基于空间加权协同稀疏的高光谱解混算法研究

针对传统稀疏解混算法因空间信息利用不足带来的丰度图像空间分布连续性差的问题,本文提出了一种基于空间加权协同稀疏的解混方法.该方法利用协同稀疏正则项刻画丰度系数的行稀疏性;同时,在协同稀疏框架下,引入空间加权因子挖掘高光谱图像邻域像元间的空间相关性.本模型采用交替方向乘子法求解,通过交替迭代,对空间权重和丰度系数进行优化.模拟和真实高光谱数据实验结果表明本文方法能够比现有同类方法获得更精确的解混结果.     

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。     

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．     

基于稀疏优化字典的图像去噪算法

稀疏表示算法是用过完备字典表示图像信息从而去除图像中的无用信息,达到去噪目的.KSVD字典是过完备字典中的一种,但是KSVD字典过于冗余,导致图像处理过程中冗余无用的图像信息降低算法的效率,为了提高KSVD字典的高效性和稀疏表示算法去噪能力,笔者提出了一种基于稀疏优化字典设计的图像去噪新算法.新算法的去噪步骤为首先运用正交匹配追踪算法求出稀疏系数;其次运用迭代算法用稀疏系数对初始DCT字典进行更新学习,在迭代的过程中逐渐去除噪声,得到去噪后的图像.仿真结果表明:与DCT字典算法、Global字典算法以及原有的KSVD字典算法进行对比,新方法的系数矩阵更加稀疏,去噪效果较好.     

Robust Deep 3D Convolutional Autoencoder for Hyperspectral Unmixing with Hypergraph Learning

基于超图学习的鲁棒深度3D卷积自动编码器高光谱解混方法

贾培源,张淼,沈毅

（哈尔滨工业大学 控制科学与工程系,哈尔滨 150001）

创新点说明：

1） 提出一种深度解混网络模型R3dCAE。深度学习能够通过深层非线性映射,实现高阶特征提取与数据变换,在解混领域展现出了巨大的应用价值。为去除影像内高噪声对解混带来的不利影响,通过去噪自编码网络与非负自编码网络级联,实现数据恢复与高精度解混工作。

2） 针对高光谱三维体数据特殊结构,将去噪自编码网络和三维卷积网络相结合,通过构建三维卷积层/反卷积层与三维池化/反池化层,深层解混模型R3dCAE能够无监督学习鲁棒的空谱联合特征信息;采用一系列噪声抽样的影像数据对网络参数进行训练优化,该模型能够对含噪数据输入实现高精度数据重建。

3） R3dCAE模型采用结合超图约束的自编码网络同步提取端元与丰度信息。通过邻域光谱相似性度量,超图结构能够描述物质分布的低维流形关系,从而表示物质分布的空间一致性信息;同时引入l2,1范数稀疏约束,在网络的迭代优化中实现精确的端元提取与丰度反演任务。

研究目的：

针对现有高光谱解混算法处理光谱混合数据,端元提取受噪声影响大,鲁棒性差,并且获得的丰度无法提现物质空间分布相关性信息,解混精度受限,探索一种基于深度学习的高光谱解混网络架构,通过网络的深层学习与优化,实现端元与丰度信息的高精度求取任务。

研究方法：

所提出深度解混框架R3dCAE由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。三维去噪卷积自编码网络通过在编码层搭建卷积层与池化层,在解码层搭建反卷积层与反池化层,从而实现无监督提取光谱维与空间维的联合特征信息,通过学习含噪数据获得去噪影像光谱信息;非负稀疏自编码网络以三层网络映射的方式实现端元与丰度信息的联合优化,引入超图约束和稀疏约束,以更好实现端元特征提取和丰度信息求取。

