基于代数余子式的N-FINDR快速端元提取算法

基于高光谱图像特征空间几何分布的端元提取方法通常可分为投影类算法和单形体体积最大类算法,通常前者精度不好,后者计算复杂度较高.该文提出一种基于代数余子式的快速N-FINDR端元提取算法(FCA),该算法融合了投影类算法速度快和单形体体积最大类算法精度高的优势,利用像元投影到端元矩阵元素的代数余子式构成的向量上的方法,寻找最大体积的单形体.此外,该算法在端元搜索方面较为灵活,每次迭代都可用纯度更高的像元代替已有端元,因此能保证用该端元确定的单形体,可以将特征空间中全部像元包含在内.仿真和实际高光谱数据实验结果表明,该文算法在精准提取出端元的同时,收敛速度非常快.     

基于等距映射和空间信息的光谱解混算法

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。传统的光谱解混算法是以线性光谱混合模型为基础,因此解混精度不高。本文在光谱非线性混合模型的基础上,提出一种将等距映射与空间信息结合的非线性光谱解混算法。该算法通过等距映射算法将原始高光谱数据非线性降维到低维空间,并结合空间信息实现端元提取。得到的端元采用全约束的最小二乘法计算相应丰度。真实高光谱遥感数据实验结果表明,采用该算法得到的结果优于N-FINDR算法和基于测地线距离的最大单形体体积(GSVM)算法。     

基于图像欧式距离和拉普拉斯特征映射的端元提取算法

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,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拉普拉斯特征映射进行非线性降维以更好地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,提出的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份分析算法和原始的拉普拉斯特征映射算法。     

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Gram行列式的快速端元提取方法

高光谱图像端元提取往往涉及到高维空间中单形体体积的计算,使用无需降维的体积公式能够避免信息损失,但却具有极大的计算复杂度。针对这一缺点进行了研究,提出了基于Gram行列式快速的端元提取算法。该算法不需要计算单形体体积,而是利用了体积公式的递推关系,大大降低了计算复杂度。模拟和真实数据试验表明,该算法在保证高精度端元提取的同时,具有极快的端元提取速度。     

高光谱遥感图像端元提取的零空间光谱投影算法

端元提取技术是高光谱遥感图像光谱解混的关键.在线性光谱混合分析中,首先引入了高光谱遥感图像经过零空间光谱投影后具有单形体的凸不变性.在此基础上,提出了零空间光谱投影算法,通过设计各种度量和准则,制定不同的单次端元提取策略,灵活地实现算法.经过证明,零空间光谱投影算法是对基于子空间投影距离算法(包括零空间投影距离算法与经典正交子空间投影算法)的进一步延伸,提供了更多的端元提取策略.实验结果表明,零空间光谱投影算法在模拟图像以及真实高光谱遥感图像中都能够有效地提取出图像中的各种端元.     

基于同质区分割的非线性端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统端元提取算法忽略了高光谱图像中地物空间分布相关性与非线性结构,制约了端元提取算法的精度。针对高光谱图像的空间关系与非线性结构,提出一种基于同质区分割的非线性端元提取算法。使用超像素分割方法将图像分割为若干同质区,利用流形学习构造高光谱图像数据的非线性结构,最后在同质区内提取端元并利用聚类方法优选端元。模拟和真实图像数据实验表明,该算法能够保证高光谱数据的非线性结构,端元提取结果优于其他传统线性端元提取方法,在低信噪比的情况下,可以保持较好的端元提取结果。     

一种超高分辨率遥感图像融合新算法

该文针对超高分辨率的全色光图像和多光谱图像的融合,提出了一种基于对应分析的图像融合新算法。该算法在对多光谱数据进行对应分析的基础上,利用冗余小波变换提取出全色光图像的空间细节信息并将其融入到成分空间。实验分别采用IKONOS和QuickBird数据,融合结果的目视效果与客观评价表明,相比现有同类融合方法,该方法能够在提高空间分辨率的同时更好地保持光谱特性,有效地减少了色彩失真的现象。     

基于端元提取的超光谱图像目标检测算法

针对超光谱图像中目标检测问题,提出了一种基于端元提取的超光谱图像目标检测算法。该算法在未知任何先验信息条件下,对超光谱数据进行基于噪声调节的主成分分析,通过保留信噪比较大的主成分,有效降低超光谱图像中的噪声水平;然后利用基于无监督正交子空间投影的端元提取算法获取图像中的端元矢量,将各端元矢量代入改进的约束能量最小化算子中,从而实现超光谱图像的目标检测。实验结果表明,该算法不但可以得到较好的目标检测结果,在运算性能上也具有一定的优势。     

一种基于单形体正化的高光谱数据全约束线性解混方法

在端元已知情况下,线性混合模型的非负约束最小二乘无闭式解,需要多次迭代得收敛最优解,时间复杂度高.通过高光谱数据凸面几何特性分析,指出当数据为正单形体时,可经有限步骤快速得线性混合模型最优解.据此提出一种单形体正化的高光谱数据全约束线性解混方法,据已知端元进行单形体正化,采用和为一约束求解丰度系数,最后迭代剔除丰度负值端元得全约束解.实验结果表明该方法可获得传统全约束解一致的丰度估计,且效率大大提升.     

