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...     

全变差稀疏约束深度非负矩阵分解高光谱遥感影像解混方法

传统非负矩阵分解方法仅基于单层线性模型,现有的深度非负矩阵分解模型忽略了地物光谱的实际混合物理过程,仅从数学理论考虑深度分解。对此,文中从光谱混合的物理过程出发,综合非负矩阵分解和深度学习,将光谱混合过程进行反向建模,并充分考虑丰度的稀疏性和空间平滑性,构建了用于高光谱遥感影像解混的面向端元矩阵的全变差稀疏约束深度非负矩阵分解模型。通过模拟实验和真实实验,将文中所提方法与5种解混方法进行对比。结果表明,相较于面向丰度的深度非负矩阵分解算法,文中所提方法的平均光谱角距离和均方根误差均有所降低,取得了最佳解混结果。     

基于NMF的遥感图像混合像元分解新方法

单形体几何学方法是混合像元分解中一类重要的方法,这类方法均需要一个较强的前提假设,即每一端元在图像中均至少存在一个纯像元.当此前提不满足时,该类方法的精度会大受影响.本文提出一种新的基于非负矩阵因式分解(NMF)算法的混合像元分解方法,以解决上述问题.加入适当的约束条件,可用于多通道混合像元分解问题.模拟数据实验与实际数据实验结果表明,该方法在端元光谱特性提取和丰度解混两方面的精度均优于单形体几何学方法.     

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.     

L1稀疏正则化的高光谱混合像元分解算法比较

基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点.主要研究了L1正则化的高光谱混合像元分解算法.首先分析了L1正则化的三种解混模型,即无约束、非负约束和全约束模型;然后给出了三种模型对应的数值求解算法;最后,采用模拟的和真实的高光谱数据进行实验,比较了三种高光谱混合像元分解算法的效果.实验结果表明:三种模型均具有很好的高光谱混合像元分解精度(SRE),其中全约束模型最好,非负约束模型次之,无约束模型最差;全约束模型在信噪比低和端元数多的情况下,仍然获得较高的SRE.     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

基于布谷鸟搜索算法的高光谱图像解混算法

将独立成分分析(ICA)算法用于高光谱图像解混时 ,算法对丰度的独立性要求与实际地物分布相矛盾;同时, 采用梯度算法对解混目标函数进行优化时,易收敛到局部极值点。针对上述问题,提出在非 负ICA(NICA)模型的目标函数中引入丰度和为一约束(ASC),确保解混出的丰度与实际地物分 布一致;同时,采用布谷鸟搜 索(CS)算法,利用其优异的全局搜索性能对提出的目标函数进行优化求解。为减少参数维数 并缩小CS算法的搜索范围,利用矩阵QR分解理论,将对解混矩阵的搜索转化为对一系列Give s矩阵的识别。仿真 数据和真实高光谱图像数据实验结果表明,提出的算法能有效地克服上述问题,在噪声为30dB、像元纯度为0.8时,解混指标光谱角距离(SAD)和 均方根误差(RMSE)达到了0.03以下,达到良好解混效果。     

基于自适应局部邻域加权约束的非负矩阵分解方法及其在高光谱解混中的应用

非负矩阵分解(Nonnegative Matrix Factorization,NMF)技术已经成为了高光谱解混领域研究的热点。但是如何有效地利用高光谱的空间和光谱信息仍然是一个难点,尤其在确定局部邻域时,往往会遇到结构固定等问题。针对以上问题,提出了一种基于自适应局部邻域加权约束的非负矩阵分解算法。算法根据丰度的数据特点可以自适应确定给定像元的局部邻域,算法中的权重充分地利用了给定像元和邻域内像元的空间和光谱信息,改善了高光谱解混的性能。论文采用梯度下降法推导出乘法迭代规则,为验证所提出的算法的有效性,利用Japser Ridge数据集和Urban数据集进行实验,并与其他经典方法进行对比,结果显示该方法具有更好的解混效果。      

基于端元提取和低秩稀疏矩阵分解的高光谱图像异常目标检测

为了抑制高光谱图像(HSI)混合像元和噪声在复杂背景中对异常目标检测的干扰,充分提取和利用HSI的光谱特征和空间特征,提出了一种基于端元提取和低秩稀疏矩阵分解的HSI异常目标检测算法.首先,对原始HSI进行最优分数阶傅里叶变换.然后,采用连续最大角凸锥算法对变换后的HSI进行端元提取,得到端元和相应的丰度矩阵,并通过行约束的低秩稀疏矩阵分解方法将丰度矩阵分解为具有低秩特性的背景分量和具有稀疏特性的异常分量.最后,构建背景协方差矩阵,通过马氏距离检测异常目标.实验结果表明,本算法在HSI异常目标检测中具有很好的检测性能.     

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。     

基于微分搜索的高光谱图像非线性解混算法

针对线性混合模型在实际高光谱图像解混过程中的局限性,提出一种新的基于微分搜索的非线性高光谱图像解混算法.在广义双线性模型的基础上采用重构误差作为解混的目标函数,将非线性解混问题转化为最优化问题.将目标函数中的待求参数映射为微分搜索过程中的位置变量,利用微分搜索算法对目标函数进行优化求解.在求解过程中,通过执行搜索范围控制等机制满足高光谱图像解混的约束要求,进而求得丰度系数和非线性参数,实现非线性高光谱图像解混.仿真数据和真实遥感数据实验结果表明,所提出的非线性解混算法可以有效克服线性模型下解混算法的局限性,避免了由于使用梯度类优化方法而易陷入局部收敛的问题,较之其它高光谱图像解混算法具有更好的解混精度.     

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.     

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     

基于高阶非线性模型的多目标高光谱图像解混算法

在高阶非线性混合模型的基础上,提出一种多目标高光谱图像解混算法,解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型,并同时优化两目标函数以减少数据异常值对模型求解的影响,使解混结果在两个评价指标上得到提升;最后采用差分搜索算法求解多目标优化模型,解决梯度类优化方法易陷入局部极值的问题,从而进一步提升解混精度。实验结果表明,文中算法与传统高光谱解混算法相比,具有更精确的端元丰度估计结果和更高的解混精度。     

基于回溯优化的非线性高光谱图像解混

为了进一步提升高光谱图像的解混精度,提出一种基于回溯优化的高光谱图像后非线性解混算法。在后非线性混合模型的基础上,以观测图像与重构图像之间的重构误差为目标函数,使用回溯搜索算法在解空间搜索使目标函数取得极小值的最优解。在搜索过程中,利用回溯搜索算法的边界控制机制有效保证了高光谱图像解混过程中的约束条件,进而有效实现了对解混丰度值和非线性参数的精确估计。针对合成高光谱图像和真实高光谱遥感图像的解混实验表明,文中算法具有优异的解混性能,所达到的解混精度显著优于现有非线性高光谱图像解混算法。