一种低秩和图正则化的协同稀疏高光谱解混方法

针对经典协同稀疏解混方法中稀疏性表征不足以及丰度矩阵过平滑等问题,提出一种低秩和图正则化的协同稀疏高光谱解混方法。引入加权因子,进一步促进丰度矩阵的稀疏性;引入了图正则化项,获取图像的空间信息,以促进图像的平滑性;在模型中增加低秩项,进而挖掘高光谱数据的细节结构,进一步提高解混的精度。利用2个模拟和1个真实高光谱数据进行实验,结果表明,提出方法的解混精度与经典解混方法相比得到显著提升。     

基于光易变性低秩正交先验的高光谱解混

高光谱解混是通过图像分解提取端元及丰度特征的过程,然而由光照、大气等因素引起的光谱类内易变性,或者由环境变化、设备等非线性因素导致的谱间易变性,会导致特征提取精度下降。为了全面考虑解混过程中光谱变化的问题,本文引入光谱易变性的低秩正交先验提出了一种增强型的光谱解混优化模型。首先,在线性解混模型基础上引入易变性数据拟合项来同时考虑光谱类内和类间变化,利用缩放因子来解决光谱类内易变性,同时增加光谱易变性扰动矩阵来解决谱间易变性。其次,该模型利用正交先验约束来实现原光谱字典与易变性项的空间低相干性,通过采用核范数对数松弛来强化丰度矩阵的低秩特性,抑制微小分量及噪声。最后,采用交替优化法及向量-矩阵算子降低求解算法复杂度。通过模拟数据集和真实数据集仿真测试结果表明,本文所提算法取得了优于对比算法的良好性能,验证了该优化模型的有效性。     

高光谱图像Pareto优化稀疏解混

高光谱解混是学术界的一个难题,稀疏高光谱解混指的是利用已知光谱库进行解混,旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元,并利用这些端元求解相应的端元丰度,这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混,但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法（ParetoSU）,将稀疏解混问题转化为一个两目标优化问题,其中一个优化目标是建模误差,另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题,不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。     

基于光谱相似度量的高光谱图像多任务联合稀疏光谱解混方法

基于图像中存在的邻域以及非局部相似等图像空间特征和联合稀疏解混思想,该文提出一种基于高光谱图像光谱相似性度量的多任务联合稀疏解混方法。通过高光谱图像的光谱特性统计值设定光谱度量阈值,对高光谱图像中相似的像元光谱进行光谱相似性度量分组,再对分组像元光谱数据进行多任务联合稀疏光谱解混模型的构建和求解,得到最终的丰度系数。模拟数据实验结果表明,该方法一定程度上提升了现有联合稀疏光谱解混方法的丰度估计精度,真实数据结果也验证了方法的有效性。     

多尺度光谱相似性指导的高光谱解混算法

结合空间信息约束的高光谱稀疏解混技术是高光谱图像稀疏解混领域的研究热点之一.为了克服高光谱图像在自然场景中的空间结构难以精确表示的缺点,本文提出了一种多尺度光谱相似性指导的高光谱解混算法.首先,将高光谱图像分割成具有空间结构的近似域光谱图像;然后,根据相邻超像素之间的相似性进行近似域稀疏解混;最后,将近似域解混结果转换...     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

高光谱解混方法研究

高光谱图像的空间分辨率较低,导致大量混合像元存在于高光谱图像中。混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一。高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义。高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混。归纳了线性光谱解混的两个步骤:（1）提取纯净像元中地物的光谱信号,即提取端元,这是关键步骤;（2）利用端元的加权线性组合对混合像元进行光谱解混,即丰度反演。简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法。通过归纳、对比和分析,总结了不同端元提取方法的特点,并对高光谱解混的研究前景进行了展望。     

光谱加权协同稀疏和全变差正则化高光谱图像解混

针对传统稀疏解混方法对丰度的稀疏性表征不充分及空间信息利用率低等问题,本文在分析迭代加权稀疏解混方法的基础上,提出了一种基于光谱加权协同稀疏和全变差正则化的高光谱解混方法.该方法一方面在协同稀疏解混的基础上引入光谱加权因子进一步刻画丰度系数的行稀疏性,以促进所有像元之间的联合稀疏性;另一方面引入各向异性全变差空间正则化促进图像同质区域的平滑性,以提高解混的准确性.通过交替方向乘子法求解该模型,通过迭代,利用内外部双循环迭代方法对光谱加权因子和丰度系数进行优化.模拟和真实的高光谱数据实验结果均表明本文提出的算法与现有同类算法相比能大幅提高混合像元分解的精度,在稀疏解混方面展现出了巨大的潜力.     

联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

变形L1正则化的高光谱图像稀疏解混

如何准确地刻画易于求解的稀疏正则化函数是高光谱图像稀疏解混的难点.变形L1正则化函数是一类由绝对值函数组成的双线性变换的单参数族,类似于Lp(p∈(0,1)范数,通过调整参数a∈(0,∞)可以准确表征L0和L1之间的任意范数,并具有无偏、稀疏和Lipschi-tz连续性.论文首先研究变形L1正则化函数,然后提出变形L1...     

