高光谱图像亚像元级地物端元提取方法

针对高光谱图像中以亚像元形式存在的地物的端元光谱提取问题,提出凸面几何理论和部分非负矩阵分解相结合的端元提取方法.通过去噪的正交基子空间投影方法和相似度比较获得原始图像中的纯像元端元,利用纯像元端元光谱对图像逐点求取丰度和重构误差,对误差大于设定阈值的像素集合进行部分非负矩阵分解,求得亚像元级地物的端元光谱.实验结果表明,该端元提取方法能够弥补传统方法的不足,从而实现对亚像元级地物端元光谱的有效提取.     

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.     

结合局部空谱信息的高光谱图像多端元提取

针对传统高光谱单端元提取算法不能描述光谱变异、混合像元分解精度不高的缺点,提出一种结合局部空谱信息的高光谱图像多端元提取(multiple endmember extraction algorithm with local spatial-spectral information,MEELSI)方法。首先将原始高光谱图像进行图像子空间划分获取不重叠的图像块,并利用自动目标生成算法分别在图像块上提取候选端元;然后对候选端元的邻域像元进行光谱相似性分析,优化精选候选端元;最后利用K-means聚类算法对所有端元集进行聚类分析,得到最终的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明,与传统单端元提取方法相比较,MEELSI算法具有表征遥感图像中光谱变异的能力,能够有效提高混合像元分解精度。     

改进鲸群优化子空间匹配追踪的稀疏解混算法

为了提升高光谱图像的稀疏解混精度,提出一种基于改进鲸群优化算法的子空间匹配追踪(improved whale optimized subspace matching pursuit,IWOSMP)的稀疏解混算法.对鲸群优化算法进行改进,通过引入非线性种群控制参数和进化策略,提高鲸群优化算法的收敛速度和收敛精度,基于子空间匹配追踪算法,以约束稀疏回归为目标函数,利用改进的鲸群优化算法对已知端元集求解丰度系数.以重构误差最小为标准,通过最大程度地去除系数较小的冗余端元,提高子空间匹配追踪算法的端元提取的精确度,进一步提高了高光谱图像的解混精度.合成图像实验和真实遥感图像实验表明,IWOSMP能有效去除大量的冗余端元,且解混精度更高.     

变化向量分析结合光谱解混的高光谱变化检测

针对多时相高光谱图像像素级的多类变化检测问题,提出变化向量分析和光谱解混相结合的多类变化检测方法.基于光谱变化向量分析,利用最大期望(EM)算法迭代求阈值,实现变化区域检测.对多时相高光谱图像分别提取端元,求解2个图像中变化区域像元的丰度.以相关系数为相似性判断准则,根据图像分类精细程度自适应确定阈值,实现多时相高光谱图像各端元对应类别的匹配和确定.对变化向量分析方法检测出的变化区域求丰度,根据丰度最大确定各像元类别.通过逐像元类别比较,判断类别变化信息.仿真数据和真实多时相高光谱图像的变化检测实验结果表明,与直接光谱解混分类后变化检测方法相比,采用提出的方法能够明显提高高光谱图像多类变化检测的精度,运行效率提高1倍以上.     

光谱加权稀疏非负矩阵分解高光谱图像解混

非负矩阵分解(NMF)作为一种盲源分离的方法,在高光谱图像解混方面已得到广泛应用。然而由于NMF的目标函数具有非凸性,使得其极易陷入局部最小值,为了提高解混精度,通常会根据具体的问题加入一定的约束条件。受丰度矩阵体现出的稀疏性启发,基于稀疏约束的非负矩阵分解高光谱解混算法得到迅猛发展。然而目前该类方法存在对丰度系数稀疏性先验表征不充分导致算法稳定性差的问题。针对该问题,提出了一种基于光谱加权稀疏非负矩阵分解高光谱解混方法,该方法在非负矩阵分解解混模型中引入光谱加权因子刻画丰度系数的稀疏性,以促进所有像元之间的联合稀疏性。通过采用乘性迭代规则法求解该模型。模拟和真实的高光谱数据实验结果均表明本文提出的方法与现有同类算法相比在端元提取精度和丰度估计精度上都更为准确。     

基于空间像素纯度指数的端元提取算法

为了减小光谱变化以及异常像素点对端元提取结果的影响,根据局部区域内纯像元和混合像元光谱特征的不同,提出一种基于空间像素纯度指数的端元提取算法.将光谱角距离和欧氏距离加权相加作为新的混合距离测度;采用固定大小的邻域窗口计算图像中所有像素的空间像素纯度指数,在此基础上,根据光谱角距离测度和设定的端元光谱区分性阈值依次搜索端元.仿真数据和真实高光谱图像实验结果表明:该算法能够准确地提取图像中的端元,并且精度高于其他一些端元提取算法.     

