基于超像素的流形正则化稀疏约束NMF混合像元分解算法

针对传统非负矩阵分解（NMF）法用于高光谱图像混合像元分解时产生的分解结果精度不高、对噪声敏感等问题，提出一种基于超像素的流形正则化稀疏约束NMF混合像元分解算法——MRS-NMF。首先，通过基于熵率的超像素分割来构造高光谱图像的流形结构，把原图像分割为k个超像素块并把每个超像素块中具有相似性质的数据点标上相同的标签，定义像素块内有相同标签的任意两个数据点之间的权重矩阵，然后将权重矩阵应用于NMF的目标函数中以构造出流形正则化约束项；第二，在目标函数中添加二次抛物线函数以完成稀疏约束；最后，采用乘法迭代更新法则求解目标函数以得到端元矩阵和丰度矩阵的求解公式，同时设置最大迭代次数和容忍误差阈值，迭代运算得到最终结果。该方法有效利用了高光谱图像的光谱和空间信息。实验结果表明，在模拟的高光谱数据中，与传统的流形稀疏约束的非负矩阵分解（GLNMF）、L1/2-NMF和顶点成分分析-全约束最小二乘法（VCA-FCLS）等方法相比，MRS-NMF可以提高0.016~0.063的端元分解精度和0.01~0.05的丰度分解精度；而在真实的高光谱图像中，MRS-NMF较传统的GLNMF、顶点成分分析法（VCA）、最小体积约束的非负矩阵分解（MVCNMF）等方法可以平均提高0.001~0.0437的端元分解精度。所提MRS-NMF算法有效地提高了混合像元分解的精度，同时具有较好的抗噪性能。     

基于混合像元分解的薄云下光学遥感图像恢复方法

云遮挡是限制光学遥感卫星对地观测能力的主要因素之一。针对薄云下光学遥感图像的图像恢复问题,首先将云对光谱观测值的影响在线性混合像元模型中显性地加以表达,提出了针对云特性的改进型线性混合像元模型;其次给出了两种基于混合像元分解的图像恢复方法、直接消除法与丰度调整法;最后分别在两种混合像元分解算法与两种图像恢复方法,即VCA（顶点成分分析）算法/MDC-NMF(最小距离限制的非负矩阵分解)算法与直接消除法/丰度调整法的不同组合下,分别利用模拟数据和真实数据,对相关方法的图像恢复能力和图像恢复效果进行了定性和定量分析。实验结果表明,MDC-NMF算法与丰度调整法的组合处理能够获得最佳的图像恢复效果。     

用混合像元线性模型提取中等植被覆盖区的粘土蚀变信息

基于混合像元线性分解模型,针对中等植被覆盖区提出了一种提取粘土蚀变信息的新方法。主要分3步实现:用混合像元线性分解模型提取植被覆盖丰度;对线性模型进行完善,并依此重构不含有植被信息的新的多波段图像;利用TM5/TM7增强粘土蚀变信息。经验证,提取的植被信息以及粘土类蚀变信息与实际吻合较好,与基于比值-主成分分析的方法相比有明显的优越性。
     

基于正则化方法的遥感图像混合像元分解

由于传感器的分辨率的限制,在低空间分辨率遥感图像中存在着大量的混合像元.混合像元所表示的并不是单一地面物体类别的光谱反射值,而是多种类别的反射光谱的组合.混合像元的混合模型可以分为线性混合模型和非线性混合模型.线性混合模型是最常用的一种解混合方法,对于线性混合模型的求解算法进行了研究,根据最小二乘原理,提出了基于正则化方法的线性混合模型求解算法,对实际遥感TM图像进行了解混合运算,求得了端元丰度图像和伪彩色合成图像.     

基于自组织映射和模糊隶属度的混合像元分解

遥感图像中普遍存在着混合像元,将混合像元分解为端元和它们之间混合的丰度,对于高精度的地物识别和定量遥感具有重要意义.结合自组织映射神经网络和模糊理论中的模糊隶属度,提出一种新的多光谱和高光谱遥感图像混合像元分解的方法.首先对自组织映射神经网络进行有监督的训练,然后基于模糊模型对混合像元进行分解.其分解结果自动满足混合像元分解问题所要求的2个约束:丰度值非负约束及丰度值和为1约束.实验结果表明,该方法不仅适用于线性光谱混合的情况,也适用于非线性光谱混合的情况,能够获得较好的混合像元分解结果,同时具有较强的抗噪声能力.     

