基于双鸟群优化的高光谱图像非线性解混

针对高光谱图像像元中端元物质非线性混合的特点,借鉴生物群智能现象,提出一种基于双鸟群优化的高光谱图像非线性解混算法。为进一步提高非线性解混算法的精度,通过模拟鸟群中觅食、警惕以及飞行等行为得到非线性问题的最优解。算法通过双鸟群的迭代优化来交替更新目标函数中的最优解以及非线性模型参数,最终得到高光谱图像端元丰度的最佳估计。仿真实验和光谱数据实验结果表明:双鸟群优化算法迭代收敛,能克服局部最小值问题;相比于同类算法,该算法解混结果的丰度重建误差、平均光谱角距离和像元重建误差3项指标均较小,该算法解混精度高,像元重构效果好,能有效提高高光谱图像非线性解混的精度。     

积雪混合像元光谱特征观测及解混方法比较

积雪混合像元分解方法研究及积雪比例产品的发展是积雪遥感的重要研究方向。在我国北疆地区利用SVC HR-1024野外便携式光谱仪观测了已知积雪比例的混合像元光谱特征并进行系统分析,同时,采用四种混合像元分解模型对实测光谱进行解混及精度评价。结果表明反射率随积雪比例均匀下降并不呈均匀的线性变化,在不同波段呈非线性变化特征,积雪像元解混精度与观测尺度的不同有一定的联系,尺度越小,解混精度越低;进一步对实测光谱的解混结果表明,线性回归法精度较低,特别是对于积雪比例小于50%的解混结果不准确,稀疏回归解混法和非负矩阵解混法略高于线性混合像元分解法,但线性混合像元分解法运算效率最高,稀疏回归解混法运算效率最低,当对遥感图像进行解混时,要综合考虑四种方法的计算效率。通过将推动积雪混合像元分解定量遥感研究,并为遥感影像准确提取积雪比例提供理论依据。     

一种稀疏约束的图正则化非负矩阵光谱解混方法

由于受到高光谱遥感图像传感器平台的限制,图像的空间分辨率受到一定影响,这导致高光谱遥感图像的像元通常是多种地物的混合, 也叫做混合像元。混合像元的存在制约了高光谱遥感图像的准确分析和应用领域。采用高光谱解混技术可将混合像元分解为纯净的物质光谱（Endmember, 端元）和每种物质光谱所对应的混合比例（Abundance, 丰度）,为获取更多更精细的光谱提供了可能。这对高精度的地物分类识别、目标检测和定量遥感分析等研究领域具有重要的意义。因此,解混技术成为高光谱遥感图像领域的一个研究热点。基于线性光谱混合模型(linear spectral mixing model, LMM),提出了一种端元丰度联合稀疏约束的图正则化非负矩阵分解（endmember and abundance sparse constrained graph regularized nonnegative matrix factorization, EAGLNMF）算法。该算法通过研究基于非负矩阵分解(nonnegative matrix factorization, NMF)的方法,结合图正则化理论来考虑高光谱数据内部的几何结构,将端元光谱稀疏约束和丰度稀疏约束应用于其中,从而能够对高光谱数据的内部流形结构进行更为有效的表达。首先,构造了EAGLNMF算法的损失函数,采用VCA-FCLS方法进行初始化,然后,设定相关参数,包括图正则化权重矩阵参数、端元光谱稀疏约束因子和丰度矩阵稀疏约束因子,最后,通过推导得到了端元矩阵与丰度矩阵的迭代公式,并且设置了迭代停止条件。该方法不受图像中是否有纯像元的限制。实际上,在现行高光谱遥感传感器平台情况下,高光谱遥感图像中几乎不存在纯像元,因此,EAGLNMF方法为高光谱遥感图像的实际应用提供了一种思路。采用合成的高光谱数据,构造了4个实验来分析该方法的可行性和有效性,实验将该算法与VCA-FCLS,标准NMF及GLNMF等经典的解混算法进行比较,通过光谱角距离(spectral angle distance, SAD)和丰度角距离(abundance angle distance, AAD)这两个度量标准来进行比较。实验1是总体分析实验。在固定的信噪比和固定端元数目的情况下,用以上三种经典方法与EAGLNMF同时进行解混。实验2是SNR影响分析实验。在固定端元数目和不同信噪比的情况下,用这四种方法进行解混。实验3端元数目分析实验。在固定信噪比和不同端元数目的情况下,用四种方法进行解混,并且将结果进行对比。实验结果发现提出的EAGLNMF方法在提取端元精度和估计丰度精度上都更为准确。同时,实验4是稀疏因子分析实验。对端元稀疏约束和丰度稀疏约束之间的影响因子进行分析,实验结果表明引入的端元稀疏约束对于解混结果也具有较好的影响,并且端元稀疏约束和丰度稀疏约束之间的影响因子也对解混结果具有一定影响。最后,将该算法应用于AVIRIS所采集的真实高光谱图像数据,将其解混结果与美国地质勘探局光谱库中光谱进行匹配对比,其提取的平均端元精度相比于其他三种方法要稍好。     

