阈值,实现多时相高光谱图像各端元对应类别的匹配和确定.对变化向量分析方法检测出的变化区域求丰度,根据丰度最大确定各像元类别.通过逐像元类别比较,判断类别变化信息.仿真数据和真实多时相高光谱图像的变化检测实验结果表明,与直接光谱解混分类后变化检测方法相比,采用提出的方法能够明显提高高光谱图像多类变化检测的精度,运行效率提高1倍以上.

引导滤波联合局部判别嵌入的高光谱影像分类

高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而,高光谱遥感影像具有波段数量较多和空间分辨率较高等特点,给分类任务带来一定的挑战。为了提高分类精度,充分利用影像的空间信息和像素间的局部信息,提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先,对高光谱遥感影像进行归一化,利用主成分分析方法实现特征提取,将提取的第一主成分影像作为引导图像;其次,采用引导滤波分别提取各波段影像的空间特征;然后,将提取的空间影像特征进行叠加,通过局部Fisher判别分析完成低维嵌入;最后,将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明:在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下,其总体分类精度分别提高到98.28%和99.45%;对比其他相关方法,该方法能够获取更高的分类精度。该方法在低维嵌入的同时,有效利用了影像的空间信息,改善了分类效果。

高光谱图像基于像素结构的改进PCA算法

主成分分析法(PCA)作为一种常用的降维算法,被广泛的应用到如高光谱图像处理等需要进行大量数据处理的应用中。PCA的主要目的是利用正交变换,将具有相关性的高维数据的分量转换为线性不相关的新的成分变量,但当矩阵维数超过百万时候会造成严重的计算困难问题。本文针对PCA运算中协方差矩阵计算过程中内存调度的问题,提出了一种基于像素结构的改进的协方差矩阵计算方法,可以在确保与常规PCA具有相同性能的同时有效地降低计算所需的存储器规模。实验中分别采用传统PCA算法和改进算法对高光谱图像数据进行特征提取后利用支持向量机(SVM)进行分类,对比结果验证了改进算法的有效性和可靠性。

基于独立分量分析的高光谱图像降维与压缩算法

论文提出了一种基于快速独立分量分析的高光谱图像降维算法。利用虚拟维数算法估计需要保留的独立分量数目,采用非监督端元提取算法自动获取端元矢量,并对快速独立分量分析的混合矩阵进行有效初始化。采用最大噪声分离变换对原始数据进行预处理,利用快速独立分量分析从变换后的主分量中依次提取出各端元对应的独立分量,最后对各个独立分量分别实施无损压缩。实验结果表明,该算法降维后的独立分量具有较好的地物分类性能,并且可以获得较好的压缩性能。

基于机载高光谱端元提取分析棉花生长期光谱变化

【目的】棉花在不同生长期的波谱曲线变化具有规律性,研究其时间序列上的反射光谱变化趋势与规律并监测长势,为基于无人机多光谱、高光谱遥感的作物长势监测提供借鉴和参考。【方法】使用多旋翼无人机搭载Rikola高光谱成像仪,获取棉花从花期到后期之间的高光谱影像。使用纯净像元指数算法和最大单形体体积算法进行端元提取,并以SR-3500光谱仪采集的地面光谱曲线为标准,光谱角度为评价指标,依次从端元提取算法效果、不同航高数据对比、光谱相关性、多期光谱曲线变化趋势等分析。【结果】最大单形体体积算法在60、80、100 m航高下波谱角度结果分别为0.0658、0.0659、0.0677,相较于纯净像元指数算法结果更接近地面光谱仪数据,具有较优的相关性(R2均在0.99以上),且能更好地提取小样本端元。航高对端元提取的影响较小,同种算法在不同航高下提取结果差异均在2%以下。不同生长期棉花波谱曲线变化呈规律性,吸收谷与红边值在7月中旬到达峰值。标准植被指数与比值植被指数在7月上中旬达到最大值(0.8417、11.6305),增强型植被指数、差值植被指数、优化土壤调节植被指数在7月中下旬达到最大值(0.8189、0.5013、0.5012)。【结论】最大单形体体积算法可较好的从棉花高光谱影像中提取出棉花波谱曲线,且100 m为较优的无人机数据采集航高。棉花在7月光合作用最大,对红光的强吸收、近红外波段强反射现象最为明显。

基于近似后验信息的高光谱海上舰船目标检测

针对近海场景高光谱舰船目标检测易受海岸附近岛屿目标影响,造成检测率低、虚警率高的问题,提出一种基于近似后验信息的舰船检测方法。首先对近、短波红外波段灰度影像进行海陆预分割;然后通过顶点成分分析从陆地区域获取陆地近似后验光谱,并利用其对海域进行约束能量最小化检测,去除海域中的疑似陆地像元;最后再利用顶点成分分析从新海域中获取舰船近似后验光谱,再次对海域进行约束能量最小化检测,提取出舰船目标。实验结果表明,算法能够在场景复杂的情况下,检测出舰船目标,有效降低虚警率。

