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。     

基于最大化N维立体光谱角的高光谱端元提取

提出了一种基于最大化N维立体光谱角(Maximum N-dimensional Solid Spectral Angle,MNSSA)的端元提取方法.该方法通过计算N个光谱向量在高维欧几里得空间的光谱夹角,定量衡量该N个光谱向量的独立性.在线性混合模型假设下,端元光谱向量的欧几里得空间夹角大于混合像素构成的夹角.MNSSA法不受待提取端元数目及波段数目的限制,对光谱向量幅值变化不敏感,能够克服阴影及光照因素对端元幅值的影响.使用模拟数据及AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)获取的真实高光谱数据对MNSSA端元提取法及现有基于几何的端元提取法进行了对比评价.仿真结果表明,MNSSA法能够克服阴影影响因子对端元幅值的影响,端元提取准确率优于现有端元提取法,且具有良好的抗噪声性能,能显著降低高光谱数据的重构误差.     

端元提取技术在高光谱图像压缩中的应用

高光谱图像海量数据如何实现大比例有效压缩是限制其应用的主要问题之一,而现有有损压缩方法存在大压缩比与光谱特性信息准确保留的矛盾,即使现有最优有损压缩方法也不能够得到令人满意的结果。文章基于混合像元分解的思想提出基于端元提取技术的数据有损压缩方法来解决该矛盾,首先用顶点成分分析(VCA)方法提取场景中地物的端元光谱,根据各端元与观测像元之间的光谱间余弦角相似性度量方法估计各端元的丰度,接着对端元光谱及丰度数据进行无损压缩,最后利用JPEG2000有损压缩方法对高光谱图像的所有单波段图像进行空间维大比例有损压缩。AVIRIS高光谱图像的仿真结果表明,压缩比得到大幅度提高,光谱信息得到有效恢复。在实现压缩比为50∶1时,大部分像元的光谱角误差在2%左右。     

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。     

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。     

结合空间和光谱信息的高光谱影像端元光谱自动提取

端元光谱提取是高光谱影像混合像元分解的关键。现有的端元提取方法多是仅利用了影像的光谱信息,忽略了像元间的空间相关性。现有研究基础上,提出了一种结合影像空间和光谱信息的高光谱影像端元光谱自动提取方法(integration of spatial-spectral information based endmember extraction,ISEE)。该方法首先进行影像子空间划分以增强影像局部的光谱信息特征,然后通过特征空间投影分析获得影像候选端元,最后依次在影像空间信息约束下和端元光谱信息约束下进行优化,得到最终的影像端元光谱集。仿真高光谱影像和真实高光谱影像的实验结果表明,结合影像空间和光谱信息的ISEE方法是有效的,且比一些常用方法提取的端元光谱更为准确。     

一种空间自适应的多光谱遥感影像端元提取方法

针对现行的凸锥体分析方法提取多光谱影像端元数目的有限性,提出了基于空间全局聚类分析的多光谱遥感影像端元自适应提取方法。该方法首先通过主成分分析对多光谱遥感影像进行降维处理,去除波段间的相关性;然后根据空间光谱间相似性,采用经典的空间聚类算法ISODATA对影像全局聚类,合并聚类后小斑块,实现影像自动分块;最后根据分块对象地物类型分布的复杂程度和散点图特征分析,自适应确定端元数目,再通过沙漏算法迅速地提取端元。通过TM影像端元提取实验表明该方法能够有效的提取多光谱影像的端元;同时克服了端元数目限制,提高了端元提取的精度,为多光谱遥感影像端元提取提供了新思路。     

基于线性光谱模型和支撑向量机的软硬分类方法

针对硬分类方法中无法解决的混合像元问题及软分类方法中全图共用一套端元进行混合像元分解所带来的弊端,提出了一种新的软硬分类方法。该方法通过分析目标地物在图像中的分布情况,自动计算判别阈值,将图像分为目标地物纯净区域、目标地物混合区域和非目标地物区域。对于目标地物纯净区域和非目标地物区域采用硬分类方法(支撑向量机)快速提取分类信息;对于目标地物混合区域采用软分类方法(端元可变的线性混合像元分解)提取目标地物丰度信息,最后得到目标地物软硬分类结果。通过对北京地区ALOS图像的应用试验,并将新方法与支撑向量机、线性光谱混合模型进行比较,新方法的RMSE值为0.203,总量精度达到95.48%,高于支撑向量机和线性光谱混合模型。实验结果表明,新方法能够有效解决混合像元问题,提高图像分类精度。     