基于流形学习和空间信息的改进N-FINDR端元提取算法

光谱端元提取是对高光谱数据进一步分析的重要前提。由于双向反射分布函数(BRDF),像元内的多重散射和亚像元成分的异质性等因素,高光谱图像中的混合像元实际上是非线性光谱混合。传统的端元提取算法是以线性光谱混合模型为基础,因此提取的端元精度不高。在光谱非线性混合的基础上,提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构,将原始高光谱数据非线性降维到低维空间。接着利用地物分布具有连续性的特点,通过增大空间同质区域的像元的权重进行空间预处理。最后通过寻找最大单形体体积进行端元提取。提出算法很好的解决了高光谱遥感数据非线性结构,并利用了空间信息,提高了端元提取的精度。模拟数据实验和真实高光谱遥感数据实验结果均表明,采用该算法得到的结果优于顶点成分分析(VCA) 算法、基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。     

中国古画矿物颜料光谱混合模型初探-以石青和石绿为例

高光谱遥感技术对文物完全无损,适于对中国古画等文物进行颜料的鉴别与分析,但是中国古画中混合颜料不同成分的定量分析仍然是文物颜料分析领域中的难点。针对中国古画中经常出现的混合颜料现象,以石青、石绿两种典型的矿物颜料为例,选用粒度大小相同的两种矿物颜料粉末,按照不同的体积比例精确配比获取颜料样本,然后精确控制实验条件获取其光谱。对混合光谱分别用全约束最小二乘法进行全波段光谱解混,用比值导数解混算法进行单波段光谱解混,然后评定解混精度并对解混结果进行对比分析,探讨这两种矿物颜料的光谱混合模型。实验结果表明,石青、石绿两种矿物颜料的光谱混合从总体上来说非线性混合特征较强,但是在局部某些波段又基本符合线性混合模型,利用这些波段采用比值导数法解混,可以得到远高于全波段解混精度的定量分析结果。     

基于聚类优化FastICA的混合颜料光谱信息解混算法

提出一种聚类优化的快速独立成分分析(FastICA)解混算法,解决了FastICA在光谱信息解混过程中,对解混矩阵初始值敏感导致解混信息不稳定的问题。利用模糊C均值聚类对单一颜料光谱信息进行光谱特征降维,选择最具代表性的聚类结果作为解混矩阵初始值,通过FastICA牛顿迭代公式计算聚类优化后的解混矩阵,避免随机选取初始值对混合颜料光谱信息解混的影响。实验结果表明,与其他算法相比,解混结果平均误差值降低了0.57,平均适应度系数达到了99.67%,光谱角度匹配距离降低了0.53,所提算法增加了FastICA算法解混结果的稳定性,提高了混合颜料光谱信息解混精度。     