研究结果：

采用仿真数据集对所提出解混框架和目前先进解混算法,包括MVSA, RCo-NMF, MVC-NMF, SGSNMF, 与uDAs等进行比较,对比各算法端元提取与丰度反演结果与参考端元和丰度信息的误差,结果显示R3dCAE在不同信噪比下都具有优异的性能表现;针对实际高光谱遥感数据集,对比各算法获得的端元信号误差,从而展示了所提出解混网络的有效性与鲁棒性。

结论：

本文针对高光谱图像数据光谱混合问题,提出一种新型的结合空间信息的高光谱深层自编码解混网络框架。该深度解混框架由三维去噪卷积自编码网络与结合超图学习的非负稀疏自编码网络级联构成。通过三维卷积与池化操作,三维去噪卷积自编码网络能够以无监督的方式提取光谱维与空间维的联合特征信息,并通过解码层的构建获得去噪影像数据;在非负稀疏自编码网络中,为保证丰度解的稀疏性和丰度在空间分布相关性,在网络上构建中引入超图学习和l2,1范数稀疏约束,从而使得求取的端元与丰度不仅满足非负性与和为一约束,同时丰度具有空间分布相关性信息。在实验验证中采用仿真数据集和真实高光谱影像对所提出解混框架和其他先进解混算法进行比较,展示了所提出解混网络的有效性与鲁棒性。

关键词：深度学习;无监督解混;卷积自编码网络;超图;高光谱图像;

     

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。     

基于线性光谱混合模型的光谱解混改进模型

传统的基于线性光谱混合模型(LSMM)的解混方法采用迭代求解方式,复杂度较高,为此提出一种基于几何方式的模型求解方法。另一方面,LSMM采用固定谱形固定数量的光谱端元进行解混,影响了光谱解混精度,为此提出端元谱形的区域修正方法和端元子集的局域确定方法,从而建立基于柔性端元的新解混方式。实验表明了所提出的几何求解方法及柔性光谱端元方式的有效性。     

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。     

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。     

结合局部空谱信息的高光谱图像多端元提取

针对传统高光谱单端元提取算法不能描述光谱变异、混合像元分解精度不高的缺点,提出一种结合局部空谱信息的高光谱图像多端元提取(multiple endmember extraction algorithm with local spatial-spectral information,MEELSI)方法。首先将原始高光谱图像进行图像子空间划分获取不重叠的图像块,并利用自动目标生成算法分别在图像块上提取候选端元;然后对候选端元的邻域像元进行光谱相似性分析,优化精选候选端元;最后利用K-means聚类算法对所有端元集进行聚类分析,得到最终的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明,与传统单端元提取方法相比较,MEELSI算法具有表征遥感图像中光谱变异的能力,能够有效提高混合像元分解精度。     

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.     

基于随机NMF理论的高光谱端元抽取

高光谱端元抽取是光谱解混的一部分。非负矩阵分解(NMF)理论由于其能够很好的保持数据的非负特性,被广泛的应用于光谱解混。随着高光谱设备的提高,摄像机的光谱频带数也从几百个频带扩展到几千个频带。从而使光谱数据也越来越大。经典NMF理论是块处理法,数据越大,计算量也大幅增加。为了加快光谱解混速度,提出了基于随机L_(1/2)NMF理论的端元抽取方法,与经典NMF相比,该方法能够快速提升算法速度,并且能够保证很好的解混精度。最后,用真实仿真数据验证了随机NMF理论的有效性。     

基于改进粒子群算法的匹配追踪分解优化研究

文章针对使用牛顿法进行匹配追踪分解信号的速度慢、精度低等问题,在具有全局优化能力的粒子群算法基础上,提出了一种结合局部单纯形搜索并引入变异操作的改进粒子群算法实现信号匹配追踪分解.利用单纯形搜索增加了算法的局部开发能力,通过变异操作控制种群多样性以避免早熟收敛,增强了算法全局探测能力;并以描述机械系统的振动冲击响应作为基原子与单一粒子群算法实现匹配追踪分解信号的结果进行对比,证明了使用改进粒子群算法的匹配追踪分解能够快速准确提取信号特征参数,同时成功识别出某轴承发生外圈损伤时隐含在振动信号中的周期性冲击脉冲故障特征.结果表明,加入单纯形和变异的改进粒子群算法有效降低了匹配追踪计算复杂度,提高了信号特征提取准确度.     

