高光谱解混方法研究

高光谱图像的空间分辨率较低,导致大量混合像元存在于高光谱图像中。混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一。高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义。高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混。归纳了线性光谱解混的两个步骤:（1）提取纯净像元中地物的光谱信号,即提取端元,这是关键步骤;（2）利用端元的加权线性组合对混合像元进行光谱解混,即丰度反演。简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法。通过归纳、对比和分析,总结了不同端元提取方法的特点,并对高光谱解混的研究前景进行了展望。     

基于等距映射和空间信息的光谱解混算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合。传统的光谱解混算法是以线性光谱混合模型为基础,因此解混精度不高。本文在光谱非线性混合模型的基础上,提出一种将等距映射与空间信息结合的非线性光谱解混算法。该算法通过等距映射算法将原始高光谱数据非线性降维到低维空间,并结合空间信息实现端元提取。得到的端元采用全约束的最小二乘法计算相应丰度。真实高光谱遥感数据实验结果表明,采用该算法得到的结果优于N-FINDR算法和基于测地线距离的最大单形体体积(GSVM)算法。     

基于端元优化的非线性高光谱分解算法

针对高光谱图像中端元的可变性和光谱的非线性混合特性,提出一种基于端元优化的非线性光谱解混算法,通过加入阴影端元对混合像元的端元集进行优化,对优化的端元子集采用基于分层贝叶斯模型的双线性光谱分解算法进行光谱分解。模拟数据和真实数据实验表明,提出的算法能很好地解决高光谱图像中存在的阴影效应,分解效果优于FCLS和GBM算法。     

线性高光谱解混模型综述

高光谱遥感技术具有强大的地物探测能力.然而,其空间分辨率低的特点导致光谱图像中存在大量的混合像元,该现象阻碍了高光谱技术的应用和发展.针对米级以下的高光谱图像,线性混合模型能够很好地为混合像元建模.由于其物理上的可释性以及数学上的可操作性,作为光谱解混基础的线性混合模型受到了广泛关注,为高光谱图像的混合像元解混问题提供了重要的解决思路.然而,由于观测噪声、环境条件、端元变异性和数据集大小等情况的存在,线性解混依然是一个具有挑战性的不适定的逆问题.通过整理近五年的文献资料,分别从非负矩阵分解、原型分析、贝叶斯方法以及稀疏解混四个方面介绍线性解混数学模型的发展现状以及面临的问题.     

基于光谱相似度量的高光谱图像多任务联合稀疏光谱解混方法

基于图像中存在的邻域以及非局部相似等图像空间特征和联合稀疏解混思想,该文提出一种基于高光谱图像光谱相似性度量的多任务联合稀疏解混方法。通过高光谱图像的光谱特性统计值设定光谱度量阈值,对高光谱图像中相似的像元光谱进行光谱相似性度量分组,再对分组像元光谱数据进行多任务联合稀疏光谱解混模型的构建和求解,得到最终的丰度系数。模拟数据实验结果表明,该方法一定程度上提升了现有联合稀疏光谱解混方法的丰度估计精度,真实数据结果也验证了方法的有效性。     

L1稀疏正则化的高光谱混合像元分解算法比较

基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点.主要研究了L1正则化的高光谱混合像元分解算法.首先分析了L1正则化的三种解混模型,即无约束、非负约束和全约束模型;然后给出了三种模型对应的数值求解算法;最后,采用模拟的和真实的高光谱数据进行实验,比较了三种高光谱混合像元分解算法的效果.实验结果表明:三种模型均具有很好的高光谱混合像元分解精度(SRE),其中全约束模型最好,非负约束模型次之,无约束模型最差;全约束模型在信噪比低和端元数多的情况下,仍然获得较高的SRE.     

基于像元混合模型估计的高光谱图像解混

在高光谱图像中,线性混合像元和非线性混合像元同时存在,若采用基于单一混合模型的解混算法,会使解混精度降低。因此,提出采用神经网络对高光谱图像中的像元混合模型进行估计,然后针对不同的混合模型进行相应的像元解混。像元解混时,在目标函数中添加丰度非负和丰度和为一约束项,利用差分搜索算法优化求解目标函数以实现高光谱图像的解混。仿真和实际高光谱数据实验表明,本算法提高了解混精度,适用于线性和非线性混合模型。     

光谱加权协同稀疏和全变差正则化高光谱图像解混

针对传统稀疏解混方法对丰度的稀疏性表征不充分及空间信息利用率低等问题,本文在分析迭代加权稀疏解混方法的基础上,提出了一种基于光谱加权协同稀疏和全变差正则化的高光谱解混方法.该方法一方面在协同稀疏解混的基础上引入光谱加权因子进一步刻画丰度系数的行稀疏性,以促进所有像元之间的联合稀疏性;另一方面引入各向异性全变差空间正则化促进图像同质区域的平滑性,以提高解混的准确性.通过交替方向乘子法求解该模型,通过迭代,利用内外部双循环迭代方法对光谱加权因子和丰度系数进行优化.模拟和真实的高光谱数据实验结果均表明本文提出的算法与现有同类算法相比能大幅提高混合像元分解的精度,在稀疏解混方面展现出了巨大的潜力.     

基于端元字典稀疏解混的高光谱图像亚像元定位

针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。     

基于双线性混合模型的高光谱图像非线性光谱解混

高光谱遥感图像的非线性光谱解混能弥补线性方法难以解释复杂场景中非线性混合效应的不足, 而双线性混合模型及算法是其研究的热点.提出了一种基于双线性混合模型几何特性的光谱解混算法.通过将模型中的非线性混合项表示为一个融合了共同非线性效应的额外端点的线性贡献, 使复杂的双线性混合模型求解转化为简单的线性解混问题.然后结合传统的线性解混算法直接迭代估计正确的丰度.模拟和真实遥感图像数据的实验结果表明, 与其它相关解混方法相比, 该算法能较好地克服共线性效应以及拟合优化过多参数对双线性混合模型求解造成的不利影响, 同时提高了解混的精度和速度.     