比值导数法矿物组分光谱解混模型研究

矿物丰度含量的精确分析是高光谱遥感技术定量分析中的难点。将化学领域的比值导数光谱算法进行总结,将其引入遥感反射率光谱分析,提出了基于线性光谱混合模型的比值导数光谱解混模型,并利用石膏和绿帘石粉末混合物进行了模型的精度分析。实验结果表明,矿物粉末混合物在不同波段其光谱混合特性有所不同,其中部分波段有较强的线性混合特征。采用部分强线性混合波段进行光谱解混,可以取得比全波段解混算法更好的结果。比值导数法光谱解混模型简洁,可以得到高精度的矿物成分反演结果,对于固定端元组成的混合光谱定量分析有较大潜力。     

粗糙度对岩石热红外光谱解混影响的实验研究

现有的岩石热红外光谱解混,大多针对颗粒岩石,无法满足自然界块状岩石高精度光谱解混的要求。研究将粗糙度作为影响光谱发射率与解混精度的考虑因素,研究块状岩石的热红外光谱解混问题。以自然岩石表面形态为依据,设计了三个粗糙度等级;顾及到岩石的结构情况,采用矿物块体拼接的方法模拟制作了3种块状岩石;通过相同和不同粗糙度的解混实验,来研究自然界块状岩石的表面粗糙度对岩石光谱特征和光谱解混的影响规律。结果表明,当矿物端元与岩石在相同粗糙度下光谱线性解混时,效果较好;而在不同粗糙度下解混时,60个解混结果中有48.3%误差超过5%,最大达到25.3%。基于此,建议在实际岩矿高光谱定量遥感中,应该充分考虑粗糙度对光谱解混的影响。     

水稻分蘖期无人机高光谱影像混合像元特征分析与分解

开展水稻无人机高光谱解混,获取水稻植株的高光谱反射率信息,对于提高水稻理化参量的反演模型精度具有重要意义.目前大多基于高光谱遥感影像自身数据进行解混,运用算法模型进行高光谱数据解混,将高光谱图像和可见光图像进行优势互补,提出一种基于无人机高清影像与高光谱遥感影像融合的稻田无人机高光谱解混方法,解决单一数据局限性问题,增...     

基于贝叶斯推理的像元内部端元选择模型

提出了利用贝叶斯推理选择混合像元内端元的模型.考虑到端元光谱的不确定性,基于贝叶斯推理和线性光谱混合模型得到了像元内端元集合的后验概率表达式.在获得端元共存的先验知识基础上,结合端元光谱的正态分布函数,通过最大后验概率得到最佳的端元集合.通过对包含147431个像元的ETM+影像试验表明,相对于IDRISI软件的MRES和PG算法,该算法可削减至少70%的冗余端元,使端元选择错误导致的分解误差降低至少28%.结果表明,由于充分考虑端元光谱的小确定性和端元的共存性,通过贝叶斯推理可以大幅度提高端元选择的正确率,从而改善混合像元的分解精度.     

基于光谱分类的端元提取算法研究

目前成熟的端元提取算法是基于单形体几何学的像元纯度指数(PPO)算法,N-FINDR,VCA等算法.这些算法从图像所有像元中提取纯光谱,具有提取速度慢、精度不高的缺点;部分算法需要进行光谱降维,不利于小目标信息的提取.该文提出先利用基于空间特征的光谱分类算法进行分类,将格个图像划分成空间相邻、光谱相似的若干类,每一类的...     

