一种基于高维空间凸面单形体体积的高光谱图像解混算法

基于三角形中一个简单的含量与体积比的关系:三角形ABC内的任何一点P与三角形任意两个顶点(比如B,C)构成的面积PBC与整个三角形ABC的面积之比即为另一个顶点A在P中的含量.将其推广并且严格证明了上述规律对于高维空间中凸面单形体仍然成立.基于上述结论,对在Cuprite获取的AVIRIS数据进行了光谱解混的实验验证,取得了良好的实验效果.     

一种波段降维的VCA高光谱端元提取算法研究

高光谱图像解混过程一般包括三个方面,即波段降维、端元提取和光谱反演。这其中,高光谱图像端元提取算法研究是一个核心问题。VCA(Vertex Component Analysis,顶点成分分析)算法是一个经典的基于凸面几何学的端元提取方法。通过研究,对原始的VCA算法进行改进,首先计算出波段间的相关系数,然后将相关系数相同的波段保留一个其他去除,最后通过剩余的波段再利用VCA算法进行端元提取。仿真结果表明,该方法可以有效提取出图像中含有的端元成分,提高了计算效率。     

基于广义形态学的高光谱图像解混算法

综合利用像元的光谱和空间信息,提出一种基于广义形态学的混合像元分解算法。引入基准像元,避免形态学算子在像元排序规则和替换准则上存在的局限性。针对图像中不同类别交界处存在的交叉替换现象,广义开-闭算子采用修正能量函数作为距离测度进行计算。端元提取之后利用全约束最小二乘法进行丰度反演。利用矿物光谱的模拟数据和真实数据进行实验,结果表明,该算法无需先验信息便可自动进行混合像元分解,分解精度较高。     

基于零空间最大距离的高光谱图像端元提取算法

端元提取是高光谱图像分析中的一项重要而具有挑战性的任务,它是解决高光谱图像混合像元分解最关键的步骤.文中给出了基于零空间的距离计算方法,在此基础上提出了零空间最大距离算法快速地提取端元.利用零空间与端元所张子空间之间正交补的关系,在数学上严格证明了当数据完全符合单形体条件时,算法能够准确地提取所有的端元,为基于最大距离的端元提取提供了重要的理论依据.算法通过了真实高光谱图像的检验,实验结果表明,零空间最大距离算法具有较好的端元提取效果.     

基于子空间距离的高光谱图像光谱解混算法

高光谱图像中的混合像元由固定的端元按照一定的比例含量（丰度）线性混合而成,在像元中分解出端元以及各端元的丰度是高光谱图像分析中具有挑战性的任务,这一过程称为光谱解混．高光谱图像的一个重要几何特征是在高维特征空间中体现为单形体．在三角形中,平行线分线段等比定理揭示了计算丰度最基本的几何关系一距离比,文中把它推广到高维空间中的单形体情况,在此基础上提出了基于子空间距离比的光谱解混算法,该算法能快速、有效地获得丰度．     

结合FDA与NMF的高光谱数据解混方法

高光谱图像解混是遥感图像处理的重要技术之一．利用非负矩阵分解（NMF）进行高光谱图像解混是近年来发展起来的一种方法．这种解混方法假设光谱具有稳定的光谱特性;但实际上光谱经常是多变的,这个现象影响着解混的精度．为了减小这一影响,首先利用Fisher判别分析（FDA）对高光谱数据进行线性变换,而后利用变换后的高光谱数据提出了一种FDA与NMF相结合的高光谱数据解混方法．实验表明新方法能够有效地提高解混精度与效率．     

高光谱图像纯像元指数计算的FPGA实现

针对高光谱图像含有上百个谱段数据、计算纯像元指数运算量大的问题,提出了一种现场可编程门阵列(FPGA)实现结构,该结构采用投影向量并行的矩阵运算策略,以减少接口的数据读取;在投影计算方面,提出了一种谱段并行的内积运算电路,以提高计算并行度,同时采用简化的投影向量以避免硬件中难以实现的浮点乘法运算.实验结果表明:对含有224谱段、分辨率为350×350的AVIRIS Cuprite高光谱图像,该结构在端元提取准确性方面优于ENVI软件和其他已有结构,对应的FPGA实现方案可以在10s内完成纯像元指数计算,满足星载/机载现场实时处理的要求.     

高光谱图像植被类型的CART决策树分类

为提高植被分类的精度, 在利用高光谱图像提取植被信息时需要考虑训练样本和地形等其他因素的影响。以长白山为研究背景, 基于CART（Classification And Regression Tree）算法构建决策树模型, 对高光谱图像进行植被分类。由于混合像元的影响, 以采用PPI（Pixel Purity Index）提取的纯净像元作为训练样本, 提取植被指数、 纹理和地形等分类特征变量。基于这些变量构建CART决策树对植被分类, 并将结果与最大似然法分类结果进行比较。结果表明, CART决策树分类法可实现光谱、 纹理和地形特征的有效组合, 有较好的分类效果。     

基于端元提取的高光谱图像亚像元目标异常检测算法

针对高光谱图像异常检测因为背景复杂、存在亚像元目标而导致检测效果下降的问题,提出了一种新的检测方法。该方法首先对高光谱数据使用主成分分析法进行背景抑制,然后使用正交子空间投影方法进行端元提取,再使用光谱角度匹配技术进行异常检测。最后与其他两种检测方法比较,具有更好的检测效果,证明该方法的有效性。     

一种基于端元投影向量的高光谱图像地物提取算法

利用高光谱图像在波段空间中呈现凸面单体这一几何特性,提出了一种用于提取地物的端元投影向量生成算法,端元投影向量的生成以下面事实为依据:在高维波段空间中,每一个端元都游离于其他所有的端元构成的超平面之外,且是距离超平面最远的点.利用在Cuprite获取的AVIRIS数据对端元投影向量生成算法进行了验证,实验结果表明该算法可以有效地用于地物提取.     

