基于L0稀疏约束的近似NMF高光谱解混

非负矩阵分解(NMF)由于其非负性和分块表征能力,使得该算法大量的应用于机器学习和信号处理等相关领域。经典NMF与线性混合的高光谱模型比较一致,因此在高光谱解混中被广泛应用。因为传统的NMF模型对初值非常敏感,难以保证算法的收敛性。所以,通常对其加入各种稀疏性约束。本文就NMF的L_0约束提出了一种联合稀疏特性的近似NMF算法,它分别约束基础矩阵和系数矩阵,并将其与不受约束的NMF技术结合,诸如乘法更新规则或交替的非负最小二乘方案。最后采用真实仿真数据验证了该算法在光谱解混中相对其他算法所具有的优越性和有效性。     

噪声ICA模型去偏技术研究

偏差去除算法通常假设高斯噪声条件下对普通ICA算法进行修正来消除噪声带来的影响。但是存在高斯噪声条件时,普通ICA算法对解混矩阵仍然可以辨识。故引入基于QR分解的RLS自适应噪声抵消算法和Fast-ICA算法相结合,只需对观测信号进行去噪处理,不需要对解混矩阵修正。并分别在同一噪声和相关噪声条件下做了仿真实验,与LMS-ICA算法进行了比较。仿真实验证明,该方法比后者效果显著。提出了用最小二乘算法计算分离信号的输出信噪比,作为评价算法的性能指标。     

基于相关向量机的高光谱图像解混方法

针对传统的高光谱数据解混方法中存在的解混精度不高、丰度图模糊的缺陷,提出一种基于相关向量机的高光谱图像解混方法(unmixing algorithm based on relevance vector machine,UARVM)。其核心思想是采用改进的一对余型的相关向量机将多分类问题转化为多个二分类的问题,且求取出每个样本所对应的归属类别的概率值,即丰度值来完成图像的解混。理论研究和仿真结果表明:相对于传统解混方法,UARVM解混精度高,丰度分布图效果好。     

双约束深度卷积网络的高光谱图像空谱解混方法

高光谱图像凭借其“图谱合一”的特点逐渐在军事、环境、农业等方面发挥出重要作用。但是,由于传感器空间分辨率的限制以及地物分布的复杂多样性,高光谱遥感图像中通常存在大量的混合像元,严重制约了高光谱遥感的应用范围。目前,处理混合像元问题最有效的分析方法是混合像元分解（解混）。近年来,深度学习的发展对高光谱遥感产生了重大影响,也催生出一系列基于深度学习的解混方法。现有基于深度学习的解混方法在隐藏信息挖掘方面表现出极大的潜力和优势,通常情况下能够取得更加准确的结果。然而,这些方法大多只考虑了地物的光谱信息而忽略空间分布规律,导致在复杂场景中估算结果可能并不理想,逐渐难以满足工程应用的实际需求。为进一步发掘和利用空间信息提升解混的准确性,本文构建了一种新的深度学习网络来实现高光谱图像解混。新提出的解混网络采用卷积层来获取先验信息,利用高斯核函数的特性来协助区分物质属性,并且通过分配中心像元与邻域像元间的权重来增进丰度平滑性。在新网络中,本文使用Softmax 作为丰度对应层的激活函数来约束丰度的输出。此外,在Softmax中,本文采用了L_1/2 正则化来避免节点出现过拟合而影响最终结果,进一步强化了网络性能,最终形成了一种双约束强化的深度卷积自编码网络来实现无监督的解混。为了验证新方法的有效性和优势,本文将新提出的方法与同类解混方法应用在一系列高光谱数据（包括模拟图像和真实图像）中进行测试,均达到了预期效果。本文的研究成果能够为处理混合像元问题提供了新的技术支撑和理论参考。     

基于分块PCA与端元提取的壁画线条增强研究

线状特征是壁画中的重要元素。然而受到自然及人为因素的影响,壁画的部分线条常常变得模糊,人眼难以辨别。因此,提出一种利用高光谱影像分块主成分分析(PCA)与端元提取相结合的线状特征增强方法。首先,利用支持向量机(SVM)对壁画的合成真彩色影像进行分类,根据分类结果得到壁画标签数据,实现高光谱影像同质区域的分块数据。其次,对各分块影像进行顶点成分分析(VCA)得到候选端元集,通过构造投影矩阵合并相似端元确定最终端元集。然后,利用非负最小二乘算法解混得到线条丰度图。最后,将分块PCA的第一主成分影像归一化后与线条丰度图进行波段加权平均获取线状特征增强影像,将其与合成真彩色影像进行HSV图像融合得到线状特征融合影像。以瞿昙寺壁画局部高光谱影像为例进行了验证,结果表明,该算法能增强壁画中的线状特征,且较PCA增强法效果更好。     

基于L_1稀疏解混的水体变化检测

稀疏表示利用高光谱丰度矩阵的稀疏特性来获取更有价值的信息,使得稀疏正则化后的高光谱数据更加精确。以景德镇玉田湖水库为研究对象,通过Landsat8卫星获取的玉田湖水库不同时期的水体信息数据,利用了经典的L1稀疏解混的方法对卫星数据进行水域信息提取,然后对不同时期水域变化情况进行检测。检测结果验证算法有效性。     

基于拉格朗日的高光谱解混算法研究*

针对混合像元分解误差问题,提出一种基于拉格朗日算法的高光谱解混算法。通过变分增广拉格朗日算法提取出部分端元,由于端元组中存在相似端元影响解混精度,利用基于梯度的光谱信息散度算法进行光谱区分,除去相似端元。通过对得到的端元进行排序,依次增加端元进行光谱解混,将满足条件的端元增加进端元组,最终得到优选端元。该方法不仅有效去除了相似端元的干扰,而且不需要不断搜索端元的组合,根据每个端元对于混合像元的重要性做出相应次数的非限制性最小二乘法计算,得到更精确高光谱端元的子集,该方法对高光谱混合像元解混的效率以及可靠性均有所提高。     

基于端元子集优选的高光谱解混算法研究

针对采用最大体积单体MVS(Maximization Volume Simplex)端元提取算法进行端元初选时存在相似端元光谱问题,提出一种光谱信息散度SID(Spectral Information Divergence)和光谱梯度角SGA(Spectral Gradient Angle)相结合以区分两个相似端元光谱的方法。该方法对经过端元初选之后的端元子集进行端元的二次选择,采用以SID_SG作为最相似端元选择的判据,除去相似端元,降低相似端元对解混精度的影响,利用全约束最小二乘法进行丰度估计。实验结果表明,提出的优化方法与传统方法相比,提高了端元的选择精度,重构影像与原始影像之间的均方根误差RMSE(Root Mean Square Error)也有所降低,分布更加均匀。该方法对高光谱遥感影像进行深度解译具有十分重要的意义。     

重加权稀疏非负矩阵分解的高光谱解混

近年来基于非负矩阵分解(Nonnegative Matrix Factorization,NMF)的高光谱图像解混方法引起了大家的广泛关注.但是由于NMF问题的非凸性,该方法并不能保证解的唯一性,容易陷入局部极小.为了缩小NMF问题的解空间,提高解混精度,提出了一种新的丰度重加权稀疏NMF(ARSNMF)的解混方法.首...     

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.