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。     

高光谱遥感图像光谱解混的独立成分分析技术

高光谱遥感在对地球陆地、海洋、大气的观测中发挥着重要作用,高光谱遥感图像分析的关键是提取像元光谱内部各物质成分及其含量,即光谱解混。独立成分分析提供了一种先进的技术手段,在很少先验知识的前提下,实现端元(物质成分)光谱及其丰度(含量)的同时提取。但丰度约束破坏了各成分独立的前提条件,导致了独立成分分析的局限性。针对这一问题,提出了丰度约束下总体相关性最小化的解决方案,并指出总体相关性最小化下的理想角度,通过设计角度修正的独立成分分析算法把各成分调整到理想角度上。利用模拟数据与真实数据算法进行检验,结果表明：经过角度修正后,独立成分分析突破了原有的局限性,有助于进一步提高独立成分分析技术在光谱分析中的有效性。     

空间人造目标混合光谱材料数目确定方法仿真研究

在空间人造目标光谱分析领域,受到观测距离和观测设备空间分辨率的限制,通常在观测空间人造目标光谱信号时,目标某个瞬时视场中的多种纯物质材料的光谱特征信息组合在一个像元中,形成“混合光谱”。因此,将这些混合光谱分解为每个单一材料的光谱并估计出相应的组成比例是空间人造目标光谱分析研究的重点。大多数现有空间目标光谱分解方法都假设空间人造目标混合光谱中包含的纯物质材料种类个数（即“端元数目”）是先验已知的,这对于未知空间人造目标而言是不现实的。因此,纯物质材料数目正确估计对后续光谱数据分析处理的准确性起着至关重要的作用。目前,现有的端元数目确定方法的设计均在高斯白噪声的假设下进行,而对于噪声信号的分布存在频谱相关性的情况下,会提供较差的结果。采用一种基于数据内在维度和似然最大化理论的方法--鲁棒特征值极大似然方法。由于数据内在维数与信号协方差矩阵和信号相关矩阵特征值差异的统计分布特性高度相关,因此通过分析该特征值差异的统计分布特性,构建一个极大似然函数,可以实现空间人造目标混合光谱端元数目的确定。该方法包含两个步骤：首先,采用基于多元回归和改进最小噪声分离方法对原始光谱数据进行预处理完成噪声特性估计和噪声白化过程,从而有效抑制具有频谱相关性的噪声的干扰;接下来,通过求解一个离散对数联合似然函数的极大值问题来实现空间人造目标混合光谱端元数目的确定,该方法完全不需要输入任何参数,并且运行速度比较快。分别利用实验室实测的五种空间人造目标材料的可见/近红外光谱数据和美国地质勘测局光谱数据构建混合光谱仿真数据进行实验。结果表明,该方法能有效抑制相关噪声和白噪声的干扰,空间人造目标纯物质材料数目确定结果具有很好的准确性和稳定性。     

基于光谱信息的空间碎片材料种类数目估计方法仿真研究

在观测空间碎片时,受碎片结构紧凑、组成材料复杂,以及地基观测设备空间分辨率的限制,同一像元中通常会包含多种材料的信息,即产生"混合像元"。目前国内外对混合像元的研究主要集中在获取混合像元的纯物质光谱以及丰度上,往往忽略了高光谱数据中纯物质个数的确定对于没有任何先验信息的混合像元分析是至关重要的。如果估计的材料数目过少,将会导致解混出的材料光谱仍然是混合状态的像元;如果估计的材料数目过多,提取出的端元中将很有可能包含冗余噪声成分。基于光谱线性混合模型,提出一种改进的p范数纯像元辨识算法。主要利用光谱数据具有近似于低维流形的特性,首先采用正交投影的原理,将提取的端元扩充至正交投影算子中,然后分析投影后各个像元向量的p范数值,最终将p范数值高于阈值的向量个数作为材料种类数目。对实测碎片常用材料和美国地质勘测局数据库分别进行仿真实验,实验结果表明:提出的方法在估计材料种类数目的同时,还能提取出目标所包含的材料光谱,这在一定程度上提高混合光谱分解过程的自动化程度;相对于现有的一些主流算法,该方法有较强的鲁棒性,并且在信噪比不高的情况下仍能正确地估计空间碎片材料种类数目。     