基于冗余字典的高光谱图像超分辨率复原算法

为了提高高光谱图像的空间分辨率,将基于冗余字典的信号稀疏表示理论应用到高光谱图像的超分辨率复原领域,提出一种基于冗余字典的高光谱图像超分辨率复原算法.该算法通过训练一组高低分辨率相对应的冗余字典对,使得高低分辨率相对应的像元曲线在基于各自的冗余字典进行稀疏分解时,具有相同的稀疏表示系数.超分辨率复原过程中,将待复原的低分辨率高光谱图像基于低分辨率冗余字典进行稀疏分解,利用所得的稀疏表示系数和对应的高分辨率字典,重建高分辨率的图像.实验结果表明:与基于图像块字典的超分辨率复原算法及传统的双线性插值图像放大方法相比,重建图像的峰值信噪比(peak signal to noise radio,PSNR)得到了显著提高.该算法将高光谱图像沿光谱维方向进行整体稀疏分解,避免了传统算法逐波段进行超分辨率复原带来的波段间的光谱失真问题,显著降低了算法的运算量.     

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。     

端元选择算法在波段选择中的应用

冗余信息的大量存在,给高光谱数据的分析和处理带来很大的困难。波段选择能够有效地去除由于高光谱图像较高的数据维导致的冗余信息,从而减少计算量。高光谱图像处理的另一重要技术——端元选择到波段选择存在着方法上的可移植性。作者经过可行性分析,将3种典型的端元选择算法应用于波段选择之中,并通过引入自动子空间分解、核主成分分析、距离等效原则等内容来解决由此带来的相关问题。仿真实验证明了这种算法移植的有效性。     

基于差分演化-MP的快速信号稀疏分解

利用差分演化算法具有鲁棒性强和全局收敛性好的优点,提出了一种基于差分演化的匹配追踪算法(DE-MP)。算法使用差分演化(DE)算法替换传统匹配追踪(MP)算法中的遍历搜索策略,优化了寻找稀疏分解最优原子的过程,从而大大降低了算法复杂度。此外,DE算法特殊的搜索策略很好地提高MP的全局收敛性,进一步提高了稀疏分解的准确性。通过对雷达仿真信号和语音信号仿真实验结果表明:与传统MP算法相比,差分演化匹配追踪算法(DE-MP)在计算速度上提高了两个数量级,在收敛精度上也有明显提高,且收敛精度优于其他改进MP算法。     

基于相关向量机的高光谱图像解混方法

针对传统的高光谱数据解混方法中存在的解混精度不高、丰度图模糊的缺陷,提出一种基于相关向量机的高光谱图像解混方法(unmixing algorithm based on relevance vector machine,UARVM)。其核心思想是采用改进的一对余型的相关向量机将多分类问题转化为多个二分类的问题,且求取出每个样本所对应的归属类别的概率值,即丰度值来完成图像的解混。理论研究和仿真结果表明:相对于传统解混方法,UARVM解混精度高,丰度分布图效果好。     

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。     

一种冗余字典下的信号稀疏分解新方法

针对目前冗余字典下信号稀疏分解常用算法计算复杂度高的问题,提出一种分组匹配追踪算法．该算法首先利用多组正交基构造冗余字典,然后采用迭代式分组匹配追踪,每次迭代从字典中选出一组和原始信号或残余最匹配的正交基,采用正交分解快速算法进行正交分解得到少量重要系数,多次迭代后逐渐稀疏逼近原始信号．实验结果表明,基于小波正交基级联冗余字典进行信号稀疏分解时,在同等稀疏条件下,与匹配追踪(MP)算法相比,该算法的计算速度提高了大约30倍,而且可避免过匹配现象．