基于约束非负矩阵分解的混合象元分解新方法

针对高光谱混合象元分解中顶点成分分析要求每一端元在图像中至少存在一个纯象元的不足,以及非负矩阵分解易受初值影响产生局部最小的问题,提出了一种高光谱遥感图像混合象元分解的新方法。该方法用顶点成分分析求得的端元和最小二乘法求得的丰度作为平滑约束非负矩阵分解方法迭代的初始值来实现混合象元分解。通过对模拟高光谱数据和真实遥感影像的仿真研究,结果表明新方法分解混合象元精度略优于顶点成分分析方法,但明显好于约束的非负矩阵分解方法。     

基于多尺度特征的高光谱端元提取方法

为提升高光谱端元提取效率,避免同种地物端元的多次重复提取,根据高光谱同种地物光谱曲线主要特征近似、全体像元中端元个体两两具有极大差异的原则,提出了一种基于多尺度特征的高光谱图像端元提取方法,即多尺度特征像元纯度指数方法(MSPPI).首先利用一维离散小波变换获取多尺度的光谱信息,然后利用光谱角距离和欧式最小距离提取相应的多尺度的光谱特征,并利用像元和其邻域内像元点之间的关联,引入距离测度提取纯像元,最终实现端元提取.通过在高光谱数据库USGS和AVIRIS中的实验验证算法有效性,并与SPPI算法和N-FINDR算法进行对比.结果表明:MSPPI算法能够提取全部端元,且每种地物端元提取百分比低于5%,SPPI虽然能够提取全部端元但提取百分比均高于10%,端元重复提取现象严重,而N-FINDR不能有效提取小面积地物,说明MSPPI算法性能优于N-FINDR算法和SPPI算法.     

利用独立性约束非负矩阵分解的高光谱解混算法

为了克服经典非负矩阵分解目标函数的非凸性引起的局部极小值的影响,获得高光谱混合像元分解的最优解,引入端元光谱数学期望的四阶累积量和负熵的约束,提出一种端元独立性约束条件下的非负矩阵分解的高光谱混合像元分解算法(I-NMF)。非负矩阵分解采用投影梯度迭代方法。I-NMF算法既利用了非负矩阵分解的优点,又考虑了端元光谱的独立性,并且适用于无纯像元的混合像元分解。模拟和实际数据实验表明,I-NMF算法能够精确地进行混合像元分解,且抗噪声能力较好。     

SAM权重法在端元提取中的应用

高光谱遥感的出现使得在宽波段遥感中不可探测的物质能被探测。获得的高光谱数据大都具有数据冗余度高、信噪比低等特点。文章通过idl编程实现高光谱数据的特征提取并利用其做了端元提取流程与光谱解混,及权重法SAM端元提取、混合光谱分解模型及实现。利用SAM权重法能够完成端元提取并最终得到的解混结果。     

融合谱-空域信息的DBM高光谱图像分类方法

在高光谱图像分类问题中,提取能够有效表达地物特征的信息是分类方法中的关键问题。为了提高高光谱图像分类精度,提出一种基于深度玻尔兹曼机的高光谱图像分类方法。该方法首先对高光谱图像数据进行主成分分析法白化处理,并提取像元的空域信息,与像元光谱信息组成综合的谱-空域信息;然后通过多层深度玻尔兹曼机模型从像元的谱-空域信息中提取深层次类别特征;最后通过逻辑回归模型对所提取特征进行分类。这种深度玻尔兹曼机模型能够利用数据的先验知识对高维数据进行特征提取,并且所提取的特征内在地表示了地物的空间结构和光谱特征。实验结果表明,这种方法能够有效地提高高光谱图像的分类精度。     

