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。     

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。     

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。     

一种用于线性光谱解混算法验证的模拟数据生成方法

线性光谱解混已成为一种通用的光谱解混方法并已发展出大量算法,对这些算法进行客观评价,是该算法得到推广应用的重要基础。由于实测数据获取困难且花费很大,大多数研究中广泛采用模拟数据进行算法验证。针对目前常用的基于Dirichlet分布的模拟方法在实际应用中遇到的问题,结合实验分析了Dirichlet分布的参数设置对模拟结果的影响,进一步结合高光谱数据在其特征空间中的单形体几何特征,探讨了实际应用中参数取值受到的限制,并通过分析Dirichlet分布概率密度函数值的空间分布特征,提出参数的合适取值范围为(0,1.5)。     

单形体体积最小化的差分进化光谱解混算法

目的 光谱解混是高光谱遥感图像处理的核心技术。当图像不满足纯像元假设条件时,传统算法难以适用,基于(单形体)体积最小化方法提供了一种有效的解决途径。然而这是一个复杂的约束最优化问题,更由于图像噪声等不确定性因素的存在,导致算法容易陷入局部解。方法 引入一种群智能优化技术-差分进化算法(DE),借助其较强的全局搜索能力以及优越的处理高维度问题的能力,并通过对问题编码,提出了一种体积最小化的差分进化(VolMin-DE)光谱解混算法。结果 模拟数据和真实数据实验的结果表明,与现有算法相比,该算法在15端元时精度(光谱角距离)可提高7.8%,当端元数目少于15个时,其精度普遍可以提高15%以上,特别是10端元时精度可以提高41.3%;在20~50 dB的噪声范围内,精度变化在1.9~3.2(单位:角度)之间,传统算法在2.2~3.5之间,表明该算法具有相对较好的噪声鲁棒性。结论 本文算法适用于具有纯像元以及不存在纯像元(建议最大纯度不低于0.8)这两种情况的高光谱遥感图像,并可在原始光谱维度进行光谱解混,从而避免降维所带来的累计误差,因此具有更好的适应范围和应用前景。     

基于离散粒子群算法的凸多模态高光谱图像端元提取研究

为了提高以凸几何模型为基础的标准线性解混模型的计算精度,利用离散粒子群算法((Discrete Particle Swarm Optimization,D-PSO)来求解分段凸多模态高光谱图像端元提取。D-PSO为智能随机搜索算法,适合求解非凸函数的全局最优解,减少由凸分段数不确定性引起的解混误差。选取了16个地物作为端元,利用D-PSO方法求得其解混丰度反演结果,实验结果表明:端元位置与地面真值图上的端元位置互相匹配,D-PSO方法能够更有效地检测出高光谱图像中的目标,是一种行之有效的解混方法。     

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。     

基于稀疏和正交约束非负矩阵分解的高光谱解混

针对基于非负矩阵分解（NMF）的高光谱解混存在的容易陷入局部极小值和受初始值影响较大的问题，提出一种稀疏和正交约束相结合的NMF的线性解混算法SONMF。首先，从传统的基于NMF的高光谱线性解混方法出发，分析高光谱数据本身的理化特性；然后，结合丰度的稀疏性和端元的独立性两个方面，将稀疏非负矩阵分解（SNMF）和正交非负矩阵分解（ONMF）两种方法结合应用到高光谱解混当中。模拟数据和真实数据实验表明，相比顶点成分分析法（VCA）、SNMF和ONMF这三种参考解混算法，所提算法提高了线性解混的性能；其中，评价指标光谱角距离（SAD）降低了0.012~0.145。SONMF能够结合两种约束条件的优势，弥补传统基于NMF线性解混方法对高光谱数据表达的不足，取得较好的效果。     

一种自适应鲁棒最小体积高光谱解混算法

对高光谱图像解混的目的在于从低空间分辨率的高光谱图像中找到端元与对应的丰度.本文根据解混算法中的最小体积准则,提出了一种自适应鲁棒最小体积高光谱解混算法（Robust minimum volume based algorithm with automatically estimating regularization parameters for hyperspectral unmixing,RMVHU）.本算法通过引入负数惩罚正则项,替换了同类算法中的丰度非负性约束（Non-negativity constraint,ANC）,使算法对图像中的噪声与异常值具有更强的鲁棒性;采用循环最小化方法,将非凸优化问题分解为凸优化子问题,然后应用交替方向乘子法解决随着像素点个数增大带来的求解困难问题;对于正则项系数,本算法提出了一种自适应调整策略,提高了算法的收敛性,并且通过定性分析,说明了该调整方法的合理性.将算法应用于合成数据与实际数据,实验结果表明,与同类算法相比,本文提出的算法能够取得更为优秀的效果.     