基于高光谱图像解混的海洋绿藻检测算法

提出了一种基于线性混合模型的高光谱图像绿藻面积估计算法。利用端元提取算法,自动获取图像中绿藻端元的光谱曲线,根据得到的端元及原始图像,通过全约束最小二乘算法,求得绿藻端元的丰度图,丰度图作为绿藻面积的估计结果。算法能够有效克服由于高光谱图像分辨率不足造成的绿藻面积估计不准确的问题,实现亚像素水平的绿藻面积估计。利用2013年6月29日获取的GOCI传感器获取的8波段光谱图像展开实验,计算得到当日绿藻覆盖面积为321 km2,与HJ-1B卫星的实测结果高度接近,相比于NDVI等传统算法具有明显优势。方法为绿藻灾害预警和监测提供了一条新的解决思路和技术途径,具有较高的应用价值。     

基于图像欧氏距离的高光谱图像流形降维算法

提出两种基于图像欧氏距离的非线性降维方法.该方法利用高光谱图像物理特性, 将图像欧氏距离引入到传统的流形降维算法中.与其它应用于高光谱图像的降维算法相比, 该算法具有诸多优点.图像欧氏距离的引入, 在考虑高光谱图像本身的空间关系的同时, 很好地保持了数据点之间的局部特性, 可以实现有效地去除原始数据集光谱维和空间维的冗余信息.实际高光谱数据的实验结果表明, 该算法应用于高光谱图像分类时, 与其它常见的方法相比具有更高的分类精度.     

基于Cayley-Menger行列式的高光谱遥感图像端元提取方法

提出了一种基于Cayley-Menger行列式的快速端元提取算法.该算法的目标是寻找包含高光谱数据集的最小体积的单形体.与其它基于单形体几何的算法相比,该方法具有诸多优点.首先,Cayley-Manger行列式的引入使得算法可以便捷地利用Hermite矩阵的特点大大加速搜索过程,进而得到一个稳定的最终解.其次,该算法无须对数据进行降维处理,从而可以避免因数据降维而造成的有用信息的丢失.仿真和实际高光谱数据的实验结果表明,所提出的算法在获得准确解的同时,具有非常快的收敛速度.     

基于端元提取的高光谱异常目标检测

针对高光谱图像混合像元影响异常检测效果的问题,提出了一种基于端元提取的异常检测算法。该算法采用小波分解,将原始高光谱图像分解为高频信息图像和低频信息图像,舍弃低频信息图像,只利用高频信息图像,从而抑制了背景,突出了目标;然后使用正交子空间投影(OSP)方法提取图像的端元光谱;最后根据提取的端元光谱,采用光谱角匹配(SAM)技术完成高光谱图像的异常检测。为了验证本文方法的有效性,利用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。与其他算法相比,结果表明,本文算法的检测性能明显优于传统算法,既降低了虚警率,又大大缩短了计算时间,适用于实时的高光谱图像异常目标检测。     

基于全局结构和自相似性约束的高光谱多光谱图像融合

光谱信息丰富的高光谱图像被广泛应用于航海、军事、农业等领域,但其空间结构信息较为匮乏、图像空间分辨率较低。鉴于此,提出了一种基于耦合稀疏表示策略的高光谱和多光谱图像融合方法。该策略首先将高光谱图像进行光谱学习得到完备字典,其次把多光谱图像的全局结构和光谱自相似性作为约束条件,实现空间结构信息和光谱信息的充分利用,最后进行全局凸优化求解得到高质量融合图像。通过开展非盲融合及盲融合实验,进一步验证上述算法对于高光谱图像重建空间分辨率的提升效果。实验结果表明,本算法的峰值信噪比(PSNR)、全局相对误差(ERGAS)、均方根误差(RMSE)的值分别为46.78 dB、0.77、1.39。相较其他算法而言,基于此算法的融合效果图具有更丰富的纹理细节、重建误差更小。     

基于测地线距离和正交投影的端元提取算法

端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素,制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构,提出一种基于测地线距离的正交投影端元提取算法,将测地线距离引入端元单体提取过程,利用正交投影方法逐个提取端元。为了降低测地线距离计算量,在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明,该方法能够表征光谱数据中非线性因素,端元提取结果优于传统自动目标生成端元提取方法。     

PHI高光谱数据和高空间分辨率遥感图像融合技术研究

提出了一种新的高光谱图像融合技术———基于最佳指数准则的高光谱小波包图像融合方法,即首先利用最佳指数选择高光谱的最佳合成波段,得到低分辨率的彩色合成影像,然后采用一种基于区域多特征的小波包融合算法进行融合处理.文中利用上海地区PH I高光谱数据和高分辨率全色航空像片来验证算法的有效性,实验结果表明该方法可有效的实现高光谱数据和高空间分辨率遥感图像的融合处理.     

基于小波变换的加权图像融合方法

提出了一种基于小波变换的多光谱图像与高空间分辨率图像融合方法。该方法通过局部方差准则利用加权平均将高空间分辨率图像和多光谱图像经小波分解的低频分量进行融合，然后将融合的低频分量和高空间分辨率图像的细节分量结合进行小波反演变换得到融合图像。通过和WT方法的融合结果进行对比评价，表明了该方法在提高多光谱图像的空间细节表现能力和保持光谱信息上都有很好的效果。     

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。     

基于端元字典稀疏解混的高光谱图像亚像元定位

针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。