基于空间像素纯度指数的端元提取算法

为了减小光谱变化以及异常像素点对端元提取结果的影响,根据局部区域内纯像元和混合像元光谱特征的不同,提出一种基于空间像素纯度指数的端元提取算法.将光谱角距离和欧氏距离加权相加作为新的混合距离测度;采用固定大小的邻域窗口计算图像中所有像素的空间像素纯度指数,在此基础上,根据光谱角距离测度和设定的端元光谱区分性阈值依次搜索端元.仿真数据和真实高光谱图像实验结果表明:该算法能够准确地提取图像中的端元,并且精度高于其他一些端元提取算法.     

高光谱图像亚像元级地物端元提取方法

针对高光谱图像中以亚像元形式存在的地物的端元光谱提取问题,提出凸面几何理论和部分非负矩阵分解相结合的端元提取方法.通过去噪的正交基子空间投影方法和相似度比较获得原始图像中的纯像元端元,利用纯像元端元光谱对图像逐点求取丰度和重构误差,对误差大于设定阈值的像素集合进行部分非负矩阵分解,求得亚像元级地物的端元光谱.实验结果表明,该端元提取方法能够弥补传统方法的不足,从而实现对亚像元级地物端元光谱的有效提取.     

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。     

融合谱-空域信息的DBM高光谱图像分类方法

在高光谱图像分类问题中,提取能够有效表达地物特征的信息是分类方法中的关键问题。为了提高高光谱图像分类精度,提出一种基于深度玻尔兹曼机的高光谱图像分类方法。该方法首先对高光谱图像数据进行主成分分析法白化处理,并提取像元的空域信息,与像元光谱信息组成综合的谱-空域信息;然后通过多层深度玻尔兹曼机模型从像元的谱-空域信息中提取深层次类别特征;最后通过逻辑回归模型对所提取特征进行分类。这种深度玻尔兹曼机模型能够利用数据的先验知识对高维数据进行特征提取,并且所提取的特征内在地表示了地物的空间结构和光谱特征。实验结果表明,这种方法能够有效地提高高光谱图像的分类精度。     

基于条件随机场的光谱相似性匹配高光谱遥感影像聚类方法

高空间分辨率的高光谱遥感数据不仅能够获取地物近似连续的光谱曲线,还具有丰富的空间信息.传统的基于单像元的光谱匹配方法无法将这两种特征很好地结合.针对该问题,提出将条件随机场(CRF)模型引入光谱匹配方法.CRF模型通过构造像元邻域描述空间信息,解决了基于单像元光谱匹配方法仅考虑光谱信息的不足,实现了聚类过程中光谱和空间信息的融合;然而,传统CRF模型基于欧氏距离和马氏距离等相似性测度,无法适应于高光谱遥感影像的数据特征,因此利用光谱相似性测度改进传统CRF模型的相似性测度准则.实验证明,所提出方法能够有效解决传统光谱匹配方法结果的噪声问题,较好地保留了地物的形状特征,分类精度得到提高.     

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。     

融合低秩和形态学的高光谱影像特征提取

高光谱遥感影像具有较高的光谱分辨率,能够精细刻画地物的反射光谱,具有很高的地物分类与识别能力. 但高维波段之间通常具有较高的相关性,冗余度高,为影像处理和分析带来负担. 针对高光谱影像特点的特征提取和选择为有效提取信息提供了保障. 提出一种融合低秩和形态学的特征提取方法(MSEMP),利用低秩来精简高光谱影像中的冗余信息,获取秩最小的光谱紧致表达,并在此基础上利用多形态多尺度结构元素提取形态学剖面,获取影像空间特征. 实验对AVIRIS和ROSIS传感器的两组数据进行测试,通过MSEMP提取特征后进行分类实验,可以获得较高的分类结果,证明了低秩和形态学相结合的特征提取方法的有效性.     

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RFS和ART的高光谱图像主成分提取方法

针对传统高光谱图像主成分提取方法受数据分布状态和噪声影响大的缺点,提出基于区域特征光谱的ART(Adaptive Resonance Theory)神经网络主成分提取算法.首先通过多方向阈值空间邻域聚类提取区域特征光谱作为ART的输入模式,利用ART网络的自适应特性获取地物光谱矢量特征,并通过对光谱矢量聚类完成图像的主成分提取.对高光谱图像仿真结果表明:通过提取区域特征光谱,神经网络的数据处理量减少了约97%;算法能够较准确地提取图像主成分且提取效果明显好于K-均值算法.     

