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.     

一种低秩和图正则化的协同稀疏高光谱解混方法

针对经典协同稀疏解混方法中稀疏性表征不足以及丰度矩阵过平滑等问题,提出一种低秩和图正则化的协同稀疏高光谱解混方法。引入加权因子,进一步促进丰度矩阵的稀疏性;引入了图正则化项,获取图像的空间信息,以促进图像的平滑性;在模型中增加低秩项,进而挖掘高光谱数据的细节结构,进一步提高解混的精度。利用2个模拟和1个真实高光谱数据进行实验,结果表明,提出方法的解混精度与经典解混方法相比得到显著提升。     

多尺度光谱相似性指导的高光谱解混算法

结合空间信息约束的高光谱稀疏解混技术是高光谱图像稀疏解混领域的研究热点之一.为了克服高光谱图像在自然场景中的空间结构难以精确表示的缺点,本文提出了一种多尺度光谱相似性指导的高光谱解混算法.首先,将高光谱图像分割成具有空间结构的近似域光谱图像;然后,根据相邻超像素之间的相似性进行近似域稀疏解混;最后,将近似域解混结果转换...     

基于非局部信息的双重加权协同稀疏解混方法

针对传统基于协同稀疏的半监督解混方法中存在的丰度结果过度平滑、高光谱空间上下文信息利用不足、丰度矩阵稀疏程度较低等问题,提出一种基于非局部高阶空间信息的双重加权协同稀疏解混方法。所提出的方法以协同稀疏解混模型为基础,一方面通过结合自适应权重因子以提高估计结果的稀疏性,另一方面通过挖掘高光谱数据较为丰富的非局部空间信息,形成空间权重矩阵以提高对高光谱图像空间信息的利用率,同时对行稀疏约束带来的过度平滑问题加以限制。算法选择结合交替方向乘子法对模型进行迭代求解,求解过程中采用了内外双循环结构以便于优化算法结果。在模拟和真实高光谱数据集上的实验结果表明了所提出方法的有效性。     

基于图正则化低秩协同表示的高光谱异常检测

高光谱异常检测是检测出与周围背景像素的光谱具有明显差异的目标的过程。研究学者针对高光谱异常检测提出了多种算法,其中低秩协同表示检测器(LRCRD)不仅能够考虑所有像素之间的高光谱相关性,而且用低秩和l₂范数最小化约束字典的系数矩阵,背景字典不需要过度完备,可以更好地表示背景。然而,LRCRD模型并没有考虑到高光谱数据的局部几何信息对于区分背景和异常像素的重要性。将图拉普拉斯正则项引入LRCRD模型中,提出了一种基于图正则化低秩协同表示的异常检测方法,分析数据中的非线性几何信息。该方法保持高光谱图像的局部几何结构,提高了检测精度。在合成和真实高光谱数据集上对所提方法进行了实验验证,实验结果证明了所提方法的可行性。     

联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测

针对低秩稀疏矩阵分解的高光谱异常目标检测算法忽略了图像的空间信息,导致检测精度低的问题,提出了一种联合空间信息的改进低秩稀疏矩阵分解的高光谱异常目标检测算法。算法综合利用了高光谱图像的光谱信号与空间信号,并与图像自身的稀疏性相结合,对经典的基于低秩稀疏矩阵分解的目标检测算法进行改进,该算法以待测像元为中心构建一定大小的空间窗,计算中心像元与邻域内其他像元的空间相似度权值和光谱相似度权值,通过计算邻域内其他像元对中心像元的比例权值得到了中心像元的重构光谱值并作差得到两者的残差矩阵;最后基于低秩稀疏矩阵分解的高光谱异常目标检测算法得到图像的稀疏矩阵,将代表异常目标信息的稀疏矩阵和残差矩阵相加并求解矩阵行向量之间的欧式距离得到像元的异常度,设置阈值,得到检测结果。为验证所提算法的检测性能,采用了真实的高光谱数据进行仿真实验,并与现有算法进行对比,结果表明该算法能够得到更高的检测精度。     

