MapReduce模式下高光谱图像端元提取算法加速

目的 随着成像光谱仪的发展,高光谱遥感图像的空间分辨率和光谱分辨率越来越大,这给高光谱遥感图像解译处理及应用带来挑战。本文提出一种基于MapReduce模式的分布式混合并行处理模型来加速高光谱解混处理。方法 为降低算法计算复杂度,对原串行算法进行并行化设计,并采用行列式分块计算法对原算法进行化简计算;最后在分布式集群环境下,采用Jama和JCuda组件来加速算法执行过程中的矩阵运算操作。结果 针对224波段,400×400像素空间分辨率的高光谱图像,采用分布式混合计算模型进行解混处理比原始的处理方法在速度上有近十倍的提高,且算法计算量越大,加速效果越明显。结论 本文提出了一种基于MapReduce模式的分布式混合并行处理方法来加速最大单形体体积端元提取算法,加速效果明显;采用分块法求解行列式可以大大降低算法复杂度。该方法对计算任务可并行划分、主机与节点间数据交换量少且计算复杂类算法加速效果明显。     

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。     

粒子群空间优化的端元提取算法

粒子群优化算法（Particle Swarm Optimization,PSO）应用于高光谱影像端元提取时,由于影像中存在端元的像元数所占比例极小且分布零散,导致粒子群的搜索空间破碎,存在收敛性能低、容易陷入局部最优解等缺陷。对粒子群的搜索空间进行优化,选择影像中纯净像元指数（Pixel Purity Index,PPI）较大的像元作为预选像元,然后对预选像元进行光谱聚类排序,将排序后的集合作为粒子群的搜索空间,优化了粒子的搜索空间。并在迭代过程中,充分利用粒子群的信息自适应地调整其系数,在缩小原始图像与反演图像的误差同时,增加体积约束,在提取端元时更好地保持其原有的形状。通过模拟数据和AVIRIS影像的实验表明该算法具有较好端元提取效果。     

基于线性混合模型的高光谱图像端元提取

近年来,基于线性混合模型的光谱解混合技术正在越来越广泛地用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元(Endmember)光谱。通常,端元的荻取有两种方式：来源于光谱库以及来源于图像数据,相比之下后者得到的结果更能体现真实的地面信息。为此,从线性混合模型的特点出发,归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,并总结了评估算法结果的依据,最后介绍了端元提取技术的发展趋势。     

高光谱影像端元提取算法的进展分析与比较

对当前国际经典和前沿的6种代表性的端元提取算法进行比较研究,包括SPP-N-FINDR、VCA、SPICE、PCOMMEND、MVSA和MVC-NMF,通过理论和实验两种方式对这些算法进行综合性对比和分析,总结其优势和存在的问题。通过模拟和真实数据实验得出:SPP-N-FINDR算法的抗噪声能力不如其他5种算法;VCA和MVSA的稳定性较好;MVC-NMF和SPICE无需知道端元数目,且能直接得出丰度矩阵,自动化程度较高;PCOMMEND在真实高光谱图像中提取端元的结果最好,能直接得出丰度矩阵,但若端元数量为素数时精度会下降。研究成果将为今后围绕这些算法的相关研究提供必要的理论支持和参考。     

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。     

基于蛙跳算法的离散粒子群优化端元提取

目的 针对离散粒子群优化(D-PSO)端元提取算法易“早熟”,易陷入局部最优解等问题,引入蛙跳算法,提出了基于蛙跳算法的离散粒子群优化(SFLA-DPSO)端元提取算法.方法 该算法把粒子群分成若干族群,先在每个族群内进行深度寻优,然后在族群间完成信息交流,实现了SFLA算法的全局性、并行性与D-PSO算法的快速收敛性相结合,进而避免粒子陷入局部最优解.分别用SFLA-DPSO、D-PSO和SMACC对云南普朗地区Hperion高光谱影像提取端元;同时,在Hperion和AVIRIS高光谱影像的可行解搜索空间内,分别用SFLA-DPSO、D-PSO和N-FINDR提取端元,借助统计学理论分析计算两种算法在不同迭代次数下达到全局收敛的概率.结果 当达到一定迭代次数后,SFLA-DPSO出现全局收敛的概率基本达到100%,而D-PSO却仅在65%左右,因此SFLA-DPSO算法具有较高的可信度.结论 从而认为SFLA-DPSO克服局部收敛的能力更强,表现出良好的稳定性.     

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。     

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。     

基于异常探测的高光谱端元提取方法研究

端元提取是高光谱影像分析重要且具有挑战性的任务,是解决高光谱图像混合像元分解关键的步骤。现行的高光谱端元提取算法在端元提取过程中,异常像元同时加入到端元数组中,如何有效区分异常与端元,成为高光谱遥感端元提取的瓶颈,也是提高高光谱图像混合像元分解精度的关键因素。提出一种基于异常探测的高光谱端元提取方法,首先利用RX算法对原始影像进行异常探测,根据异常探测的结果剔除一定数量的像元,将剔除的像元用原始图像均值向量替代,再对影像进行正交子空间投影(OSP)提取端元。实验表明,该方法能够有效区分异常与端元,抑制异常像元参与端元提取,同时处理后的图像端元提取的结果受异常处理的影响很小,证明了去除异常信息后提取端元的可行性。     

基于RM S 误差分析的高光谱图像自动端元提取算法

提出了一种基于RM S ( root mean square) 误差分析的自动端元提取算法。对图像每做一次线性解混合, 就得到一幅以均方根RMS误差表示的残余误差图像, 从中选出误差较大的像素作为新的端元开始下一次解混合, 通过多次迭代, 直到得到了要求数目的端元。该算法克服了以往端元提取方法监督特性的局限, 减少了对先验信息的依赖, 同时保留了图像中的异常。利用仿真和实验数据验证了该算法的有效性。     

数据仓库的数据抽取技术研究

介绍了数据抽取的几种技术,包括静态数据的捕获、通过日志文件捕获、通过数据库触发器捕获、基于日期和时间标记的捕获、在 源应用程序中捕获、通过文件的比较捕获。阐述了各种技术的优缺点,以及在实际环境中对各种技术的选择。     

基于微机的三维数据场可视化系统的研制

可视化技术的飞带发展与广泛应用提出了基于微机的可视化系统的应用要求。该系统支持三维数据场的造型，绘制，剖面处理及管理，具有灵活方便的交互手段及上下文联机帮助功能。     

基于数据场改进的PAM聚类算法

PAM是基于κ-中心值聚类的一种算法,在处理数据集的聚类问题时,具有良好的准确性和伸缩性。但PAM算法在随机选取初始中心点时存在不足,而且在处理存在孤立点或哚声的数据时算法不是很健壮。本文针对这两点不足,使用了数据场的概念对PAM聚类算法进行了有益的改进,提高了算法的准确性和处理孤立点或噪声的能力,使其更适合于对数据集的处理,提高了挖掘结果的质量。     

凸体几何光谱解混研究进展及若干问题浅析

高光谱图像在高维特征空间中的凸体特性是凸体几何类光谱解混方法的理论依据,这类光谱解混方法具有直观性强、复杂度低、效率高等优点,是高光谱图像光谱解混方法研究的一个重要分支。本文旨在对国内外基于凸体几何理论的光谱解混方法进行回顾,指出这类方法研究中需要特别关注的若干问题,并着重对：①数据降维对凸体几何端元提取方法的影响,②两类经典的单形体体积衡量标准,③3个单形体体积计算公式及其关系3个问题进行简要分析,得到初步分析结果。