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。     

基于同色异谱黑理论的非线性复合模型光谱重建研究

同色异谱现象是光谱反射率重建与颜色再现中的一个重要问题。采用三基色CCD相机采集CIE标准光源D65下的颜色样品信号,建立非线性复合模型,使用主成分分析结合神经网络的方法(PCA-NET)改进基于同色异谱黑理论的R矩阵算法,对标准Munsell色卡光谱重建进行研究。在保证给定照明条件下的色度精度同时,对光谱重建的结果进行了实验评价和讨论。实验结果表明,在给定的照明条件下,PCA-NET算法能够准确的拟合相机输出信号与主成分系数之间的非线性关系, 将其代替线性算法应用于R矩阵算法中时,测试集的平均均方根值是未改进R矩阵算法的0.76,平均标准差是R矩阵算法的0.85,可有效提高光谱反射率的重建精度。改进后的R矩阵算法具有精度较高、操作简单易实现的特点, 可用于对重建色度精度及光谱精度均要求较高的领域。