Unmixing-based content retrieval system for remotely sensed hyperspectral imagery on GPUs

This paper presents a new unmixing-based retrieval system for remotely sensed hyperspectral imagery. The need for this kind of system is justified by the exponential growth in the volume and number of remotely sensed data sets from the surface of the Earth. This is particularly the case for hyperspectral images, which comprise hundreds of spectral bands at different (almost contiguous) wavelength channels. To deal with the high computational cost of extracting the spectral information needed to catalog new hyperspectral images in our system, we resort to efficient implementations of spectral unmixing algorithms on commodity graphics processing units (GPUs). Spectral unmixing is a very popular approach for interpreting hyperspectral data with sub-pixel precision. This paper particularly focuses on the design of the proposed framework as a web service, as well as on the efficient implementation of the system on GPUs. In addition, we present a comparison of spectral unmixing algorithms available in the system on both CPU and GPU architectures.     

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。     

Comparative study between a new nonlinear model and common linear model for analysing laboratory simulated‐forest hyperspectral data

The spectral unmixing of mixed pixels is a key factor in remote sensing images, especially for hyperspectral imagery. A commonly used approach to spectral unmixing has been linear unmixing. However, the question of whether linear or nonlinear processes dominate spectral signatures of mixed pixels is still an unresolved matter. In this study, we put forward a new nonlinear model for inferring end‐member fractions within hyperspectral scenes. This study focuses on comparing the nonlinear model with a linear model. A detail comparative analysis of the fractions ‘sunlit crown’, ‘sunlit background’ and ‘shadow’ between the two methods was carried out through visualization, and comparing with supervised classification using a database of laboratory simulated‐forest scenes. Our results show that the nonlinear model of spectral unmixing outperforms the linear model, especially in the scenes with translucent crown on a white background. A nonlinear mixture model is needed to account for the multiple scattering between tree crowns and background.     

结合空间光谱预处理和约束非负矩阵分解的高光谱图像混合像元分解

目的 混合像元问题在高光谱遥感图像处理分析中普遍存在,非负矩阵分解的方法被引入到高光谱图像解混中。本文提出结合空间光谱预处理和约束非负矩阵分解的混合像元分解流程。方法 结合空间光谱预处理的约束非负矩阵分解,如最小体积约束、流行约束等,通过加入邻域的空间和光谱信息进行预处理获得更优的预选端元,从而对非负矩阵分解的解混结果进行优化。结果 在5组不同信噪比的模拟数据实验中,空间预处理（SPP）和空间光谱预处理（SSPP）均能够有效提高约束非负矩阵分解（最小体积约束的非负矩阵分解和图正则非负矩阵分解）的解混结果,其中SPP在不同信噪比的情况下都能优化约束非负矩阵分解的结果,而SSPP在低信噪比的情况下,预处理效果更佳。利用美国内华达州Cuprite矿区数据进行真实数据实验,SPP提高了约束非负矩阵分解的解混精度,而SSPP在复杂场景下,解混精度更佳。模拟数据和真实数据的实验均表明,空间光谱预处理能够有效地提高约束非负矩阵分解的解混精度,特别是对于信噪比较低的情况下,融合空间和光谱信息对噪声有很好的鲁棒性。结论 本文对约束非负矩阵分解的解混算法添加空间光谱预处理,利用高光谱遥感数据的空间和光谱信息,优化预选端元,加入空间光谱预处理的非负矩阵解混实验流程,在复杂场景情况下,对噪声具有较好的鲁棒性。     

A survey of methods incorporating spatial information in image classification and spectral unmixing

Over the past decade, the incorporation of spatial information has drawn increasing attention in multispectral and hyperspectral data analysis. In particular, the property of spatial autocorrelation among pixels has shown great potential for improving understanding of remotely sensed imagery. In this paper, we provide a comprehensive review of the state-of-the-art techniques in incorporating spatial information in image classification and spectral unmixing. For image classification, spatial information is accounted for in the stages of pre-classification, sample selection, classifiers, post-classification, and accuracy assessment. With regards to spectral unmixing, spatial information is discussed in the context of endmember extraction, selection of endmember combinations, and abundance estimation. Finally, a perspective on future research directions for advancing spatial-spectral methods is offered.     

Abundance estimation of crossover double particle swarms optimization for hyperspectral remote sensing imagery

ABSTRACT

Hyperspectral unmixing (HU) is an important technique for extracting materials and their abundance in hyperspectral remote sensing imagery. The presence of nonlinear mixing of light on the ground poses a difficult problem when estimating abundance fractions of all pixels. This problem makes the foundation of algorithms that can adapt all types of nonlinear mixing on the ground more complex and challenged. In this paper, a new bionic intelligent algorithm named crossover double particle swarms optimization (CDPSO) has been presented to estimate abundance for hyperspectral remote sensing imagery. The reconstruction error is used as the objective function for HU based on multilinear mixing model, and the nonlinear unmixing is transformed into an optimization problem. By improving the optimization performance of PSO for HU, we embed two types of new strategies, including double particle swarms crossover and swarm re-initialization, respectively. Our experiments, conducted using both synthetic and real hyperspectral data, demonstrate that the proposed CDPSO algorithm can outperform other state-of-the-art unmixing methods.     

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。