考虑端元差异性的协同稀疏高光谱解混算法

因现有的高光谱协同稀疏解混模型忽略了不同像元所包含端元的差异性,影响到丰度估计的准确性。该文提出一种先对具有相同端元的像元进行无监督聚类的预处理,然后对预处理后的不同类高光谱像元进行协同稀疏解混算法。在无监督聚类过程中,由于具有相同原子集合的像元之间的协同稀疏编码值最小,将重构误差与协同稀疏编码约束之和作为距离测度,从而有效保证了同类像元中具有相同端元;再利用基于ADMM的优化算法对每类像元分别进行协同稀疏解混。仿真和实际高光谱数据实验结果表明,该算法能有效地进行真实端元识别,从而提高了丰度估计的准确性。     

基于空间加权协同稀疏的高光谱解混算法研究

针对传统稀疏解混算法因空间信息利用不足带来的丰度图像空间分布连续性差的问题,本文提出了一种基于空间加权协同稀疏的解混方法.该方法利用协同稀疏正则项刻画丰度系数的行稀疏性;同时,在协同稀疏框架下,引入空间加权因子挖掘高光谱图像邻域像元间的空间相关性.本模型采用交替方向乘子法求解,通过交替迭代,对空间权重和丰度系数进行优化.模拟和真实高光谱数据实验结果表明本文方法能够比现有同类方法获得更精确的解混结果.     

非监督的高光谱混合像元非线性分解方法

在进行高光谱混合像元非线性分解应用中,提出一种非监督的高光谱混合像元非线性分解方法.通过核函数把原始高光谱数据映射到高维特征空间中,揭示数据之间的高阶性质.通过非线性映射,原始数据在高维特征空间中变得线性可分.在高维特征空间中运用线性的非负矩阵分解(NMF)算法进行光谱解混,挖掘出数据间更多的特征.解混结果以端元相关系数、光谱角距离、光谱信息散度和均方根误差作为质量评价指标.进行模拟数据仿真实验和真实高光谱遥感数据分解实验,结果表明,采用该算法得到的分解结果优于非负矩阵分解算法.     

Robust Deep 3D Convolutional Autoencoder for Hyperspectral Unmixing with Hypergraph Learning

基于超图学习的鲁棒深度3D卷积自动编码器高光谱解混方法

贾培源,张淼,沈毅

（哈尔滨工业大学 控制科学与工程系,哈尔滨 150001）

创新点说明：

1） 提出一种深度解混网络模型R3dCAE。深度学习能够通过深层非线性映射,实现高阶特征提取与数据变换,在解混领域展现出了巨大的应用价值。为去除影像内高噪声对解混带来的不利影响,通过去噪自编码网络与非负自编码网络级联,实现数据恢复与高精度解混工作。

2） 针对高光谱三维体数据特殊结构,将去噪自编码网络和三维卷积网络相结合,通过构建三维卷积层/反卷积层与三维池化/反池化层,深层解混模型R3dCAE能够无监督学习鲁棒的空谱联合特征信息;采用一系列噪声抽样的影像数据对网络参数进行训练优化,该模型能够对含噪数据输入实现高精度数据重建。

3） R3dCAE模型采用结合超图约束的自编码网络同步提取端元与丰度信息。通过邻域光谱相似性度量,超图结构能够描述物质分布的低维流形关系,从而表示物质分布的空间一致性信息;同时引入l2,1范数稀疏约束,在网络的迭代优化中实现精确的端元提取与丰度反演任务。

研究目的：

针对现有高光谱解混算法处理光谱混合数据,端元提取受噪声影响大,鲁棒性差,并且获得的丰度无法提现物质空间分布相关性信息,解混精度受限,探索一种基于深度学习的高光谱解混网络架构,通过网络的深层学习与优化,实现端元与丰度信息的高精度求取任务。

研究方法：

所提出深度解混框架R3dCAE由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。三维去噪卷积自编码网络通过在编码层搭建卷积层与池化层,在解码层搭建反卷积层与反池化层,从而实现无监督提取光谱维与空间维的联合特征信息,通过学习含噪数据获得去噪影像光谱信息;非负稀疏自编码网络以三层网络映射的方式实现端元与丰度信息的联合优化,引入超图约束和稀疏约束,以更好实现端元特征提取和丰度信息求取。

研究结果：

采用仿真数据集对所提出解混框架和目前先进解混算法,包括MVSA, RCo-NMF, MVC-NMF, SGSNMF, 与uDAs等进行比较,对比各算法端元提取与丰度反演结果与参考端元和丰度信息的误差,结果显示R3dCAE在不同信噪比下都具有优异的性能表现;针对实际高光谱遥感数据集,对比各算法获得的端元信号误差,从而展示了所提出解混网络的有效性与鲁棒性。