基于简单L_(1/2)稀疏正则化的高光谱混合像元分解

高光谱图像解混方法中基于稀疏性的混合像元分解方法成为近来研究的热点,其中稀疏正则化高光谱混合像元分解方法(SUnSAL)得到了较好的解混效果。尽管如此,但正则化解的稀疏性和稳健性并不好。基于正则子比正则子更易于求解,同时比正则子具有更好的稀疏性和稳健性,本文引入用正则子来代替正则子。同时,采用了一种简单有效的稀疏正则化的求解方法,将正则化非凸优化问题转化为一系列迭代重复加权正则化问题,并利用变量分裂和增广拉格朗日算法(ADMM)对加权正则化问题进行求解。实验数据表明,此方法不但实现简单,而且可以获得更好的混合像元分解精度。     

基于优化ICA算法的高光谱矿物识别

混合像元是影响岩矿高光谱由定性解译向定量反演发展的关键因素之一.以往分离岩矿高光谱混合像元,需要先获得参与混合的端元数量及端元光谱,这在许多场合是难以做到的.独立成分分析可以在端元光谱、混合矩阵未知且没有任何先验知识的情况下,有效分离岩矿高光谱混合像元,只要端元光谱是非高斯性信号且满足统计独立性.它实现了矿物识别,并为矿物丰度反演及成分识别打下了基础.通过引入调整因子,改善独立成分分析(Independent Component Analysis,ICA)算法的收敛性.当参与混合的端元光谱相似度较高或者端元光谱的非高斯性较低时,岩矿高光谱混合像元的分离精度将受到影响.     

基于最小体积约束的非负矩阵分解模型的高光谱解混算法探究

高光谱遥感图像中,遥感影像的分类精度和地物识别会因混合像元的存在而受到影响,从而限制了遥感科学向定量化发展.基于最小体积约束的非负矩阵分解方法,不仅不需要假定纯像元的存在,而且在自动提取端元的同时获取对应的丰度图,这种非监督的光谱解混技术克服了传统方法的限制条件,为高光谱图像中混合像元问题的解决提供了新的思路和方法.     

高光谱数据组分信息的盲分解方法

将基于独立成分分析(independent component analysis,ICA)技术的盲分解方法(blind signal separation,BSS)应用于遥感混合像元的定量分解,解决了幅度不确定性问题,实现了从高光谱数据中同时得到定量的组分光谱信息和组分权重信息。通过数值模拟实验提出了光谱反演区间的选择方法,进一步完善了该算法,且讨论了算法的稳健性。以陕西省横山县为试验区,从HYPERION高光谱影像中反演了各像元的植被覆盖度,并利用SPOT5影像进行了精度验证,结果表明该方法具有较高的精度。     

基于无人机高光谱影像的植被覆盖度遥感估算模型比较

为了探寻光谱解混模型估算植被覆盖度的精度及适用性,对广东省中山市民众镇义仓村内的一块香蕉林地,利用无人机高光谱数据,比较了3种植被覆盖度估算的经典模型(像元二分模型、Carlson模型和Baret模型)以及目前较为常用的3种光谱解混模型(线性光谱混合模型(Linear Mixed Model, LMM)、后验多项式非线性混合模型(Polynomial Post-nonliner Mixing Model,PPNMM)和考虑光谱变异的正态组分模型(Normal Compositional Model,NCM))估算植被覆盖度的效果. 实验结果表明:像元二分模型高估了植被覆盖度;Carlson模型低估了植被覆盖度;Baret模型在低植被覆盖度区域内高估了植被覆盖度、在高植被覆盖度区域内低估了植被覆盖度;LMM模型在高植被覆盖度区域有较好的估算效果;PPNMM模型在低植被覆盖度出现小幅度高估;NCM模型估算的效果最佳.     

快速像元纯度指数算法

像元纯度指数（PPI）算法广泛应用于目标与背景的分离中,对于超光谱图像数据,它可以从混合像元中提取纯净的端元,用于目标的识别,但缺点是计算量大,不能自动提取。针对这一问题,本文基于PPI算法的原理提出一种非监督端元自动提取方法,使得提取时间大大缩短。     

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.     

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。     

基于POCS的高光谱图像超分辨率方法

高光谱图像得到了越来越广泛的应用,但较低的空间分辨率严重地影响着它的应用效果,其超分辨率方法受到学术界的高度重视,但一直没有得到很好的解决.为此,建立低分辨率资源图像与高分辨率目标图像之间的关系模型;引入关联感兴趣光谱端元的算子进行空间变换;应用凸集投影(POCS)算法实现超分辨率复原.实验表明,该超分辨率方法具有超分辨率效果好、复杂度低、抗噪声性能强和保护感兴趣类别等优点.     

高光谱识别目标的光谱分离分析方法

介绍了线性混合光谱模型,提出了一种分析复合光谱的方法-通过已有的光谱数据库,利用约束最小二乘法分离出像元组份,并能计算像元组份比,对此进行实验,验证了其可行性,并分析了一个30通道的遥感图像。实验以及图像分析的结果表明此种方法能用来分析混合像元问题,即能分离出像元组份,计算出像元组份比获昨比值图像,能利用高光谱数据识别小于地面像元的目标。