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.     

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。     

基于数据约减和中心化的像元纯净指数端元提取方法

像元纯净指数(pixel purity index, PPI)算法是最为常用的端元提取算法之一,但算法中投影向量的随机性导致多次运行的端元提取结果不一致。为此,提出一种基于数据约减和中心化的像元纯净指数端元提取方法(pixel purity index endmember extraction algorithm based on data reduction and centralization, DRC-PPI)。首先利用自动目标生成算法生成候选端元,并进行无约束最小二乘解混,将解混丰度为负的像元从原始数据中移除得到约减数据。其次,对约减数据进行数据中心化进而获得投影向量,将约减数据投影到这些向量上,然后根据样本点的像元纯净指数选择端元光谱。仿真数据和真实高光谱数据实验结果表明,DRC-PPI算法克服了PPI端元提取结果不一致性,大大减少了投影计算量,其端元提取精度总体上高于PPI算法。     

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。     

基于线性光谱混合模型的混合像元分解研究——以合肥市为例

利用Landsat ETM+数据,在水体掩膜的基础上,采用线性光谱混合模型(Liner Spectral Mixture Model,LSMM)进行混合像元分解,得到合肥市高反射率地物、低反射率地物、植被和土壤四种端元的丰度图像以及RMS误差分量图像.应用线性光谱混合模型研究城市地表组分组成,端元(End-member)选取是模型成败的关键.通过分别采用手动选取端元和利用纯像元指数(PPI)法选取端元两种方法,从定性角度对比两种方法得到的结果,结果表明在本研究区内手动选取的端元比PPI选取的端元模型拟合精度更高,能够得到更高精度的分量图像.     

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.     

简析高光谱图像解混技术及算法

混合像元的存在影响了高光谱图像应用精度的提高,对解决问题的研究已经成为高光谱图像研究领域的一个热点。首先,对混合像元产生的原因进行了分析;然后,对高光谱图像解混涉及的线性混合模型、端元提取和混合像元分解等三个方面的内容进行了详细论述,对现有的各类端元提取算法和混合像元分解算法进行了分析和对比,比较了各算法的优缺点;最后,对高光谱图像解混技术和算法的发展进行了展望。     

基于混合像元分解的水体面积提取算法

为减小水体边界混合像元对水体面积提取精度的影响,提出基于混合像元分解的水体面积提取改进算法。以ALOS数据为例,利用混合像元线性分解模型获得各像元水体丰度,结合阈值法和数学形态学算法分别提取纯净水体像元和水体边界像元;通过分析水体边界像元的水体丰度构成,提出水体边界像元面积修正算法,实现水体面积修正。研究结果表明,与混合像元分解直接提取的水体面积相比,修正算法提取的水体面积精度最大提高6.7%,有效减小滩地水分对水体边界像元水体丰度计算的影响。     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,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,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

亚像元定位之邻域像元选取问题研究

混合像元普遍存在于各类遥感影像中,混合像元分解仅能获取像元内部各类地物丰度数据,要获取其空间分布信息还需要进行亚像元定位处理.空间相关性是目前大多数亚像元定位方法的理论基础,而距离是主要决定因素.同时距离决定了亚像元邻域范围内参与其所属类别判定的像元位置和个数,从而决定亚像元空间排布结果.因此针对亚像元定位过程中邻域像元选取问题,就常见的邻域选取方法进行对比试验,并就各种方法的效果进行探讨.     

面向混合像元分解的光谱维小波特征提取

根据线性混合模型的特点,探讨面向混合像元分解的光谱特征提取与选择,提出以小波低频系数为特征的混合像元分解方法.高光谱像元矢量进行离散二进小波变换后,提取光谱特征影像,再基于特征影像估计出混合像元的组分,并用AVIRIS合成影像验证该分解方法.实验结果表明,良好的光谱特征能够较大地提高遥感混合像元的分解精度,比原始波段分解的精度提高约23%.     

基于混合像元分解的火星南极矿物制图研究

对火星高光谱遥感数据进行混合像元分解,有助于获取像元内部火星表面矿物含量。端元光谱提取和光谱解混是混合像元分解的关键技术。以ORB0942_2轨道覆盖的火星南极地区作为研究区,应用纯净像元指数法(PPI)从影像中提取出端元光谱,并利用线性分解模型对影像中混合像元进行了分解,计算出其各端元组分的百分含量,获得了研究区水冰、石膏、钙镁橄榄石及紫苏辉石的相对含量分布图。     

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.     

改进的SGA端元选择的快速方法

SGA算法因其自动性和高效性受到广泛欢迎,针对该算法包含大量的体积计算导致该算法的运算速度较慢的问题,采用在高维空间中构造超平面的方法,提出了一种SGA的改进方法.该改进算法把复杂的体积比较转化成简单的点到超平面的距离比较,从而将算法的复杂度由空间维度的3次关系降至线性关系.实验表明,快速SGA与原始SGA在端元选择的结果上保持一致,而在端元选择的速度上前者较后者有大幅度提高,尤其是要选择的端元数目越大时,效果越明显.     

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。     

面向像元-对象双尺度的不透水面遥感检测

为了改善像元级遥感不透水面提取时存在的椒盐现象,提出了一种面向像元-对象双尺度的不透水面遥感检测方法.首先基于建筑、植被、水体等多种光谱指数,在像元尺度上提取不透水面的分布范围,然后对遥感图像进行多尺度分割,并通过设置高阈值和低阈值来处理图中的碎斑和空洞.利用双尺度不透水面检测方法对天津市精武镇多年的遥感图像进行不透水面检测,结果表明,该方法检测的正确率为80%左右,漏检率低于10%,检测精度高于光谱指数方法.     

混合像元组分信息的盲分解方法

从混合像元中分解组分信息是遥感反演的重要内容.若遥感物理过程可用线性方程组表达,遥感测量信息矩阵就等于权重矩阵乘以混合像元的组分信息矩阵,一般认为,求解组分信息矩阵的前提是权重矩阵已知.利用盲分解方法则无需已知权重矩阵,直接将矩阵分解.其原理是利用了遥感可测信息矩阵大量样本的统计特性,获得分解所需的附加信息,给出组分信息矩阵和权重矩阵的估计值.但盲分解方法仅可以复原组分信息的波形,不能确定幅度.为得到混合像元的定量组分信息,文中选择作物-土壤混合像元为主要研究对象进行盲分解研究,解决了盲分解的幅度不确定性,并通过数值模拟和应用实验验证了该方法.研究表明盲分解可以成为遥感混合像元信息分解的有效工具之一,具有良好的应用前景.     

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。     

基于模糊理论的混合像元分类方法

为了解决遥感影像中混合像元的分类问题,主要介绍遥感影像混合像元的模糊分类思想和模糊分类模型,研究模糊模型的分类优缺点以及其适用条件.并与最大似然分类进行分析和比较,结果表明:应用模糊分类模型对混合像元的分类更合理,精度更高,效果更好.验证了模糊理论对混合像元的分类的优势.