基于有监督模糊C-均值算法的混合像元分解

遥感影像中普遍存在混合像元,混合像元的分解是遥感图像处理的一大难点,同时也是人们研究的热点。使用有监督的模糊C-均值算法对遥感影像的混合像元进行分解。在传统的模糊C-均值算法的基础上结合先验知识引入优化初始聚类中心的方法,结合通过降采样产生的模拟数据、ETM遥感影像和MODIS遥感影像对算法性能进行了实验。结果表明,算法适用于多光谱遥感图像的混合像元分解,是一种简易可行的方法。     

遥感图像端元光谱变异性的模糊描述

在遥感图像中,利用模糊扩展的概率测度描述混合像元各端元的丰度含量,是模糊集合理论进行混合像元分解的主要手段。然而由于非线性因素的影响以及自然地物的复杂性,往往导致了端元光谱的变异性,这是造成混合像元分解误差的主要原因之一。从模糊集合的另一种测度——可能性测度出发,讨论了对端元光谱的变异性的描述：在遥感图像多维正态分布假设的前提下,利用1维连续的卡方分布,提出了面向遥感图像可能性分布的模糊描述,并进一步提出了可能性分布的模糊划分算法,对整个图像进行端元的模糊划分,从而描述端元光谱的变异性。通过对真实的高光谱遥感图像进行检验,结果表明,该方法能充分地表达端元光谱的变异性,可为今后进一步提高遥感图像混合像元分解精度提供重要的参考。     

基于元胞自动机模型的遥感图像亚像元定位

由于遥感图像中普遍存在混合像元,因此传统分类方法得到的结果通常会存在较大误差,应用混合像元分解技术,虽然可以得到混合像元中各端元组分的丰度,但是却不能得到各端元组分的空间分布状态,而亚像元定位则是在混合像元分解的基础上,将混合像元剖分为亚像元,再利用端元组分的丰度及像元空间分布的特点,将亚像元赋予不同端元组分来得到各端元组分的空间分布情况,以提高遥感图像分类的精度。为了更好地解决亚像元定位问题,结合亚像元定位的理论模型,提出了一种新的元胞自动机模型,并通过模拟数据和实际数据对该模型进行了检验,结果表明,该模型是一种简单有效的解决亚像元定位问题的方法。     

盲信号分离技术在高光谱混合像元分解中的应用

盲信号分离(BSS)是现代信号处理的一种前沿基础技术,近年来在高光谱混合像元分解领域展示了很好的应用前景。通过比较系统地介绍独立成分分析(ICA)、非负矩阵分解(NMF)、复杂度分析(CA)和稀疏成分分析(SCA) 4种BSS方法的基本原理、基本概念及数学模型,重点阐述4种方法在高光谱混合像元分解中的应用现状及各自的优缺点,旨在进一步探讨BSS技术应用于高光谱混合像元分解面临的挑战与存在的潜力。     

混合像元分解的理论与方法-以神木县为例

识别分类是遥感技术应用中的重要一环,而混合像元是影响识别分类精度的主要因素之一。为了提高识别分类精度,本文提出了四种混合像元分解方法,它们是匹配像元分解、折半像元分解、双邻像元分解、相关像元分解。混合像元分解前,计算机分类识别精度仅为63.65％,混合像元分解后,其识别分类精度达88.67％,可见混合像元分解的效果是很显著的。     

辽东地区矿化蚀变遥感信息提取的研究和应用

针对工作区(辽东-吉南)植被覆盖率高,河流水体及冲积物等干扰信息多的特点,本文采用比值法、主成分分析法和光谱角制图法相结合,进行大面积遥感矿化蚀变异常信息的提取;在矿化信息分割过程中,引入面向对象的思想,基于实地考察的蚀变信息提取模型,结合矿点、地质构造和遥感图像光谱特征和色彩等多种信息,对图像波段和像元统一进行因子分析和处理,确立切割阈值,克服了主成分变换后主成分分量物理意义不明确的缺点。本次工作建立起植被覆盖地区的遥感矿化蚀变异常提取的一套有效的技术体系,在遥感应用于找矿具有很强的现实意义。     

一种基于张量PCA的人耳识别的改进方法

张量主成分分析是一种新的主元分析方法,可以解决传统PCA方法对图像进行降维时出现的问题。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个方法的优点,提出了一种基于张量PCA的人耳识别新方法。该方法对人耳图像采用小波变换做预处理得到4个子带图像,对其中"LL"低频子带图像用张量PCA进行特征提取,用支持向量机的方法进行识别。实验结果表明,利用此方法与传统主成分分析识别相比,提高了识别率,缩短了识别时间。在USTB人耳库上实验,该方法的识别率比传统PCA方法提高了6%,识别时间为传统PCA方法的35.23%。     

无理数序列的似混沌特性及其在加密中的应用

将已提出的π序列定义和分析方法推广到无理数领域,引出了无理数序列,并以常用的无理数根号2、e为例,对无理数序列的自相关、功率谱、相空间、关联维数、最大Lyapunov指数和主分量等6个方面进行深入分析。结果表明这些无理数序列与混沌序列具有相似的特性。然后将无理数序列应用到图像加密领域,取得了很好的图像加密效果。     