基于流形学习的高光谱图像非线性降维算法

针对高光谱图像同一像元内存在多种地物种类,且地物之间具有多重反射,导致高光谱数据的非线性,采用传统的线性降维算法效果不佳等问题,提出利用流形学习的方法来寻找嵌入在高维观测数据空间的低维光滑流形,实现高光谱数据的非线性光谱降维。模拟和真实高光谱遥感数据实验结果表明,与传统的线性降维方法 PCA相比,经过等距映射、局部切空间排列等流行学习算法降维后的高光谱图像具有更好的光谱端元可分性。     

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.     

非监督的高光谱混合像元非线性分解方法

在进行高光谱混合像元非线性分解应用中,提出一种非监督的高光谱混合像元非线性分解方法.通过核函数把原始高光谱数据映射到高维特征空间中,揭示数据之间的高阶性质.通过非线性映射,原始数据在高维特征空间中变得线性可分.在高维特征空间中运用线性的非负矩阵分解(NMF)算法进行光谱解混,挖掘出数据间更多的特征.解混结果以端元相关系数、光谱角距离、光谱信息散度和均方根误差作为质量评价指标.进行模拟数据仿真实验和真实高光谱遥感数据分解实验,结果表明,采用该算法得到的分解结果优于非负矩阵分解算法.     

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。     

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。     

一种改进迭代误差分析端元提取算法

迭代误差分析(IEA)算法是应用比较广泛的端元提取算法之一,针对IEA端元提取算法计算量大的缺点,从减少参与迭代过程中的像元数目进行改进。根据凸面几何理论,混合像元位于其端元构成子空间内部,这部分像元到其端元正交子空间(OSP)投影值理论上为零,在迭代求下一个端元过程中,可以将这部分无用像元去除,从而减少每步迭代过程像元数目。采用模拟数据和真实高光谱数据进行实验,证明改进算法与原算法提取端元精度相同,随着端元提取个数的增多,参与迭代过程的像元数目逐次减少,比原始的IEA端元提取算法减少了计算时间。     

多特征联合的高光谱图像分类方法研究

在植被类型丰富区域的地物精细分类中,如何有效地利用不同特征和合适的分类方法一直都是地物精细分类研究的重要问题.为了研究在植被类型丰富区域高光谱图像较大时地物精细分类性能,利用雄安新区马蹄湾村航空高光谱图像,研究一种多特征联合的高光谱图像分类方法.首先对高光谱图像进行最小噪声分离变换(NNF),同时提取对应纹理特征;然后...     

SAM权重法在端元提取中的应用

高光谱遥感的出现使得在宽波段遥感中不可探测的物质能被探测。获得的高光谱数据大都具有数据冗余度高、信噪比低等特点。文章通过idl编程实现高光谱数据的特征提取并利用其做了端元提取流程与光谱解混,及权重法SAM端元提取、混合光谱分解模型及实现。利用SAM权重法能够完成端元提取并最终得到的解混结果。     

结合边缘信息优化LSC和改进A*算法的正射影像图镶嵌线提取

为避免正射影像图在镶嵌时镶嵌线穿过视觉显著地物,损害影像中地物的完整性,本文提出一种结合边缘信息优化LSC(线性谱聚类)和改进A^*算法的正射影像图镶嵌线提取方法.首先,将经典LSC的超像素分割理论引入正射影像图镶嵌线提取算法中,并提出边缘强度因子用以优化经典线性谱聚类,有效利用正射影像图中的光谱信息和边缘信息;然后,将优化后的LSC分别应用于两幅正射影像的重叠数据集,得到各类地物的边界特征图,并通过数学形态学法去除边界特征图中的边缘不整齐现象和孤立噪点;最后,改进传统A^*算法,由曼哈顿距离函数替代原有基于欧式距离测度的启发函数,提升A^*算法进行最短路径搜索的效率,在边界特征图中快速搜索出最短路径得到最优镶嵌线.利用真实无人机航拍正射影像图将本文方法与相关方法进行对比分析,实验结果表明本文所提方法可高效、高质量地提取到影像镶嵌线,有效绕过视觉显著地物,减少镶嵌线穿过地物的像元点数,满足实际正射影像图制作的应用需求.     

高光谱遥感图像混合像元分解的群智能算法

近年来,通过群智能算法求解组合优化或连续优化问题以实现高光谱图像混合像元分解方面取得了重要进展和显著成果.本文首先回顾了高光谱图像混合像元分解的研究背景和群智能算法的特点,然后梳理了光谱混合模型及对应的最优化模型,进而介绍了基于群智能算法的端元提取和丰度反演方法,最后通过2组实验比较了群智能算法和其他传统算法在端元提取和丰度反演方面的精度,对基于群智能算法的混合像元分解效果进行了评价.另外,本文也对群智能算法在高光谱图像信息提取中应用的优势和存在的问题进行了总结.     

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.