用于光谱解混的正交向量投影算法

光谱解混是高光谱技术中的关键部分,对地物成分的定量分析至关重要。线性光谱解混方法在计算端元丰度时,大多需要涉及矩阵求逆或方阵行列式的计算,导致软件实现的计算复杂度高,且硬件实现困难。同时,当端元数量增加时,算法的计算量也会随之呈指数级快速增长。论文基于传统的正交子空间投影方法,利用正交原理,提出了一种新的光谱解混方法——正交向量投影。该方法首先利用Gram-Schmidt过程计算每个端元的最终正交向量分量,并将其作为代表端元的投影向量。然后对于任意的待解混光谱向量,直接将其投影到该正交向量上。最后,计算得到投影分量的长度与正交向量的长度比,即为该正交向量所代表端元的无约束丰度。该过程避免了正交子空间投影和最小方差方法中计算复杂、实现困难的矩阵求逆运算,更便于并行计算的设计和硬件实现。通过理论的推导分析,证明了该算法与正交子空间投影和最小方差方法是完全一致的。另外,由于算法避免了矩阵相乘和求逆运算,简化了解混过程,通过对不同算法复杂度的具体分析,也证明该算法相对其他算法可以对端元数量降低一个量级。最后,在模拟数据和实际图像上分别进行实验测试,结果的分析和比较,也说明了算法的有效性。     

高光谱遥感分区混合端元提取计算海洋溢油覆盖度

溢油覆盖度的估测是海洋溢油探测与灾害评估的重要内容,受航空航天传感器地面分辨率的限制,准确探测溢油覆盖度比较困难。在海洋风浪及破碎波作用下,溢油往往呈条带状分布。获取的高光谱数据中存在大量的油、水混合像元;传统图像分割方式计算溢油面积存在偏差,且受传感器角度、高度等影响,光谱变异明显,传统端元提取方法很难找到纯像元光谱。提出了一种通过分区混合端元计算海洋溢油覆盖度的探测方法。首先对影像进行分区并使用N-FINDR算法进行端元预选;然后再利用独立分量分析（ICA）方法进行端元精选,按照负熵最大输出得到候选端元,并将地面同步参考光谱作为约束引入相似性溢油端元识别;最后基于非负矩阵分解方法(NMF)求取端元丰度,通过太阳耀斑区的修正,得到真实的溢油覆盖度。分区混合端元的提取较好的解决了全局端元变异及环境适应性差的问题,使精选后的端元具有更好的环境鲁棒性。为更好地衡量该算法精度,采用仿真数据与真实高光谱影像数据相结合进行实验验证。仿真实验中,人工设定溢油丰度,使用均方根误差（RMSE）和丰度估计误差对比评估估计丰度与设定丰度之间的差别,并设计了算法适应性和抗噪实验。结果表明采用MNF和ICA两种高光谱压缩方法,丰度估计误差均低于3%,重构图像的最小均方根误差RMSE最高为0.030 6,且具有较好的抗噪能力,验证了该算法的有效性。真实实验中,使用2011年山东长岛溢油8景机载高光谱影像数据为真实测试数据,由于真实遥感数据往往缺失地面同步丰度数据,导致对算法精度进行评价比较困难,使用仿真数据交互验证与目视解译数据相结合的方法进行精度评价,通过耀斑区修正后估测的机载高光谱成像总的溢油覆盖面积为1.17 km2,溢油覆盖度为22.85%,与现场人工估测面积偏差为2.15%,明显高于传统方法。受海洋破碎波、光谱变异性影响,和航空航天遥感器地面分辨率的限制,海洋溢油遥感中单个像元进行丰度解析是一个难题。基于亚像元丰度分解思想,讨论了海洋溢油覆盖度的问题,提出一种较为完善的海洋溢油覆盖度的计算办法,通过仿真数据和实际的高光谱溢油数据进行了方法的验证,实现了较为客观的自动化溢油覆盖度（丰度）探测方法,可以较为准确的估测海洋溢油的覆盖度,对溢油遥感面积的业务化探测具有积极意义。