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光谱解混的关键.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.     

Spectral unmixing

Spectral unmixing using hyperspectral data represents a significant step in the evolution of remote decompositional analysis that began with multispectral sensing. It is a consequence of collecting data in greater and greater quantities and the desire to extract more detailed information about the material composition of surfaces. Linear mixing is the key assumption that has permitted well-known algorithms to be adapted to the unmixing problem. In fact, the resemblance of the linear mixing model to system models in other areas has permitted a significant legacy of algorithms from a wide range of applications to be adapted to unmixing. However, it is still unclear whether the assumption of linearity is sufficient to model the mixing process in every application of interest. It is clear, however, that the applicability of models and techniques is highly dependent on the variety of circumstances and factors that give rise to mixed pixels. The outputs of spectral unmixing, endmember, and abundance estimates are important for identifying the material composition of mixtures     

高光谱遥感图像非线性解混研究综述

介绍了近年来非线性光谱解混方法的发展状况,主要包括矿物沙地地区的紧密混合模型和植被覆盖区域的多层次混合模型,以及基于这些模型的非线性解混算法和利用核函数、流形学习等方法的数据驱动非线性光谱解混算法及非线性探测算法.最后分析总结了现有非线性解混模型与算法的优势与缺陷及未来的研究趋势.     

基于回溯优化的非线性高光谱图像解混

为了进一步提升高光谱图像的解混精度,提出一种基于回溯优化的高光谱图像后非线性解混算法。在后非线性混合模型的基础上,以观测图像与重构图像之间的重构误差为目标函数,使用回溯搜索算法在解空间搜索使目标函数取得极小值的最优解。在搜索过程中,利用回溯搜索算法的边界控制机制有效保证了高光谱图像解混过程中的约束条件,进而有效实现了对解混丰度值和非线性参数的精确估计。针对合成高光谱图像和真实高光谱遥感图像的解混实验表明,文中算法具有优异的解混性能,所达到的解混精度显著优于现有非线性高光谱图像解混算法。     

高光谱图像压缩技术研究进展

高光谱遥感已经成为遥感领域的前沿科技,在军事侦察以及国民经济中发挥着重要作用。高光谱遥感的光谱通道数达到上百个,光谱分辨率的不断提高使得高光谱图像的数据量急剧膨胀。对于星载成像光谱仪获取的高光谱图像,庞大的数据量已经给数据的存储与传输带来巨大压力,严重制约着高光谱图像的后续应用,因此,必须利用有效的压缩技术对高光谱图像进行压缩。高光谱图像压缩技术可分为无损压缩与有损压缩,在实际应用中,需要根据具体的应用需求选取不同的压缩方式。本文首先对高光谱遥感的基本概念进行了简介,然后从无损压缩与有损压缩两个方面对高光谱图像压缩技术的研究进展进行了综述,最后,指出了高光谱图像压缩技术的发展方向。      

高光谱遥感考古探索研究

高光谱遥感与以往遥感技术相比,具有图谱合一的特征和从可见光到热红外的一系列波段,是一种综合性的遥感技术手段.文物遗存在地面的信息一般比较微弱,高光谱遥感具有识别微弱信息和定量探测的优势,但高光谱遥感目前在考古中却未得到有效的应用.本文以秦始皇陵区为研究区,较系统地阐述了高光谱遥感在考古中的创新应用研究,以及所取得的考古成果.表明高光谱遥感技术在考古中的应用有广阔的前景.     

双约束深度卷积网络的高光谱图像空谱解混方法

高光谱图像凭借其“图谱合一”的特点逐渐在军事、环境、农业等方面发挥出重要作用。但是，由于传感器空间分辨率的限制以及地物分布的复杂多样性，高光谱遥感图像中通常存在大量的混合像元，严重制约了高光谱遥感的应用范围。目前，处理混合像元问题最有效的分析方法是混合像元分解（解混）。近年来，深度学习的发展对高光谱遥感产生了重大影响，也催生出一系列基于深度学习的解混方法。现有基于深度学习的解混方法在隐藏信息挖掘方面表现出极大的潜力和优势，通常情况下能够取得更加准确的结果。然而，这些方法大多只考虑了地物的光谱信息而忽略空间分布规律，导致在复杂场景中估算结果可能并不理想，逐渐难以满足工程应用的实际需求。为进一步发掘和利用空间信息提升解混的准确性，本文构建了一种新的深度学习网络来实现高光谱图像解混。新提出的解混网络采用卷积层来获取先验信息，利用高斯核函数的特性来协助区分物质属性，并且通过分配中心像元与邻域像元间的权重来增进丰度平滑性。在新网络中，本文使用Softmax作为丰度对应层的激活函数来约束丰度的输出。此外，在Softmax中，本文采用了L1/2正则化来避免节点出现过拟合而影响最终结果，进一步强化了网...     

AOTF成像光谱仪及其在青藏高原多尺度遥感中的试验应用

简要阐述了AOTF的光学滤波机理和AOTF成像光谱仪的系统架构,研制了一套基于AOTF的地面成像光谱试验系统,将其应用于青藏高原多尺度遥感试验,针对高原植被试验区获取了不同尺度的成像光谱数据,为多尺度遥感试验提供了更为丰富的地面支持及比对数据。通过对数据的处理分析,证明了该技术在工程上的可行性,并为遥感图像混合像元分解等问题提供了新的解决方案。