一种改进的LPD高光谱图像异常检测算法

在低概率检测(LPD)算法中,当选取的特征向量数目等于背景地物种类时,算法的检测效果比较理想,然而背景地物的种类数通常不知道,因此难以确定特征向量的数量。针对这一问题,对LPD算法进行了改进:首先用迭代误差分析(IEA)方法提取端元,然后在提取的端元中选择出与背景地物光谱相近的端元,并用它们构成背景矩阵,进而用该矩阵构造出正交投影算子,最后将该投影算子代入到LPD算法中进行目标检测。实验结果表明,该方法可以更有效地抑制背景,降低虚警率,提高检测性能。     

基于最大整体包容度约束非负矩阵分解的高光谱遥感图像混合像元分析算法

针对高光谱遥感图像中存在高度混合无纯像元的现象,提出了端元整体包容度约束,并将其加入非负矩阵分解的目标函数.在满足端元非负性与和为一约束的同时,利用数据在特征空间的几何特性,要求端元构成的单形体所容纳的像元尽可能多.该算法不需对原始数据降维,不损害数据的物理意义,在迭代过程中使用乘性规则,避免了传统梯度优化过程中常见的整体步长难以控制现象.对模拟图像和真实图像进行实验评测并比较了提取端元精准度、鲁棒性以及执行效率,结果表明,本文算法可有效分析高光谱遥感图像混合像元.     

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.     

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...     

基于有效端元集的双线性解混模型

光谱解混是用于定量分析高光谱图像中成分含量的一项重要技术方法,主要包括线性解混模型和非线性解混模型。线性解混模型构造简单,但并未考虑不同成分光子间的相互影响,导致解混结果在很多实际图像上不够精确。常用的非线性混合模型中的双线性解混算法,随着图像中端元数量增加,虚拟端元的数量也随之快速增加,计算精度受到很大的影响。论文报道改进了双线性解混的模型,并提出一种有效端元子集的选择算法。首先结合欧氏距离和光谱夹角,按照与混合像元的距离,将所有端元排序;然后利用排序结果和误差变化情况选择实际参与混合的端元子集。从而降低了未参与特定混合像元混合的端元对解混结果的影响,提高了解混精度。对模拟图像的测试效果证明了该算法可以减小光谱的重构误差,对实际航拍高光谱溢油图像的分析结果也进一步说明了算法的有效性。     

应用近红外高光谱成像技术检测面粉中偶氮甲酰胺

高光谱成像技术不仅可以获得样品的图像信息,每个像素点还包含了光谱信息,因其信息量丰富的特点已在食品安全检测方面得到了应用。该研究应用近红外高光谱成像技术检测面粉中偶氮甲酰胺。分别采集纯偶氮甲酰胺、纯面粉和面粉中10种不同浓度偶氮甲酰胺混合样品的高光谱图像。通过比较纯偶氮甲酰胺和纯面粉的平均漫发射光谱,找到两者区分度较大的4个吸收波段：1 574.38,2 038.55,2 166.88和2 269.91 nm。采用二阶导数对样品图像中的像素点光谱进行预处理,通过光谱角制图、光谱相关角和光谱相关性度量三种光谱相似性分析方法对混合样品中的偶氮甲酰胺像素和面粉像素进行检测。结果表明,预处理后的平均光谱不能有效检测面粉中偶氮甲酰胺;单像素点光谱结合光谱相似性分析实现了混合样品中偶氮甲酰胺像素和面粉像素的分类;分类结果的验证显示了偶氮甲酰胺像素和面粉像素的正确分类。研究结果为利用高光谱技术检测面粉中添加剂提供了方法支持,为食品中掺杂物的检测提供参考。     