结论：

本文针对高光谱图像数据光谱混合问题,提出一种新型的结合空间信息的高光谱深层自编码解混网络框架。该深度解混框架由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。通过三维卷积与池化操作,三维去噪卷积自编码网络能够以无监督的方式提取光谱维与空间维的联合特征信息,并通过解码层的构建获得去噪影像数据;在非负稀疏自编码网络中,为保证丰度解的稀疏性和丰度在空间分布相关性,在网络上构建中引入超图学习和l2,1范数稀疏约束,从而使得求取的端元与丰度不仅满足非负性与和为一约束,同时丰度具有空间分布相关性信息。在实验验证中采用仿真数据集和真实高光谱影像对所提出解混框架和其他先进解混算法进行比较,展示了所提出解混网络的有效性与鲁棒性。

关键词：深度学习;无监督解混;卷积自编码网络;超图;高光谱图像;

     

利用静止气象卫星数据提取沙尘信息

根据静止气象卫星通道少且集中在中红外-热红外谱区的特点,将线性光谱混合模型引入沙尘提取研究中.利用相关通道的累积直方图实现端元的自动提取,结合混合像元分解结果与亮温差阈值,建立了针对风云二号C,D星遥感数据的沙尘分布信息提取模型.结果表明:通过原始数据DN值的累积直方图进行端元自动提取,混合像元分解的结果能够实现沙尘信息增强;结合沙尘在11 μm通道与12 μm通道的亮温差为负及在3.7 μm通道与11 μm通道亮温差高于其他目标的特点,对"伪"沙尘像元进行剔除;该方法应用于2005年4月27～28日我国北方地区一次强沙尘暴过程的结果显示,该方法提取沙尘精度较高,能够客观反映沙尘运移过程.     

改进的多端元高光谱解混算法

针对经典多端元光谱混合模型(MESMA)存在着计算量大,端元预选繁琐以及过拟合等缺点,提出了一种改进的多端元解混算法。该算法根据正交子空间投影具有分离感兴趣信号与不感兴趣信号的特点,将像元投影到全部地物端元(每类地物选择一条类内光谱)构成的正交子空间上,按照投影值确定构成混合像元每类地物的类内光谱,在下一步迭代求解的过程中,分离出已确定地物类内光谱的像元,降低计算量,然后根据重构误差变化量确定最优端元个数,避免过拟合。实验结果表明,改进的算法反演丰度误差和解混时间都比原有算法降低很多。     

体积约束的稀疏NMF高光谱解混

为了解决单纯非负矩阵分解计算繁复,收敛速度慢的问题,本文提出了一种基于自然梯度下降的体积最小及丰度稀疏约束的非负矩阵分解方法。该方法在目标函数中加入体积最小和丰度稀疏约束,可以对混合图像进行较好地分解;采用自然梯度下降的方法进行迭代,加快了算法收敛速度。实验结果表明:该方法能有效克服最小体积约束非负矩阵分解法速度慢且不稀疏的缺陷,相对于解混效果(SAD)相近的方法提速100倍,相对于解混时间相近的算法,此方法的解混精度提高0. 02°;此方法尤其适用于像元较多的高光谱图像。     

高光谱亚像元图像仿真与异常检测应用

为满足高光谱异常检测研究所需的大量地物高光谱图像需求,提出利用待观测地物的高光谱特性仿真数据及背景特性数据生成高光谱图像的方法,开展了典型飞机流动与传热模型、红外辐射特性模型、高光谱图像仿真模型研究;以实验测定的飞机反射率为输入开展目标特性计算,结合实际观测的背景起伏图像,在特定遥感器光谱响应特性、遥感器相对定标误差、随机加性噪声等条件下,生成了不同像元丰度、不同信噪比的高光谱图像,并应用经典的RX算法、CEM算法检测了仿真图像的异常像元。研究结果表明:建立的模型可以根据遥感器的性能指标参数、目标丰度要求生成亚像元高光谱仿真图像。图像可以反映目标飞机像元丰度、信噪比对检测结果的影响,通过调节输入参数可以高效建立针对亚像元异常检测的高光谱仿真图像;应用仿真图像进行RX算法检测高光谱仿真图像时,噪声会对检测结果产生较大影响,当信噪比低至10 dB时,RX算法难以检测出丰度0.4以下的异常像元,采用光谱匹配检测的CEM算法可以在较低像元丰度和信噪比下检测异常,提高检测概率。