考虑端元差异性的协同稀疏高光谱解混算法

因现有的高光谱协同稀疏解混模型忽略了不同像元所包含端元的差异性,影响到丰度估计的准确性。该文提出一种先对具有相同端元的像元进行无监督聚类的预处理,然后对预处理后的不同类高光谱像元进行协同稀疏解混算法。在无监督聚类过程中,由于具有相同原子集合的像元之间的协同稀疏编码值最小,将重构误差与协同稀疏编码约束之和作为距离测度,从而有效保证了同类像元中具有相同端元;再利用基于ADMM的优化算法对每类像元分别进行协同稀疏解混。仿真和实际高光谱数据实验结果表明,该算法能有效地进行真实端元识别,从而提高了丰度估计的准确性。     

体积约束的稀疏NMF高光谱解混

为了解决单纯非负矩阵分解计算繁复,收敛速度慢的问题,本文提出了一种基于自然梯度下降的体积最小及丰度稀疏约束的非负矩阵分解方法。该方法在目标函数中加入体积最小和丰度稀疏约束,可以对混合图像进行较好地分解;采用自然梯度下降的方法进行迭代,加快了算法收敛速度。实验结果表明:该方法能有效克服最小体积约束非负矩阵分解法速度慢且不稀疏的缺陷,相对于解混效果(SAD)相近的方法提速100倍,相对于解混时间相近的算法,此方法的解混精度提高0. 02°;此方法尤其适用于像元较多的高光谱图像。     

基于光谱和空间特性的高光谱解混方法

为表征高光谱数据的光谱和空间特性,引入光谱的平滑性和地物空间分布的稀疏性约束,提出非负矩阵分解的改进算法,将其应用于高光谱解混.尺度可变的梯度下降算法保证了改进算法的收敛性.实验结果表明,改进后的非负矩阵分解算法能给出地物光谱,并精确估计其分布.     

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。     

改进的多端元高光谱解混算法

针对经典多端元光谱混合模型(MESMA)存在着计算量大,端元预选繁琐以及过拟合等缺点,提出了一种改进的多端元解混算法。该算法根据正交子空间投影具有分离感兴趣信号与不感兴趣信号的特点,将像元投影到全部地物端元(每类地物选择一条类内光谱)构成的正交子空间上,按照投影值确定构成混合像元每类地物的类内光谱,在下一步迭代求解的过程中,分离出已确定地物类内光谱的像元,降低计算量,然后根据重构误差变化量确定最优端元个数,避免过拟合。实验结果表明,改进的算法反演丰度误差和解混时间都比原有算法降低很多。     

非凸稀疏低秩约束的高光谱解混方法

针对高光谱混合像元的丰度矩阵具有行稀疏特性,提出一种非凸稀疏低秩约束的高光谱解混方法．首先,建立高光谱图像非凸稀疏低秩约束模型,将丰度系数矩阵的非凸p范数作为稀疏约束,并将丰度系数矩阵奇异值的非凸p范数作为低秩约束;其次,构建联合低秩性先验与稀疏性先验的非凸极小化模型,并提出求解的增广拉格朗日交替极小化算法,将复合正则化问题分解成多个单一正则化问题,交替迭代求解．实验仿真结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于信噪比较高的高光谱数据．     

稀疏正则化的非负矩阵分解高光谱解混算法比较与分析

非负矩阵分解(NMF)可以将一个非负的矩阵分解为左右两个非负矩阵的乘积,广泛应用于高光谱影像解混。介绍了非负矩阵分解和高光谱解混的基本原理,对稀疏正则化非负矩阵分解高光谱解混模型进行分析,重点分析了L_1稀疏、L_(1/2)稀疏、以及近似L_0正则化方法,并采用模拟数据和真实数据对各解混算法性能进行了比较和分析。     

子空间稀疏表示高光谱异常检测新算法

针对基于稀疏表示的高光谱异常目标检测新算法精度低的问题,提出了一种子空间稀疏表示的高光谱图像异常目标检测算法。该算法利用粒子群优化模糊C-均值聚类方法,在不改变高光谱图像光谱和空间特征的基础上,使得原始高光谱图像中具有相似特性的波段归为一类,从而将整个高光谱图像分为若干个波段子空间;利用光谱和空间协同加权稀疏差异指数公式对每一个子空间进行异常目标检测;对每个子空间的检测结果进行叠加,得到最终异常目标检测结果。利用真实的AVIRIS高光谱图像对算法进行仿真分析,结果表明该算法有较好的异常检测性能,检测精度高、虚警率低。     

改进鲸群优化子空间匹配追踪的稀疏解混算法

为了提升高光谱图像的稀疏解混精度,提出一种基于改进鲸群优化算法的子空间匹配追踪(improved whale optimized subspace matching pursuit,IWOSMP)的稀疏解混算法.对鲸群优化算法进行改进,通过引入非线性种群控制参数和进化策略,提高鲸群优化算法的收敛速度和收敛精度,基于子空间匹配追踪算法,以约束稀疏回归为目标函数,利用改进的鲸群优化算法对已知端元集求解丰度系数.以重构误差最小为标准,通过最大程度地去除系数较小的冗余端元,提高子空间匹配追踪算法的端元提取的精确度,进一步提高了高光谱图像的解混精度.合成图像实验和真实遥感图像实验表明,IWOSMP能有效去除大量的冗余端元,且解混精度更高.     