一种有效的无监督高光谱图像解混方法

传统的非负矩阵分解方法应用在高光谱像元分解时,混合像元分解用到的初始值是随机产生的,会影响像元的解混效果。为了解决该问题,本文通过改进获得初始值的方法,提出了一种基于改进非负矩阵分解的高光谱图像解混方法。本方法不需要任何先验知识,只需要对输入数据集进行迭代计算得到合适的初始值,即可达到光谱解混的目的。仿真数据和真实数据的实验结果都证明了该算法的有效性。     

线性高光谱解混模型综述

高光谱遥感技术具有强大的地物探测能力.然而,其空间分辨率低的特点导致光谱图像中存在大量的混合像元,该现象阻碍了高光谱技术的应用和发展.针对米级以下的高光谱图像,线性混合模型能够很好地为混合像元建模.由于其物理上的可释性以及数学上的可操作性,作为光谱解混基础的线性混合模型受到了广泛关注,为高光谱图像的混合像元解混问题提供了重要的解决思路.然而,由于观测噪声、环境条件、端元变异性和数据集大小等情况的存在,线性解混依然是一个具有挑战性的不适定的逆问题.通过整理近五年的文献资料,分别从非负矩阵分解、原型分析、贝叶斯方法以及稀疏解混四个方面介绍线性解混数学模型的发展现状以及面临的问题.     

高光谱线性解混研究进展

受高光谱遥感仪器空间分辨率的限制以及复杂地物的影响,高光谱图像中存在大量混合像元,成为阻碍高光谱遥感技术应用和发展的关键因素。高光谱混合像元分解技术已成为高光谱图像处理中的关键技术。系统地整理近年来高光谱解混的相关算法,从端元提取和丰度估计两个方面介绍高光谱解混的研究进展。对高光谱解混的相关算法进行分类总结,并对其原理和优缺点进行了对比分析。结合当前研究现状针对存在的问题做出了展望,指出今后可从模型共存、空谱结合、时效性以及工程实用化的角度对高光谱解混作进一步研究。     

基于端元优化的非线性高光谱分解算法

针对高光谱图像中端元的可变性和光谱的非线性混合特性,提出一种基于端元优化的非线性光谱解混算法,通过加入阴影端元对混合像元的端元集进行优化,对优化的端元子集采用基于分层贝叶斯模型的双线性光谱分解算法进行光谱分解。模拟数据和真实数据实验表明,提出的算法能很好地解决高光谱图像中存在的阴影效应,分解效果优于FCLS和GBM算法。     

Regularized MSBL algorithm with spatial correlation for sparse hyperspectral unmixing

Sparse unmixing is a promising approach that is formulated as a linear regression problem by assuming that observed signatures can be expressed as a linear combination of a few endmembers in the spectral library. Under this formulation, a novel regularized multiple sparse Bayesian learning model, which is constructed via Bayesian inference with the conditional posterior distributions of model parameters under a hierarchical Bayesian model, is proposed to solve the sparse unmixing problem. Then, the total variation regularization and the non-negativity constraint are incorporated into the model, thus exploiting the spatial information and the physical property in hyperspectral images. The optimal problem of the model is decomposed into several simpler iterative optimization problems that are solved via the alternating direction method of multipliers, and the model parameters are updated adaptively from the algorithm. Experimental results on both synthetic and real hyperspectral data demonstrate that the proposed method outperforms the other algorithms.     

基于独立分量分析的高光谱遥感图像混合像元盲分解

传统的独立分量分析并不适用于高光谱遥感图像的混合像元解混,因为图像中各端元的分布不是相互独立的.针对这一问题,提出了一种有约束的独立分量分析方法,来实现遥感图像混合像元的盲分解.通过在独立分量分析的目标函数中引入丰度非负约束与丰度和为一约束,改变了传统的独立性假设.同时,为了更好地适用于遥感数据分析,还提出了一种自适应...     

基于多目标蝙蝠优化的高光谱图像解混算法

由于高光谱图像的丰度特性,盲源分离算法 不能直接用于高光谱图像解混。同时,在解混过程中用 梯度算法对目标函数进行优化时易陷入局部最优。为此,本文提出了一种基于多目标蝙蝠优 化算法的高光谱图 像解混算法。该算法将高光谱图像模型中存在的丰度非负约束及丰度和 为一约束作为解混的两个目标函数, 将解混问题转化为对目标函数的优化问题,同时引入多目标蝙蝠优化算法来求解,从而实现高光谱图像解 混。实验结果表明,本文算法能有效解决上述问题,并且当改变图像的信噪比 、像元纯度和像素数时,观察光 谱角距离与均方根误差值的变化情况,与其它解混算 法相比,本文算法具有更高的解混精度和很好的抗噪性,在像元纯度很低的情况下也有很好 的性能。     

基于神经网络和差分搜索的高光谱图像非线性解混

针对基于双线性混合模型(BMM)的高光谱图像梯度 解混算法的局限性,提出一种基于神经网络(NN)和差分搜索算法(DSA)的非线性 高光谱图像解混算法。在考虑p阶多项式模型的基础上,利用N N估计出实际高光谱图像的非线性阶数。构造解混 的目标函数,将非线性解混问题转化为最优化问题。引入DSA对目标函数进 行优化,将解混过程中的待求参数 映射为差分搜索过程中的位置参数,同时在搜索过程中引入丰度非负和全加性约束映射机制 满足解混要求。仿真数据和 实际高光谱数据实验结果表明,本文算法有效地克服了基于BMM的梯度解 混算法的不足,可有效实现高光谱 图像的非线性解混。当NN采用2000个样本训 练,解混真实高光谱数 据得到相应的重构误差(RE)达到1.15×10－2 ,具有良好解混效果。