非监督正交子空间投影的高光谱混合像元自动分解

利用混合像元线性分解技术处理高光谱影像，以获取研究区域中同一像元的不同组份是遥感应用的主要目的之一。近年来，研究者们发展了一种正交子空间投影技术(0SP)，用来探测感兴趣目标，进一步可以用来分解混合像元，然而应用这种方法分解混合像元的缺陷是需要有研究区域的先验信息，这就制约了它在这方面的应用。为此针对这种不足，提出一种非监督的正交子空间投影(UOSP)技术，用来自动获取影像端元光谱，同时进行混合像元分解。并用成像光谱数据(PHI)实例测试了这个方法，结果表明该方法自动获取的端元比较合理，且分解混合像元精度较高。     

基于RBF神经网络的混合像元分解

介绍了高光谱遥感技术中混合像元的概念,可以通过分析高光谱遥感光谱曲线,来确定混合像元的地物组成类别和比例,实现混合像元分解的目的.阐述了基于RBF网络进行混合像元分解的方法,并采用模拟遥感数据进行了仿真实验,验证了这种方法的有效性.     

端元光谱变化与混合像元分解精度的关系研究

从误差传播理论的角度,分析了多选端元光谱、漏选端元光谱以及端元内部光谱变化等情况与混合像元分解精度之间的关系。然后用数值模拟的方式进一步研究了端元内部光谱与限定性混合像元分解精度的关系。研究结果表明:(1)端元光谱间差距越大,端元光谱内差距越小,则混合像元分解精度越高;(2)如果漏选了端元光谱会造成很大的模型误差,然而多选端元光谱却仍然是端元组分的无偏估计。数值模拟结果表明混合像元分解精度与端元类内变化的方差存在负相关的特点。最后就理论推导的结论,讨论了提高混合像元分解精度的可能方法。     

4种混合像元分解方法在沿海丘陵城市地表组分分析中的比较研究

近年来混合像元分解在城市地表组分监测与分析中的应用逐渐成为城市遥感的一个热点。目前多数研究选择内陆或沿海平原城市作为研究区,并在分解之前把水体作为干扰因素掩膜去除,以获得较好的分解结果,并符合V-I-S(Vegetation-Impervious Surface-Soil)概念模型。以沿海丘陵城市厦门为研究对象,使用4种方法对2007年1月8日TM影像进行混合像元分解,对分解结果的有效性进行了比较,并使用2006年12月25日SPOT5影像对分解结果的精度进行评估和比较。结果表明：在厦门这种沿海丘陵城市,去水的3端元方法会引起阴坡植被与不透水面之间的光谱混淆,而包含水体的4端元方法则能得到更好的分解结果,光谱归一化对于分解结果并没有太大的改善。下一步将通过更多的试验来获得适合沿海丘陵城市的最佳光谱混合像元分解方法。     

基于改进SAM的高光谱影像混合像元分解算法研究

将传统遥感图像分类方法中的光谱角度制图法(Spectral Angle Mapping-SAM)加以变换,改进为一种符合全约束条件下的高光谱遥感图像的混合像元分解模型.新算法在端元丰度比例满足全约束的条件下,通过逼近的方法寻找一种端元丰度的比例组合,使测试光谱与目标光谱的广义夹角最小,从而认为该比例组合就是混合像元分解...     

高光谱遥感图像的单形体分析方法

将n个波段的高光谱图像像元与n维空间里的散点联系起来，结合凸体几何中单形体概念研究高光谱遥感图像纯净像元提取方法，实现图像的地物精确分类识别及像元波谱分解。寻找高光谱遥感图像n维空间里的单形体并认知分析单形体是该研究方法的重要环节。通过MNF(minimum noise fraction)变换和PPI(pixel purity index)计算技术寻找到单形体，基于单形体进行像元分解分析单形体，并结合应用实例和SAM(spectral angle mapper)分类技术完成高光谱图像地物精确分类制图，验证了该研究方法的可操作性。该研究方法的优点在于不需要用户提供地物波谱信息，用于制图和波谱分解的终端单元可由图像本身得到，并由用户控制分类制图和波谱分解的详细程度。     

基于双图正则的半监督NMF混合像元解混算法

在高光谱图像中混合像元普遍存在,这极大地阻碍了高光谱遥感技术的发展进程,因此,在利用光谱图像的过程中,如何准确高效地进行混合像元解混是一个关键问题。对于高光谱图像混合像元分解,使用原始的非负矩阵分解(Nonnegative Matrix Factorization,NMF)算法面临一些困难:首先,其目标函数为非凸函数,难以求解得到全局最优解;其次,混合像元中并不存在纯像元。为了解决这些问题,文中提出一种新的算法——基于双图正则的半监督NMF(Dual graph-regularized Constrained Nonnegative Matrix Factorization,DCNMF)混合像元解混算法。该算法采用了梯度下降法和迭代更新法则,既考虑了高光谱数据流形与光谱特征流形的几何结构,又能跳出局部极值,从而求解得到全局最优解。通过真实的高光谱图像数据仿真实验表明,DCNMF算法能够准确高效地进行混合像元分解,改善了解混效果,提高了解混精度,节约了计算时间,加快了收敛速度。     