利用约束非负矩阵分解的高光谱解混算法

由于利用非负矩阵分解方法解决高光谱解混问题时,标准非负矩阵分解目标函数的非凸性影响了最优解的获取.通过对高光谱图像的端元光谱和空间分布特性的分析,提出了以最小估计丰度协方差和单形体各顶点到中心点均方距离总和最小约束的非负矩阵分解(MCMDNMF)算法,其采用投影梯度作为非负矩阵分解的迭代学习规则.MCMDNMF既利用了非负矩阵分解的优点又考虑了高光谱图像的特性,也不需要混合像元中必须有纯像元.仿真实验表明,MCMD-NMF算法能正确地解混出高光谱混合像元中含有的端元光谱,并精确估计出丰度分布.     

基于目标正交子空间投影加权的高光谱图像异常检测算法

在高光谱图像的异常目标检测问题中,针对原始数据源不能正确地表征背景数据的分布而造成虚警概率较高的现象,本文提出了一种基于目标正交子空间投影加权的KRX高光谱图像异常检测算法。该算法从背景协方差矩阵的估算角度入手,将每个像素投影到目标的正交子空间中,为每个像素自适应地赋予合适的权值,从而减小目标信息的存在对背景特性估计的影响。并用AVIRIS高光谱数据进行了仿真实验,取得了较好的检测效果。将该算法与其他算法进行了比较,结果表明,本文提出算法的检测性能明显地优于传统算法,降低了虚警概率,具有较好的检测效果。     

变化向量分析结合光谱解混的高光谱变化检测

针对多时相高光谱图像像素级的多类变化检测问题,提出变化向量分析和光谱解混相结合的多类变化检测方法.基于光谱变化向量分析,利用最大期望(EM)算法迭代求阈值,实现变化区域检测.对多时相高光谱图像分别提取端元,求解2个图像中变化区域像元的丰度.以相关系数为相似性判断准则,根据图像分类精细程度自适应确定阈值,实现多时相高光谱图像各端元对应类别的匹配和确定.对变化向量分析方法检测出的变化区域求丰度,根据丰度最大确定各像元类别.通过逐像元类别比较,判断类别变化信息.仿真数据和真实多时相高光谱图像的变化检测实验结果表明,与直接光谱解混分类后变化检测方法相比,采用提出的方法能够明显提高高光谱图像多类变化检测的精度,运行效率提高1倍以上.     

光谱加权稀疏非负矩阵分解高光谱图像解混

非负矩阵分解(NMF)作为一种盲源分离的方法,在高光谱图像解混方面已得到广泛应用。然而由于NMF的目标函数具有非凸性,使得其极易陷入局部最小值,为了提高解混精度,通常会根据具体的问题加入一定的约束条件。受丰度矩阵体现出的稀疏性启发,基于稀疏约束的非负矩阵分解高光谱解混算法得到迅猛发展。然而目前该类方法存在对丰度系数稀疏性先验表征不充分导致算法稳定性差的问题。针对该问题,提出了一种基于光谱加权稀疏非负矩阵分解高光谱解混方法,该方法在非负矩阵分解解混模型中引入光谱加权因子刻画丰度系数的稀疏性,以促进所有像元之间的联合稀疏性。通过采用乘性迭代规则法求解该模型。模拟和真实的高光谱数据实验结果均表明本文提出的方法与现有同类算法相比在端元提取精度和丰度估计精度上都更为准确。     

利用独立性约束非负矩阵分解的高光谱解混算法

为了克服经典非负矩阵分解目标函数的非凸性引起的局部极小值的影响,获得高光谱混合像元分解的最优解,引入端元光谱数学期望的四阶累积量和负熵的约束,提出一种端元独立性约束条件下的非负矩阵分解的高光谱混合像元分解算法(I-NMF)。非负矩阵分解采用投影梯度迭代方法。I-NMF算法既利用了非负矩阵分解的优点,又考虑了端元光谱的独立性,并且适用于无纯像元的混合像元分解。模拟和实际数据实验表明,I-NMF算法能够精确地进行混合像元分解,且抗噪声能力较好。     

基于协同表示的高光谱和多光谱图像融合算法

为了增强高光谱图像的空间分辨率,该文提出一种基于传统Pan-sharpening技术的高光谱和多光谱融合框架,该融合框架将高光谱和多光谱(HS-MS)图像融合问题简化为若干个多波段和单波段(MB-IB)图像融合问题。在此基础上,对于每个多波段和单波段图像融合的问题提出一种基于局部自适应(LA)字典和协同表示(CR)的图像融合(LACRF)算法,得到高空间分辨率的多波段(HRMB)图像,并最终获到了高空间分辨率的高光谱图像(HHS)。通过实验可知,LACRF算法具有良好的融合效果。     

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。