基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.     

基于独立分量分析的高光谱图像压缩

在对原始数据进行虚拟维数估计的基础上,提出了一种基于最大距离端元提取+独立分量分析(Independent Component Analysis,ICA)的高光谱图像有损压缩方案.该方案首先应用最大距离端元抽取法提取高光谱数据各端元矢量,然后用快速独立分量分析生成独立分量,最后使用2维分层树集合分裂(Set Partitioning In Hierarchical Trees,SPIHT)算法对各独立分量图进行编码.计算机仿真结果证明,该算法在取得高压缩率的同时,能很好地保持数据的谱特征,是一种高效的三维数据压缩方法.     

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...     

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。     

基于投影寻踪的高光谱典型目标识别算法

针对典型目标识别问题,提出了一种基于投影寻踪的高光谱目标识别算法。先对高光谱图像进行最小噪声分离变换,计算出本征维度,同时对图像去噪,然后采用信息散度作为投影指标,对投影指标值自适应分割,得到所要提取的波谱曲线,最后用光谱角匹配识别出目标及其位置。高光谱图像验证结果表明,该方法有效地去除了图像噪声,而且能够快速、可靠地提取端元并识别出目标。     

高光谱图像中基于端元提取的小目标检测算法

针对高光谱图像中小目标检测问题,提出了一种基于端元提取的目标检测算法。该算法利用主成分分析的变换矩阵来构造投影算子,把原始图像投影到该算子构成的正交子空间后,大概率的背景信息得到抑制,从而突出了小概率的目标;在完成背景信息抑制的基础上,利用迭代误差分析方法进行端元的自动提取;根据所提取出的目标端元的光谱,结合光谱角度匹配技术完成目标物的检测。为了验证新方法的有效性,利用高光谱数据进行了实验研究,并与经典的RX算法的检测结果相比较。实验结果表明提出的基于端元提取的算法不需要目标的任何先验知识就能达到比较好的目标探测效果,对RX算法检测效果不太理想的小目标也能准确识别。     

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...     

基于均值漂移和模糊积分融合的高光谱图像分割

针对高光谱图像的特殊性,给出了一种基于均值漂移和模糊积分融合的高光谱图像分割算法。依据高光谱图像各波段间高度的相关性将其分为若干组,通过主成分分析对各波段子集进行降维。在此基础上,采用均值漂移算法计算各波段子集图像的聚类中心进而实现分割,再利用模糊积分融合各波段子集的分割结果。仿真结果证明了该算法的有效性。     

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.     

字典学习稀疏表示的高光谱图像异常检测

针对稀疏表示高光谱检测算法性能受背景字典影响较大的问题,充分利用高光谱图像空间信息和光谱主成分信息,提出了一种基于字典学习的稀疏表示异常检测算法。首先利用主成分分析提取高光谱数据的主特征,建立目标主成分空间,并证明了在主成分空间进行字典学习稀疏重构的可行性;然后在主成分空间内构造基于K-SVD算法的训练字典,改善了背景字典性能;采用正交匹配算法重构主成分分量,利用主成分分析反变换得到待检测像元重构光谱,增强了高光谱图像的局部异常特性;最后,基于重构误差异常特性实现高光谱图像异常检测。仿真结果证明了该方法的有效性。     

基于独立成分分析的高光谱图像异常检测

针对高光谱图像中背景及目标先验知识未知条件下的异常目标检测问题,提出了一种基于独立成分分析(ICA)的异常探测算法.首先估计原始数据的虚拟维(VD)以确定要分离的独立成分个数,在此基础上进行快速独立成分分析(FastICA),然后基于平均局部奇异度选择含异常信息较多的独立成分,最后使用丰度量化算法得到异常目标的丰度图像...     

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。     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.     

Estimation of the number of endmembers in hyperspectral data using a weight-sequence geometry method

The terrestrial reflection or emission spectrum obtained by the remote sensor is recorded in units of pixels. In most cases, a pixel usually contains many types of terrains. This pixel is a mixed pixel, and each of the terrains in the mixed pixels is called “endmember”. Estimating the number of endmembers is a significant step in many hyperspectral data mining techniques, such as target classification and endmember extraction. The paper proposes a separative detection method by the use of a weight-sequence geometry to estimate the number of endmembers. This method projects the spectral matrix into the orthogonal subspace by eigenvalue decomposition at first. Then, on the basis of the normalized eigenvalue sequence, the separative detection method innovatively uses a geometric criterion to find the separation point between the main factors and minor factors. Finally, the number of endmembers is determined by the sequence of the “separation point”. Validation through a series of simulated and real hyperspectral data, it indicates that the proposed method can accurately and rapidly detect the number of endmembers in the hyperspectral data without any prior information. In addition, the new method is also applicable to the ultra-high resolution remote spectral data in the future.     

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。     

Target oriented dimensionality reduction of hyperspectral data by Kernel Fukunaga–Koontz Transform

Principal component analysis (PCA) is a popular technique in remote sensing for dimensionality reduction. While PCA is suitable for data compression, it is not necessarily an optimal technique for feature extraction, particularly when the features are exploited in supervised learning applications (Cheriyadat and Bruce, 2003) [1]. Preserving features belonging to the target is very crucial to the performance of target detection/recognition techniques. Fukunaga–Koontz Transform (FKT) based supervised band reduction technique can be used to provide this requirement. FKT achieves feature selection by transforming into a new space in where feature classes have complimentary eigenvectors. Analysis of these eigenvectors under two classes, target and background clutter, can be utilized for target oriented band reduction since each basis functions best represent target class while carrying least information of the background class. By selecting few eigenvectors which are the most relevant to the target class, dimension of hyperspectral data can be reduced and thus, it presents significant advantages for near real time target detection applications. The nonlinear properties of the data can be extracted by kernel approach which provides better target features. Thus, we propose constructing kernel FKT (KFKT) to present target oriented band reduction. The performance of the proposed KFKT based target oriented dimensionality reduction algorithm has been tested employing two real-world hyperspectral data and results have been reported consequently.     

基于支持向量描述的自适应高光谱异常检测算法

提出了一种应用于高光谱异常检测的自适应支持向量数据描述方法.根据高光谱数据和局部异常检测模型的特点,通过局部背景分波段二阶分布统计,分析了核参量与局部背景总体标准差的变化关系,构造了随检测背景变化的局部检测核参量,使得检测算法针对不同背景分布自适应地调整检测核参量.克服了传统支持向量描述算法由于采用固定核参量带来的复杂背景下检测性能下降的问题.通过模拟数据和真实高光谱数据的测试检验,接收机特性曲线表明该算法相对于传统固定核参量支持向量数据描述方法,在相同虚警概率下检测概率提高了10%.     

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。     

Nonlinear joint fractional Fourier transform correlation for target detection in hyperspectral image

In this paper, we present a spectral joint fractional Fourier transform correlation (SJFRTC) for detecting and identifying very small target with only a few pixels using reflectance spectral information in the hyperspectral imagery. In this technique, fractional correlation (FC) between input spectral signature and known reference spectral signature is performed digitally or optically. Binary differential technique is utilized to enhance the performance of the SJFRTC, resulting in delta-function-like correlation peaks without dc interference. Distinctive and distinguishable correlation performance is obtained using peak-to-clutter ratio (PCR) instead of absolute correlation peak value, which makes the proposed technique independent from the intensity variation of the spectral signature. Simulation results using real-life hyperspectral images show that the binary SJFRTC can detect both single or/and multiple targets successfully with excellent detection capability, as compared to the other traditional hyperspectral detection algorithms.