马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用

针对基于非负矩阵分解（NMF）的高光谱解混存在的初始化与"局部极小"等问题,提出一种基于马尔可夫随机场（MRF）的空间相关约束NMF线性解混算法（MRF-NMF）。首先,通过基于最小误差的高光谱信号识别（HySime）法估算端元数量,同时利用顶点成分分析（VCA）和全约束最小二乘法（FCLS）初始化端元矩阵与丰度矩阵;其次,利用MRF模型建立描述地物空间分布规律的能量函数,以此描述地物分布的空间相关特征;最后,将基于MRF的空间相关约束函数与NMF标准目标函数以交替迭代的形式参与解混,得出高光谱数据的端元信息与丰度分解结果。理论分析和真实数据实验结果表明,在高光谱数据空间相关程度较低的情况下,相比最小体积约束的NMF （MVC-NMF）、分段平滑和稀疏约束的NMF （PSNMFSC）和交互投影子梯度非负矩阵分解（APS-NMF）三种参考算法,所提算法的端元分解精度仍分别提高了7.82%、12.4%和10.1%,其丰度分解精度仍分别提高了8.34%、12.6%和9.87%。MRF-NMF能够弥补NMF对于空间相关特征描述能力的不足,减小解混结果中地物的空间能量分布误差。     

利用稳健非负矩阵分解实现无监督高光谱解混

目的 基于非负矩阵分解的高光谱图像无监督解混算法普遍存在着目标函数对噪声敏感、在低信噪比条件下端元提取和丰度估计性能不佳的缺点。因此,提出一种基于稳健非负矩阵分解的高光谱图像混合像元分解算法。方法 首先在传统基于非负矩阵分解的解混算法基础上,对目标函数加以改进,用更加稳健的L₁范数作为重建误差项,提高算法对噪声的适应能力,得到新的无监督解混目标函数。针对新目标函数的非凸特性,利用梯度下降法对端元矩阵和丰度矩阵交替迭代求解,进而完成优化求解,得到端元和丰度估计值。结果 分别利用模拟和真实高光谱数据,对算法性能进行定性和定量分析。在模拟数据集中,将本文算法与具有代表性的5种无监督解混算法进行比较,相比于对比算法中最优者,本文算法在典型信噪比20 dB下,光谱角距离（spectral angle distance,SAD）增大了10.5%,信号重构误差（signal to reconstruction error,SRE）减小了9.3%;在真实数据集中,利用光谱库中的地物光谱特征验证本文算法端元提取质量,并利用真实地物分布定性分析丰度估计结果。结论 提出的基于稳健非负矩阵分解的高光谱无监督解混算法,在低信噪比条件下,能够获得较好的端元提取和丰度估计精度,解混效果更好。     

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。     

基于粒子群优化的非平滑非负矩阵分解算法

传统的非平滑约束的非负矩阵分解算法(nsNMF)在处理高光谱数据时,存在对初始值敏感、容易陷入局部最优值等缺陷。为此,提出一种基于粒子群优化(PSO)的nsNMF算法。采用传统nsNMF算法迭代的结果作为初始值,以避免PSO的盲目搜索。通过PSO搜索端元光谱矩阵,利用nsNMF算法更新端元光谱矩阵和丰度矩阵,以缩小搜索空间,降低计算复杂度,避免陷入局部最优。在合成数据集和真实数据集上的实验结果表明,与传统nsNMF算法相比,该算法能获得更好的全局最优解,端元光谱和丰度值更接近真实值。     

高光谱遥感影像端元提取算法研究进展及分类

在给出端元的物理、代数和几何学解释基础上,对现有端元提取算法从算法设计机理出发,分为基于几何学、基于统计学和信号检测理论以及空间和光谱相结合三大类,并进一步对基于几何学的端元提取算法从技术处理手段差异细分为基于距离、体积、投影变换和最优化4种情况。结合端元提取算法分类,针对算法缺陷及改进思路,介绍了常见端元提取算法PPI、N-FINDR、UOSP、VCA、ICA、NMF和AMEE研究进展。最后,结合解混理论进展和工程应用实际,从技术综合和性能优化的角度指出了端元提取算法的研究展望。     

