基于非负矩阵分解的高光谱遥感图像混合像元分解

传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提...     

约束最小二乘的高光谱图像非线性解混

高光谱图像解混是高光谱数据分析的重要研究内容.在现有混合模型的基础上,提出一种新的高光谱图像非线性解混算法.通过在目标函数中引入丰度的非负及和为一约束以及非线性参数的有界约束,该算法将高光谱图像非线性解混问题转化为求解丰度矢量和非线性参数的约束非线性最小二乘问题,继而采用一种交替迭代优化算法求解该问题.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地克服了线性解混的不足,同时具有良好的抗噪声性能,可以作为一种解决高光谱遥感图像非线性解混的有效手段.     

基于像元混合模型估计的高光谱图像解混

在高光谱图像中,线性混合像元和非线性混合像元同时存在,若采用基于单一混合模型的解混算法,会使解混精度降低。因此,提出采用神经网络对高光谱图像中的像元混合模型进行估计,然后针对不同的混合模型进行相应的像元解混。像元解混时,在目标函数中添加丰度非负和丰度和为一约束项,利用差分搜索算法优化求解目标函数以实现高光谱图像的解混。仿真和实际高光谱数据实验表明,本算法提高了解混精度,适用于线性和非线性混合模型。     

基于不规则尺度区域光谱信息的高光谱图像亚像元定位（英文）

亚像元定位技术可以分析混合像元,并实现从丰度图像到亚像元级精细土地覆盖定位图像的转换。然而,传统的亚像元定位方法所使用的光谱信息通常在指定的矩形局部窗口中构造,并且很少使用所有波段的光谱信息,影响了亚像元定位的性能。为了解决这一问题,本文提出了一种基于不规则尺度区域光谱信息的高光谱图像亚像元定位方法 （SIISA）。在三幅遥感图像上的实验结果表明,所提出的SIISA优于现有的亚像元定位方法。     

地物空间分布特性的高光谱遥感图像解混算法

在高光谱遥感图像中,地物的空间分布往往呈现两种特征:一是都有各自的主导区域;二是在地表空间上分布连续.利用这两种先验信息,分别引入了对丰度的正交约束与平滑约束,提出了一种基于丰度约束的非负矩阵分解算法.为进一步地提高算法的性能,另外还提出了一种新的算法停止准则及权重因子调整策略,以适应信噪比以及像元混合程度的变化.在仿真数据和实测数据上的实验结果表明,该算法不仅能很好地表征地物的分布特征,提高解混精度,而且在信噪比较低,无纯像元的条件下,仍然能得到较好的解混结果.     

基于体积和稀疏约束的高光谱混合像元分解算法

针对传统非负矩阵分解法中解空间较大、存在大量局部极小值的问题,提出了一种基于单形体体积和丰度稀疏性约束的非负矩阵分解法（Volume and Sparseness Constrained NMF,VSC-NMF）。该方法首先使用顶点成分分析法对高光谱图像进行端元提取,将其作为端元矩阵的初始值,可达到加速算法收敛的目的;然后,在目标函数中加入单形体体积最小化约束和丰度稀疏性约束,从而实现对混合像元进行较好的分解。实验结果表明,该方法不仅能有效地克服传统非负矩阵分解法的缺陷,而且能估计出精确的端元和对应的丰度,获得满意的解混效果,尤其适用于稀疏度较高的高光谱图像。     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析(ICA)能够实现图像的去 相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律 的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA(VBICA) 的遥感 图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方 根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了9155% ,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很 好的应用前景。     

考虑点扩散函数效应的光谱遥感图像超分辨率制图

由于硬件设备的限制和土地覆盖类别的多样性,采集得到的光谱遥感图像的空间分辨率有时较为粗糙,导致大量混合像元产生,严重影响了土地覆盖类型空间分布的制图精度。超分辨率制图技术可以有效地处理光谱遥感图像中的混合像元,获得准确的地物类别分布信息。在遥感大数据背景下,来自同一卫星采集同一区域的多位移图像可以作为辅助数据改进超分辨率制图结果。然而,目前多位移图像插值超分辨率制图方法很少有效地考虑点扩散函数效应影响,导致制图结果精度降低。为了解决这一问题,本文提出了一种考虑点扩散函数效应的多位移光谱遥感图像超分辨率制图方法,改善土地覆盖类别制图结果。在所提出的方法中,首先,对多位移图像进行光谱解混,以生成粗糙丰度图像。然后,在考虑点扩散函数效应的情况下,对粗糙丰度图像先采用面到点克里格法,然后进行理想方波滤波,得到改善的粗糙丰度图像。接下来,通过插值对改善的粗糙丰度图像进行上采样以获得上采样丰度图像,并对上采样的所有丰度图像进行整合以获得精细丰度图像。最后,根据精细丰度图像提供的类别比例信息,使用类别分配方法将类别标签分配给亚像元,以获得理想的制图结果。实验结果表明,通过减少点扩散函数效应影响,所提...     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析( ICA)能够实现图像的去相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA( VBICA)的遥感图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了91.55%,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很好的应用前景。     