AVIRIS高光谱数据空-谱特征在植被分类中的对比分析

植被分类是高光谱影像分类中的特定应用问题,光谱特征和空间特征是植被分类中常用的两类特征,比较这两类特征的性能,对实际植被分类应用中选择合适的特征类型或两者的有效结合具有指导意义。用主成分分析(PCA)提取光谱特征时,常选择前几个主成分(PCs)作为光谱特征,虽然它们包含较大的信息量但并不能保证较高的类别可分性和分类正确率,针对这一问题本研究提出了一种混合特征提取方法,对高光谱影像在PCA的基础上用改进的基于分散矩阵的特征选择方法选出具有较高类别可分性的PCs用于后续分类。利用一景AVIRIS高光谱植被影像,从分类精度的角度,首先比较了所提出的混合特征提取方法和原始PCA、独立主成分分析(ICA)及线性判别分析(LDA) 3种常用子空间特征提取方法在高光谱影像植被分类中的性能。试验结果表明所提出的混合特征提取方法在研究中数据集1和2上均获得了最高的总体分类正确率,分别为82.7%和86.5%。与原始PCA相比,本研究提出的混合特征提取方法的总体分类正确率,在数据集1和2上分别提高了1.5%和2.5%。由此阐明了所提出的混合特征提取方法在高光谱植被分类中的有效性。对光谱特征和空间特征在高光谱影像植被分类性能的比较中,总体上空间特征获得的分类正确率比光谱特征高,特别是Gabor特征,在两个数据集上均获得了最高的总体分类正确率分别为95.5%和96.7%。由此表明空间特征较光谱特征在高光谱影像植被分类中更具优势。本研究结果为后续改进空-谱特征方法及其两者有效结合,进一步提高植被分类正确率提供了参考。

一种改进的顶点成分分析端元提取算法

顶点成分分析算法需要预先提供端元数目,端元数目正确与否对结果会产生较大影响,其算法在实际应用中多次运行的结果不稳定。针对上述缺点提出了一种改进的顶点成分分析端元提取算法。该方法在n维光谱空间中生成n个彼此正交的单位向量,在此基础上生成与之具有一定夹角的单位向量,将光谱空间中的像元点分别投影在单位向量上以获取端元。结果表明改进的顶点成分分析端元算法提高了端元提取结果的稳定性。

基于信息量改进主成分分析的高光谱图像特征提取方法

针对传统PCA降维方法仅依据方差贡献率进行特征提取,无法有效利用光谱图像本身信息的问题,提出一种利用信息量改进PCA的降维方法。本文利用信息量改进PCA方法对原始高光谱图像数据进行降维处理,将降维结果输入最小距离分类器进行分类,计算分类精度,并通过数据集Indiana Pines与Salinas验证。实验结果表明:与未改进PCA降维方法相比,信息量改进PCA降维方法在计算代价仅增加o(n)复杂度的情况下,分类精度有明显提高。

顶点成分分析法应用于高光谱图像端元提取

高光谱图像既可以获取地面物体的空间位置信息,又能够提供任意像元对应的地面物体的光谱特征曲线,具有极强的地物分类和识别能力。利用线性混合模型对高光谱图像的光谱混合特性进行描述,并采用顶点成分分析法进行端元提取,为高光谱图像的混合像元分解和分类提供依据;以合成和真实高光谱数据作为实验数据,以均方根特征角误差作为评价指标,研究不同信噪比和不同端元数条件下端元提取的效果。实验结果表明,与USGS光谱库对比,顶点成分分析法能够有效提取到端元光谱曲线,均方根特征角误差能够保持在0.2rad以内。

利用小波分解和顶点成分分析的高光谱异常检测

针对高光谱图像复杂背景影响异常检测结果的问题,提出了一种新的抑制背景的异常检测算法。首先对高光谱图像采用小波分解,将高光谱图像分解成高频图像和低频图像;然后使用顶点成分分析(VCA)方法提取高频图像的端元光谱图;最后使用光谱角匹配(SAM)技术对高光谱图像进行异常检测。实验结果表明,KRX算法相比,本文算法像素目标个数增加32.35%;虚拟个数减少12.12%,计算时间少2个数量级;本文方法的ROC曲线一直位于KRX、PCA-KPX算法的异常检测方法之上,有利于高光谱图像的实时异常检测应用。

基于主成分分析与局部二值模式的高光谱图像分类

提出了两种基于主成分分析与局部二值模式的高光谱图像分类算法。利用主成分分析去除高光谱图像的谱间冗余信息,对降维后的图像利用局部二值模式进行空间纹理特征分析,采用稀疏表示分类和支持向量机分别对提取的特征进行分类。其通过将主成分分析与局部二值模式相结合对高光谱图像进行特征提取,保证了高光谱图像的谱间冗余的有效去除,同时保护了高光谱图像的空间局部邻域信息,因此,此类算法不但能充分挖掘高光谱图像的谱间-空间特征,在较大程度上提高分类精度和Kappa系数,而且在高斯噪声环境中和小样本情况下也具有良好的分类性能。

基于约束独立成分分析的高光谱图像指纹提取

提出了一种约束独立成分分析的指纹提取方法,对传统独立成分分析模型加入组分"和为1"约束,同时基于提出的模型发展了新的优化规则.利用高光谱图像丰富的波段信息,对指纹与背景的混合像素进行光谱分解,提取出指纹的信息.真实实验和模拟实验证明:所提方法可以有效地提取不同背景分布特点的指纹信息,指纹形状十分完整,提取精度优于最小体积约束的非负矩阵分解(MVCNMF)、和为1约束的非负矩阵分解(NMF+ASC)、基于增广拉格朗日的单形体提取(SISAL)等传统方法.