基于端元可变的喀斯特地形复杂区石漠化信息提取

喀斯特山区因地形复杂、地表破碎等特点使得遥感影像中阴影、混合像元及光谱变异现象普遍存在,传统基于多光谱遥感的像元二分法（DPM）在光谱变异和阴影显著的区域难以准确的对喀斯特石漠化（KRD）信息进行提取。采用高光谱遥感的混合像元分解技术可将复杂的混合像元分解为纯净的地物光谱与各地物光谱对应的混合比例,为复杂山区获取更高精度的石漠化信息提供可能。然而,由于光照、环境及大气等诸多因素的变化会引起端元发生不同程度变异,导致在混合像元分解过程中出现显著的误差,其次要从地形复杂、地表异质性强的山区影像上直接获取地物纯净光谱建立用于应对光谱变异的光谱库极其困难。因此,如何在这种情况下应对光谱变异和地形效应,获取有效、准确的对石漠化信息进行提取是当前研究的重点。针对以上问题,采用通过模拟由光照条件造成的地物反射率变化,并考虑每个波长间隔光谱变异情况的广义线性混合模型（GLMM）,以减轻喀斯特地区石漠化信息提取过程中光谱变异与地形效应的影响。首先,从GF-5高光谱影像中提取喀斯特地区主要地物（植被、裸岩、裸土）的典型代表性光谱,然后基于提取的地物光谱模拟不同光照下每个像元光谱的变异情况,选择最适合的光谱组合对像元进行分解,得到最优的解混效果。为了验证方法的可靠性,利用高分辨率影像目视解译的结果作为参考对方法预测结果进行验证,同时选择未考虑端元变异的全限制最小二乘法（FCLSU）和DPM进行对比。结果表明,在地形高度复杂的喀斯特山区,考虑阴影、混合像元及光谱变异是必要的,GLMM在石漠化信息提取中总精度达到了84.89%,明显高于其他两种方法的59.68%和67.34%。通过对光照区和阴影区分别进行精度检验,发现GLMM在光照区与阴影区有着相似的精度表现,而另外两者则差异较大,阴影区明显低于光照区。这反映GLMM能较为有效地减轻地形效应的影响,对喀斯特石漠化信息提取的精度有一定提升。     

拉普拉斯约束低秩表示的高光谱图像异常检测

伴随高光谱图像的广泛使用,高光谱图像技术得到长足的发展,其中高光谱图像异常检测技术越发受到重视。为了解决传统高光谱图像异常检测技术的实用性和检测效果不佳的问题,提出一种新颖的低秩表示检测算法。对于高光谱图像,大部分背景像元均可以被少量主要的背景像元组合近似地表示,且它们的表示系数将会位于低秩的空间中。在剩下无法被主要背景像元表示的稀疏部分中存在着异常像元,则可以被检测算法提取出来。在低秩表示中,背景像元字典的构建将会影响高光谱图像中背景像元的表示。如直接从现有高光谱图像中提取背景像元构建字典,会导致异常像元对背景像元字典的污染。而利用待检测高光谱图像观测数据和由光谱组成原理可合成的潜在未观测数据来构建背景像元字典,提取出背景像元的主要特征,有利于更好地分离出稀疏异常像元的信息。并且高光谱图像数据存在高维几何结构特点,通过引入拉普拉斯矩阵来约束空间中局部相似的像元对于待检测像元的表示作用,获得更接近于真实的表示系数。实验结果分别在仿真数据和真实数据上验证,与传统方法相比,提出的方法通过有效地突出异常像元提高了检出率和抑制了背景像元,降低了误检率。     

Modified genetic algorithm-based sub-pixel mapping

Sub-pixel mapping (SPM) is a promising way to predict the location of endmembers within mixed pixels at the sub pixel level. SPSAM is a real time processing algorithm for SPM, but it will generate a lot of isolated sub pixels because land cover classes were assigned to sub pixels in order. In this letter, a novel method is proposed to realize SPM. It contains two main steps: sub-pixel/pixel spatial attraction model (SPSAM) is first used to generate the initial SPM result; and then modified genetic algorithm (MGA) is applied as the post-processing method to obtain more accurate results. Three different sets of data are used for experiments: simple artificial images and two sets of real remote sensing images. The results show MGA/SPSAM outperforms the conventional SPM methods.     

积雪-荒漠植被及其组合反射光谱特征观测实验及分析

光谱混合机制研究对混合像元解算具有一定指导意义。利用全波段光谱仪累积期和消融期对规则和非规则分布模式下积雪-荒漠植被混合像元及纯净积雪和荒漠植被像元控制式采集反射光谱。K-均值法计算采集影像积雪和荒漠植被面积比并分析其对应混合像元光谱变化特征以获取更加精细的光谱特征信息,准同步Tetracam ADC3(Agricultural Digital Camera 3)采集图像并计算典型指数,从微观尺度上证实了混合像元主要出现在地类边界处。结果发现,1 456～1 697 nm粗粒径冻结雪反射光谱高于新雪反射光谱,新雪反射光谱明显高于陈雪;因冻结覆冰,荒漠植被光谱为积雪、冰晶和植被枝干混合光谱信息,新降积雪覆盖植被光谱特征为积雪和植被枝干的混合光谱信息,不存在常规绿色植被“红边”效应;采集角度为5°和10°时光谱低于垂直角度采集光谱,角度大于10°随角度增加荒漠植被光谱逐渐增大。像元内各个组成物质的面积比及所处像元的位置、采集角度和方向都会影响混合像元的光谱组合信息。