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。     

一种考虑光谱变异性的高光谱图像非线性解混算法

非线性解混可以解释高光谱图像复杂场景中的非线性混合效应,但地物的光谱变异性是其中的一个难点。提出一种考虑光谱变异性的无监督非线性解混算法。通过核函数将原始高光谱图像数据隐式地映射到高维特征空间中,从而在该空间中结合光谱变异性进行线性解混;与此同时,依据实际地物的分布特性,添加丰度和光谱变异系数的局部平滑约束。模拟和真实高光谱数据的实验结果表明,该方法能克服不同非线性混合场景中存在的光谱变异性问题,提高光谱解混的精度。     

利用背景残差数据检测高光谱图像异常

针对高光谱图像微小目标检测中存在的严重背景干扰问题,提出了一种基于背景残差数据的非线性异常检测算法.首先利用提取的背景光谱端元对图像各像元进行光谱解混,实现了目标信息和复杂背景信息的分离;接着将含有丰富目标信息的解混残差数据非线性映射到高维特征空间,可以充分挖掘高光谱图像波段间隐含的非线性信息,并在特征空间利用RX算子完成目标的检测,从而在抑制大概率背景信息的基础上有效地利用了高光谱图像波段间的非线性统计特性.为了验证算法的有效性,利用真实的AVIRIS数据进行了实验研究,并与经典RX算法、未抑制背景的特征空间核RX算法的检测结果相比较,结果表明基于背景残差数据的检测算法具有良好的检测性能和较低的虚警,且运算复杂度较低.     

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。     

基于线性光谱混合模型的光谱解混改进模型

传统的基于线性光谱混合模型(LSMM)的解混方法采用迭代求解方式,复杂度较高,为此提出一种基于几何方式的模型求解方法。另一方面,LSMM采用固定谱形固定数量的光谱端元进行解混,影响了光谱解混精度,为此提出端元谱形的区域修正方法和端元子集的局域确定方法,从而建立基于柔性端元的新解混方式。实验表明了所提出的几何求解方法及柔性光谱端元方式的有效性。     

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。     

Blind nonlinear hyperspectral unmixing based on constrained kernel nonnegative matrix factorization

Spectral unmixing has been a useful technique for hyperspectral data exploration since the earliest days of imaging spectroscopy. As nonlinear mixing phenomena are often observed in hyperspectral imagery, linear unmixing methods are often unable to unmix the nonlinear mixtures appropriately. In this paper, we propose a novel blind unmixing algorithm, constrained kernel nonnegative matrix factorization, which obtains the endmembers and corresponding abundances under nonlinear mixing assumptions. The proposed method exploits the nonlinear structure of the original data through kernel-induced nonlinear mappings and one need not know the nonlinear model. In order to improve its performance further, two auxiliary constraints, namely simplex volume constraint and abundance smoothness constraint, are also introduced into the algorithm. Experiments based on synthetic datasets and real hyperspectral images were performed to evaluate the validity of the proposed method.     

高光谱图像混合像元分解算法

传统的高光谱图像混合像元分解技术包括端元提取和估计每个端元的混合比例.虽然很多模型都能得到可以接受的解混结果,但是一些未知端元的存在使得结果在包含未知端元的像素点处出现偏差.因此,提出了一种基于支持向量数据描述的高光谱图像混合像元分解算法.首先高光谱图像数据被分成类内和类外两部分,类内是完全由已知端元数据混合的像素点,而类外数据是包含未知端元的像素点.两类数据交界处被认为是已知端元和未知端元混合的数据.然后再对这些像素点进行混合像元分解,分别对仿真数据和真实高光谱图像进行实验.结果表明该算法可以有效地解决因存在未知端元对解混精度的影响,而且能给出未知端元的解混分量.该方法的解混结果几乎不受未知端元的影响,优于直接解混结果