基于空谱初始化的非负矩阵光谱混合像元盲分解

混合像元分解是提高遥感监测能力的有效方法之一,因此一直以来是遥感领域的重要研究内容。非负矩阵盲分解(Non-negative Matrix Factorization,NMF)方法无需监督选择端元,无需假定纯像元存在,且能同步获取优化的端元光谱与端元丰度,从而为先验知识不足、高度混合场景下的混合像元分解提供了不错的选择,因此成为高光谱混合像元分解方法的重要分支之一。但NMF易陷入局部最优,若直接应用于混合像元解混难以获取稳定的最优解,从而影响了NMF在光谱混合分解的推广应用。针对这一问题,提出一种利用空谱预处理(SSPP)改进NMF的混合像元分解方法(SSPP-NMF)。首先利用SSPP算法结合空间和光谱信息筛选出合理有效的数据子集;然后用NMF算法对筛选出的数据子集进行混合像元分解,获取具有空间均匀性和光谱纯净性的端元光谱;最后基于上一步获取端元光谱利用非负最小二乘法(NNLS)获取整个研究区的最终端元丰度。为检验该方法的有效性和适用性,分别采用模拟仿真数据和真实遥感影像分析了SSPP对NMF的改善效果,并与ATGP-NMF、MVC-NMF两种基于初始化改进NMF的方法进行了比较分析,结果表明:相比ATGP-NMF、MVC-NMF而言,SSPP算法更能有效抑制噪声的影响,明显地提高NMF分解效果,并且具有较高的时间效率。     

一种新的彩色图像盲水印算法*

在探讨了四元数及四元数矩阵奇异值分解性质的基础上,用四元数矩阵来表示彩色图像,彩色图像的每个像素用一个四元数来表示,从而实现了将彩色图像的各个分量作为一个整体进行运算的思想;对彩色图像的四元数矩阵奇异值分解后的性质进行了研究,得出将四元数矩阵分解的方法用于彩色图像水印的嵌入和提取的可行性,并提出一种基于四元数矩阵奇异值分解、旋转和共轭运算的彩色图像盲水印算法进行验证。通过实验和对比表明,该算法具有良好的性能,能较好地抵抗常见的攻击。     

基于数据空间正交基的遥感图像混合像元分解新方法

文中提出一种新的基于数据空间正交基的多通道遥感图像混合像元分解算法.该算法通过在数据集中确定一个具有最大体积的单形体来搜索端元.与经典的单形体遥感图像端元提取算法如N-FINDR不同的是,本算法将原基于行列式的单形体体积计算,等价于一组正交基的模值乘积计算,从而大大提高了算法的计算效率;同时,由于顺序搜索概念的引入,确保了本算法总能获得相同的端元提取结果,而不同于N-FINDR的结果易受随机选取的初始值影响.此外,利用这组正交基,文中所提出的算法还可以同时完成端元个数的确定与丰度的估计两项工作.模拟与实际数据实验结果表明,文中提出的算法是一种快速准确的遥感图像混合像元分解算法.     

基于粒子群优化的高光谱影像端元提取算法

回顾了粒子群算法的基本原理,分析了端元提取算法的两种技术途径。利用粒子群优化的原理,结合凸面几何学理论和线性光谱混合模型,设计了一种粒子群优化端元提取算法,并设计了算法的快速实现方法。该算法不需要假设影像中存在纯像元,同时保持了端元光谱的形状。利用模拟数据和AVIRIS影像对该算法、SGA算法和NMF算法进行实验对比分析,实验结果证明该算法的端元提取精度优于其他二者。     

基于形态学和支持向量的遥感图像混合像元分解

为了更好地解决混合像元问题,将自动形态学端元提取方法与支持向量机算法相结合进行混合像元自动分解。首先利用自动形态学端元提取方法寻找影像的纯净端元,此方法基于形态学理论,结合像素的光谱信息和空间信息,可以更精确地提取纯净端元。然后通过支持向量算法得到像元组分,支持向量机后验概率作为地物的组分信息。实验结果证明,这种方法具有很高的混合像元分解精度。     

Spatial-Spectral Preprocessing based on Nonnegative Matrix Factorization to Unmix Hyperspectral Data

Non-negative Matrix Factorization (NMF)method of blind spectral unmixing can obtain the spectrum and abundance of the endmember by synchronous optimization,without supervising the selection of endmember.Therefore,NMF has been developed rapidly in the application of hyperspectral unmixing.However,traditional blind spectral unmixing NMF method tends to fall into the local optimum and it is difficult to obtain a stable optimal solution.In this paper,we propose an improved Non-negative Matrix Factorization (NMF)method based on Spatial\|Spectal Preprocessing for spectral unmixing of hyperspectral data (SSPP-NMF).First,the SSPP algorithm is used to combine spatial and spectral information to select reasonable and effective dataset.Then,the NMF algorithm is used to unmix this dataset to obtain the final optimized endmember spectrum.Finally,the Non\|Negative Least Squares (NNLS)method is used to obtain the final abundance of the whole study area.The validity and applicability of the proposed method were analyzed based on a set of synthetic hyperspectral data and real hyperspectral images;and then the results were compared with that from three algorithms including the existing NMF algorithm,MVC\|NMF algorithm and ATGP-NMF algorithm.Results show that compared with ATGP-NMF and MVC-NMF,the SSPP algorithm can effectively suppress the influence of noise,significantly improve the performance of the NMF method of blind spectral unmixing algorithm.     

