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分析的关键。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。  

基于独立分量分析的高光谱遥感图像混合像元盲分解

传统的独立分量分析并不适用于高光谱遥感图像的混合像元解混, 因为图像中各端元的分布不是相互独立的.针对这一问题, 提出了一种有约束的独立分量分析方法, 来实现遥感图像混合像元的盲分解.通过在独立分量分析的目标函数中引入丰度非负约束与丰度和为一约束, 改变了传统的独立性假设.同时, 为了更好地适用于遥感数据分析, 还提出了一种自适应的丰度建模方法来描述数据的概率分布, 对各种不同的遥感数据进行建模.仿真数据和真实高光谱数据的实验结果表明, 作为一种无需光谱先验信息的算法, 具有更高的分解精度, 为高光谱遥感图像混合像元的盲分解提供了一种有效的解决手段.  

基于线性光谱混合模型的光谱解混改进模型

传统的基于线性光谱混合模型(LSMM)的解混方法采用迭代求解方式,复杂度较高,为此提出一种基于几何方式的模型求解方法。另一方面,LSMM采用固定谱形固定数量的光谱端元进行解混,影响了光谱解混精度,为此提出端元谱形的区域修正方法和端元子集的局域确定方法,从而建立基于柔性端元的新解混方式。实验表明了所提出的几何求解方法及柔性光谱端元方式的有效性。  

约束最小二乘的高光谱图像非线性解混

高光谱图像解混是高光谱数据分析的重要研究内容.在现有混合模型的基础上,提出一种新的高光谱图像非线性解混算法.通过在目标函数中引入丰度的非负及和为一约束以及非线性参数的有界约束,该算法将高光谱图像非线性解混问题转化为求解丰度矢量和非线性参数的约束非线性最小二乘问题,继而采用一种交替迭代优化算法求解该问题.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地克服了线性解混的不足,同时具有良好的抗噪声性能,可以作为一种解决高光谱遥感图像非线性解混的有效手段.  

基于分层的多端元光谱解混算法

高光谱图像中,单一端元光谱很难准确刻画一个类别,导致解混结果不准确。针对经典多端元光谱解混(MESMA)算法存在计算量大、端元预选繁琐等缺点,提出基于分层的MESMA(HMESMA)算法,第1层确定像元包含地物类别,第2层在第1层的基础上再分层确定像元包含最优端元个数。采用模拟数据和真实高光谱数据进行实验,证明了本文算法比固定端元解混效果好,平均丰度误差最高降低了2.65%,与经典的MESMA算法精度相当,但大大降低了计算量,提高了计算效率。  

基于布谷鸟搜索算法的高光谱图像解混算法

将独立成分分析(ICA)算法用于高光谱图像解混时 ,算法对丰度的独立性要求与实际地物分布相矛盾；同时, 采用梯度算法对解混目标函数进行优化时,易收敛到局部极值点。针对上述问题,提出在非 负ICA(NICA)模型的目标函数中引入丰度和为一约束(ASC),确保解混出的丰度与实际地物分 布一致；同时,采用布谷鸟搜 索(CS)算法,利用其优异的全局搜索性能对提出的目标函数进行优化求解。为减少参数维数 并缩小CS算法的搜索范围,利用矩阵QR分解理论,将对解混矩阵的搜索转化为对一系列Give s矩阵的识别。仿真 数据和真实高光谱图像数据实验结果表明,提出的算法能有效地克服上述问题,在噪声为30dB、像元纯度为0.8时,解混指标光谱角距离(SAD)和 均方根误差(RMSE)达到了0.03以下,达到良好解混效果。  

基于背景残差数据的高光谱图像异常检测算法

针对高光谱图像微小目标检测中存在的严重背景干扰问题,提出了一种基于背景残差数据的非线性异常检测算法.首先利用提取的背景光谱端元对图像各像元进行光谱解混,实现了目标信息和复杂背景信息的分离;接着将含有丰富目标信息的解混残差数据非线性映射到高维特征空间,可以充分挖掘高光谱图像波段间隐含的非线性信息,并在特征空间利用RX算子完成目标的检测,从而在抑制大概率背景信息的基础上有效地利用了高光谱图像波段间的非线性统计特性.为了验证算法的有效性,利用真实的AVIRIS数据进行了实验研究,并与经典RX算法、未抑制背景的特征空间核RX算法的检测结果相比较,结果表明基于背景残差数据的检测算法具有良好的检测性能和较低的虚警,且运算复杂度较低.  

利用背景残差数据检测高光谱图像异常

针对高光谱图像微小目标检测中存在的严重背景干扰问题,提出了一种基于背景残差数据的非线性异常检测算法.首先利用提取的背景光谱端元对图像各像元进行光谱解混,实现了目标信息和复杂背景信息的分离;接着将含有丰富目标信息的解混残差数据非线性映射到高维特征空间,可以充分挖掘高光谱图像波段间隐含的非线性信息,并在特征空间利用RX算子完成目标的检测,从而在抑制大概率背景信息的基础上有效地利用了高光谱图像波段间的非线性统计特性.为了验证算法的有效性,利用真实的AVIRIS数据进行了实验研究,并与经典RX算法、未抑制背景的特征空间核RX算法的检测结果相比较,结果表明基于背景残差数据的检测算法具有良好的检测性能和较低的虚警,且运算复杂度较低.  

从端元选择到光谱解混的距离测算方法

提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法，该方法无需降维预处理，且采用低复杂度的距离尺度代替复杂的体积尺度；证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性，并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明，基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.  

基于高光谱的目标探测方法分析

开展了基于高光谱成像的目标探测方法研究,提出了目标与背景最佳分离变换、最小噪声分离变换、目标解混探测等方法用于目标探测,并结合高光谱成像遥感试验,对上述方法进行了试验验证,成功实现了从自然背景中分离目标的目的.