高光谱混合像元分解的稀疏优化算法

提出一种参数自适应估计的高光谱混合像元分解算法。为混合像元分解问题建立新的约束优化模型,该模型的目标函数由L2误差项和Lp正则项构成。利用交替优化方法将模型分解为若干子问题,采用邻近算子方法求解这些子问题。在交替迭代的求解过程中,根据每次迭代的结果自适应地选择模型参数。从理论角度分析了算法的收敛性,并通过实验验证了所提算法的有效性。实验结果还表明,与经典的高光谱混合像元分解算法相比,所建立的模型及提出的求解算法可获得更佳的混合像元分解效果。     

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。     

统计相关源信号分离模型与算法综述

统计相关源信号分离理论不仅有着广泛的应用背景, 也为深入了解数据的本质结构提供了有效的分析工具. 首先, 重点分析和讨论一类特殊的相关源信号分离模型—–独立子空间分析模型的可分离性; 其次, 分别介绍基于源信号稀疏性、统计测度、独立子空间分析、源信号时序结构、源信号有界性和非负性的各种相关源信号分离算法; 再次, 通过将加性噪声中的盲源分离和高光谱解混问题建模为统计相关源信号分离模型, 表明了该方法的应用价值; 最后, 总结了相关源信号分离中存在的问题, 并对下一步的研究思路进行了分析和展望.

     

基于差分搜索的高光谱图像解混算法

针对高光谱图像解混问题进行研究,发现高光谱图像中各个端元的分布不完全独立,不能将盲源分离方法直接应用于高光谱图像解混。为此,提出了一种基于差分搜索的高光谱图像解混算法。该算法根据高光谱图像丰度非负和丰度和为一特性构造相应的约束项,与互信息相结合作为目标函数,利用差分搜索算法对该目标函数进行优化求解来实现高光谱图像解混。仿真数据和实际数据实验表明,该算法能够有效解决高光谱图像解混问题,与已有其它算法相比,提高了图像解混的精度,并且针对不含纯像元的高光谱图像具有很好的解混效果。     

基于核独立成分分析的盲源信号分离

独立成分分析(ICA)已经广泛用于盲源信号的分离(BSS)。论文介绍了基于核空间的ICA的原理和基本算法,然后介绍了该算法与典型ICA和主成分分析(PCA)在盲源信号分离中的比较。实验表明在盲源信号分离中,基于核空间的ICA与其他典型ICA和PCA算法相比更具有准确性和鲁棒性。     

Adaptive vectorial lifting concept for convolutive blind source separation

This paper describes a new multi-resolution approach for the blind separation of convolutive image mixtures in transform domain. The proposed method uses an Adaptive Vectorial case of Quincunx Lifting Scheme (AVQLS), based on wavelet decomposition, and a geometric unmixing algorithm. It proceeds in three steps: first, the mixed images are decomposed by AVQLS. Then, the unmixing algorithm is applied to the more relevant component to get a transformed estimate of the original images. An inverse transform is, thereafter, applied to obtain an estimate of the original images. Experiments carried out on medical images showed that the proposed method yields better separation results than many widely used blind source separation algorithms.     

Independent Component Analysis for Time-dependent Processes Using AR Source Model

Independent component analysis is a fundamental and important task in unsupervised learning, that was studied mainly in the domain of Hebbian learning. In this paper, the temporal dependencies are explained by assuming that each source is an autoregressive (AR) process and innovations are independently and identically distributed (i.i.d). First, the likelihood of the model is derived, which takes into account both spatial and temporal information of the sources. Next, batch and on-line blind source separation algorithms are developed by maximizing likelihood function, and their local stability analysis are introduced simultaneously. Finally, computer simulations show that the algorithms achieve better separation of the mixed signals and mixed nature images which are difficult to be separated by the basic independent component analysis algorithms.     

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。     

一种基于FastICA的运动目标检测新方法

独立分量分析是一种新颖的自源分离技术，目前已经在语音识别、图像处理、通信系统和医学信号处理等领域得到了广泛的关注。简单介绍了独立分量分析的基本理论和算法，用快速独立分量分析(FastICA)方法进行运动目标检测的试验，试验结果表明这是一种鲁棒性较强的运动目标检测方法。     

MISEP method for postnonlinear blind source separation

In this letter, a standard postnonlinear blind source separation algorithm is proposed, based on the MISEP method, which is widely used in linear and nonlinear independent component analysis. To best suit a wide class of postnonlinear mixtures, we adapt the MISEP method to incorporate a priori information of the mixtures. In particular, a group of three-layered perceptrons and a linear network are used as the unmixing system to separate sources in the postnonlinear mixtures, and another group of three-layered perceptron is used as the auxiliary network. The learning algorithm for the unmixing system is then obtained by maximizing the output entropy of the auxiliary network. The proposed method is applied to postnonlinear blind source separation of both simulation signals and real speech signals, and the experimental results demonstrate its effectiveness and efficiency in comparison with existing methods.     

结合中值滤波技术的盲源分离算法

传统的独立分量分析算法多依赖于对峭度值的正确计算，然而峭度值的变化对随机大样本的干扰非常敏感，因此往往导致分离结果的不正确。针对于此文中提出了一种结合中值滤波技术的独立分量分析算法，实验表明，该算法能有效地克服随机大样本信号的干扰，并获得较好的盲源分离结果。     

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.