非负矩阵分解融合高光谱和多光谱数据

由于光谱分辨率和空间分辨率的制约以及物理条件的限制,高光谱数据具有很高的光谱分辨率而其空间分辨率却很低。因此,一般高光谱数据的空间分辨率往往低于仅有几个波段的多光谱数据的空间分辨率。高光谱数据和多光谱数据的融合可以得到同时具有高空间分辨率和高光谱分辨率的数据,进而应用于更高空间分辨率下地物的识别和分类。非负矩阵分解(Nonnegative Matrix Factorization)算法用于实现低空间分辨率高光谱数据和高空间分辨率多光谱数据的融合。首先利用顶点成分分析法VCA(Vertex Component Analysis)分解高光谱数据,得到初始的端元波谱矩阵和端元丰度矩阵;然后用非负矩阵分解算法交替地对高光谱数据和多光谱数据进行分解,得到高光谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。在每一步非负矩阵分解过程中,数据之间的传感器观测模型用于分解矩阵的初始化。AVIRIS和HJ-1A数据实验结果分析表明:非负矩阵分解算法有效提高了高光谱数据的所有波长范围内波段数据的空间分辨率,而高精度的融合结果可用于地物的目标识别和分类。     

Piecewise Convex Mulutiple-model Hyperspectral Imagery ENDmember\|extraction based on Discrete Particle Swarm Optimization

Piecewise COnvex Multiple\|Model ENDmember(PCOMMEND) spectral unmixing can well solve unmixing of the nonconvex hyperspectral data，which improves the calculation accuracy of the standard linear mixed model based on the convex geometry model.the number of piecewise convex is not sure in the practical application，which limits the calculation ccuracy of unmixing and the wrong endmembers will sometimes extracted，in view of the situation，the Discrete Particle Swarm Optimization(D\|PSO)is proposed to unmix the piecewise convex mulutiple\|model hyperspectral imagery，D\|PSO is the intelligent algorithm of random search，and is able to find the global optimal solution of convex function，which reduce the unmixing error caused by the uncertainty number of the convex section，experiments on the simulative data and real data has indicate D\|PSO improves the accuracy of the extracting endmember and estimating the proportion.     

Implementation and evaluation distributed mixed pixels analysis algorithm for hyperspectral image based on constraint non-negative matrix factorization

As an effective blind source separation method, non-negative matrix factorization has been widely adopted to analyze mixed data in hyperspectral images. To avoid trapping in local optimum, appropriate constraints are added to the objective function of NMF, whose reflections of image essential attribute determine the performance finally. In this paper, a new NMF-based mixed data analysis algorithm is presented, with maximum overall coverage constraint introduced in traditional NMF. The new constraint was proposed using data geometrical properties in the feature space to maximizes the number of pixels contained in the simplex constructed by endmembers compulsorily and introduced in objective function of NMF, named maximum overall coverage constraint NMF (MOCC-NMF), to analyze mixed data in highly mixed hyperspectral data without pure pixels. For implementing easily, multiplicative update rules are applied to avoid step size selection problem occurred in traditional gradient-based optimization algorithm frequently. Furthermore, in order to handle huge computation involved, parallelism implementation of the proposed algorithm using MapReduce is described and the new partitioning strategy to obtain matrix multiplication and determinant value is discussed in detail. In the numerical experiments conducted on real hyperspectral and synthetic datasets of different sizes, the efficiency and scalability of the proposed algorithm are confirmed.     

基于Hessian图正则稀疏NMF的高光谱解混

基于非负矩阵分解(Nonnegative Matrix Factorization, NMF)的高光谱解混(Hyperspectral Unmixing,HU)方法引起了大家的关注,因为可以将一个非负高光谱图像(Hyperspectral Imagery, HSI)数据矩阵分解为两个非负矩阵的乘积,分别对应于端元矩阵和丰度系数矩阵。目前,图约束的NMF算法已经被证明对高光谱解混是有效的,因为它们可以捕获HSI的几何特性。为了挖掘数据在混合过程中的几何结构和稀疏性,提出了一种稀疏的Hessian图正则化NMF(SHGNMF)算法。SHGNMF算法是将丰度矩阵的L1/2正则化器和Hessian图正则化项都添加到每个NMF模型中,同时采用乘法更新规则。最后用模拟数据和真实数据进行实验,验证了所提出的SHGNMF算法相对于其他NMF算法的优越性。     

A new non-negative matrix factorization method based on barycentric coordinates for endmember extraction in hyperspectral remote sensing

In this study, we present a new non-negative matrix factorization (NMF) method using the pixel's barycentric coordinates for endmember extraction, named BC-NMF. Our method applies the geometrical property of simplex in the calculation of abundance fraction. That is, for any pixel in an image, its abundance fractions are its barycentric coordinates within the endmember coordinate system. Experiments using both simulated and real hyperspectral images show that BC-NMF can generate endmembers with higher accuracy and lower computational complexity than NMF.