基于优化相对主元分析的铝电解槽况诊断

针对影响铝电解槽状态的参数较多且耦合性强、建立诊断模型的计算量巨大、诊断精度有限等问题,提出一种基于优化相对主元分析(ORPCA)的铝电解槽况诊断方法。利用相对主元分析(RPCA)方法在进行特征选择时的降维优势,提出一种有效的准则以确定主元的相对权重。通过遗传算法(GA)构造误报率适应度函数,考察观测样本在主元空间和残差空间里投影的变化,以获得搜索区域内最优的相对转换矩阵,使Hotelling's T2检验和预测平方差（SPE）检验的误报率降低到最小。对某厂170kA大型预焙槽的样本进行检验,实验结果表明,该方法在置信度为95%和97.5%时,T2检验误报率分别为16.79%和9.77%,SPE检验误报率分别为4.01%和1.75%。与同类算法相比,所提方法不但能准确诊断出铝电解槽中出现的异常状态,而且明显降低T2检验和SPE检验中出现误报的概率。     

基于余弦角距离的主成分分析与核主成分分析

PCA和KPCA都是基于欧氏距离提出的,这种距离对离群数据点比较敏感,而余弦角距离对离群数据更为鲁棒,在很多情况下具有更好的性能。充分利用余弦角距离的优势,提出两种新的特征抽取算法——基于余弦角距离的主成分分析(PCAC)和基于余弦角距离的核主成分分析(KPCAC)。在YALE人脸数据库与PolyU掌纹数据库上的实验表明,PCAC比PCA取得了更好的效果,KPCAC也表现出了很好的性能。     

鲁棒主元分析在掌纹识别中的应用

为了对存在异常值的图像构建低维线性子空间的描述,提出用鲁棒主元分析(RPCA)的新方法进行掌纹识别。运用图像下抽样方法降低掌纹空间的维数,在低维图像上应用RPCA提取低维的投影向量,然后将训练图像和待识别图像向投影向量上投影得到鲁棒主元特征,计算特征向量间的余弦距离进行掌纹匹配。运用PolyU掌纹图像库进行测试,结果表明,与主元分析(PCA)、独立元分析(ICA)和核主元分析(KPCA)相比,RPCA算法的识别率最高为99%,特征提取和匹配总时间0.032 s,满足了实时系统的要求。     

基于PCA矢量形态学的彩色图像分割方法

基于HSV彩色模型,提出一种基于主量成分分析的矢量排序新方法。将彩色图像描述为矢量空间,则像素点作为矢量处理,根据相应彩色矢量对主量轴的投影值进行排序。采用这种统计特征排序方案,定义新的上下确界与彩色形态算子,将其应用于彩色图像分割,能得到与视觉判断相一致的分割结果。实验表明,该算法具有出色的矢量保持能力,与标准的彩色形态学算子相比,显示了更优的分割性能与较好鲁棒性能。     

卷积鲁棒主成分分析

鲁棒主成分分析（RPCA）是一种经典的高维数据分析方法,可从带噪声的观测样本中恢复出原始数据。但是,RPCA能工作的前提是目标数据拥有低秩矩阵结构,不能有效处理实际应用中广泛存在的非低秩数据。研究发现,虽然图像、视频等数据矩阵本身可能不是低秩的,但它们的卷积矩阵通常是低秩的。根据这一原理,提出一种称为卷积鲁棒主成分分析（CRPCA）的新方法,利用卷积矩阵的低秩性对原始数据的结构进行约束,从而实现精确的数据恢复。CPRCA模型的计算过程是一个凸优化问题,通过乘子交替方向法（ADMM）来进行求解。通过对合成数据向量以及真实数据图片、视频序列进行实验,验证了该方法相较于其他算法如RPCA、广义鲁棒主成分分析（GRPCA）以及核鲁棒主成分分析（KRPCA）在处理数据非低秩问题上优越性。     

基于核函数的PCA在QAR数据分析中的应用

分析了传统的主成分分析方法的不足,论述了KPCA方法及其时间复杂度高的缺陷。在此基础上,提出基于核函数构造的协方差矩阵的主成分分析,相比KPCA,该方法具有快的降维速度。实验结果显示:把该方法用于QAR数据具有良好的降维效果和高分类正确率。     

基于小波变换和2DPCA的人脸识别方法

主成分分析(Principal Component Analysis,PCA)方法是模式识别技术中经典的特征提取和降维技术之一。在传统的PCA基础上,提出了二维主成分分析(Two-Dimensional Principal Component Analysis,2DPCA)方法。针对二维主成分分析在特征提取和数据降维上存在的缺点,提出一种综合的方法—在小波变换的基础上,对人脸数据库进行二维主成分分析。实验结果表明,该方法不仅实现了降维,而且能取得比传统主成分分析和二维主成分分析更好的识别性能。