变形L1正则化的高光谱图像稀疏解混

如何准确地刻画易于求解的稀疏正则化函数是高光谱图像稀疏解混的难点。变形L₁正则化函数是一类由绝对值函数组成的双线性变换的单参数族,类似于L_pp∈0,1范数,通过调整参数a∈0,可以准确表征L₀和L₁之间的任意范数,并具有无偏、稀疏和Lipschitz连续性。论文首先研究变形L₁正则化函数,然后提出变形L₁正则化的高光谱稀疏解混变分模型,最后提出变形L₁正则化高光谱稀疏解混模型的凸函数差分求解算法。通过模拟和真实的高光谱数据实验,与经典的SUnSAL算法相比,表明提出的算法能够更准确地刻画丰度系数的稀疏性,并获得更高的解混精度。     

近似稀疏约束的多层非负矩阵分解高光谱解混

稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前,主要采用L0或L1范数作为稀疏度量。L0稀疏性好,但求解困难;L1求解方便,但稀疏性差。提出一种近似稀疏模型,并将其引入到多层非负矩阵分解（AL0-MLNMF）的高光谱解混中,将观测矩阵进行多层次稀疏分解,提高非负矩阵分解高光谱解混的精度,提升算法的收敛性。仿真数据和真实数据实验表明:该算法能够避免陷入局部极值,提高非负矩阵分解高光谱解混性能,算法精度上比其他几种算法都有较大的提升效果,RMSE降低0.001~1.676 7,SAD降低0.002~0.244 3。     

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.     

复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法

将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离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,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.     

一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.     

高光谱图像Pareto优化稀疏解混

高光谱解混是学术界的一个难题,稀疏高光谱解混指的是利用已知光谱库进行解混,旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元,并利用这些端元求解相应的端元丰度,这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混,但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法（ParetoSU）,将稀疏解混问题转化为一个两目标优化问题,其中一个优化目标是建模误差,另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题,不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。     

基于二次空间处理的联合稀疏表示高光谱图像分类

针对许多应用于高光谱图像分类的传统算法存在的分类精度低、光谱和空间信息利用不充分的问题,提出了一种基于二次空间处理的联合稀疏表示高光谱图像分类算法。在字典训练之前提取形态学特征,和光谱特征共同构建初始字典,以达到更快训练出较高质量的字典原子的目的。为了充分利用空间信息,首先通过超像素分割获取边缘信息,然后在超像素边缘和固定邻域双重约束下通过权值计算自适应选择邻域原子,实现空间信息的二次利用。在两个常用数据集上进行仿真实验,证明了本文所提算法可有效提升分类精度。      

基于子空间结构正则化的L21非负矩阵分解高光谱解混

标准的非负矩阵分解(NMF)应用于高光谱解混时,容易受到噪声和异常值的干扰,解混效果较差。为了提高分解性能,该文将L₂₁范数引入标准的NMF算法中,对模型进行了改进,从而提高算法的鲁棒性。其次,为了提高分解后丰度矩阵的稀疏性,将双重加权稀疏约束引入L₂₁NMF模型中,使其中一个权值提高每个像元对应的丰度向量上的稀疏性,另一个权值提高每个端元对应的丰度向量上的稀疏性。同时,为了利用像元的全局空间分布信息,观察地物在不同图像中的真实分布情况,引入子空间结构正则项,提出了基于子空间结构正则化的L₂₁非负矩阵分解(L₂₁NMF-SSR)算法。通过在模拟数据集和真实数据集与其他经典算法的比较,验证了该算法具有更好的性能,同时具有去噪能力。     

基于联合核协同的高光谱图像异常目标检测

在目前的高光谱图像异常目标检测算法中,通常 只考虑高光谱图像的光谱特性而忽 略其空间 特性,针对这一问题,提出了基于联合核协同的稀疏差异指数的检测算法。本文算法将核协 同与稀疏差异指数表示方法相结合,分别提出了光谱核协同和空间核协同的 稀疏差异 指数表示模型,进而提出了一种联合核协同的稀疏差异指数表示模型。在模拟的 高光谱图 像数据中,讨论了双窗口设计对所提出算法的检测结果的影响;在真实的AVIRIS高光谱图像 仿真实 验中,分析了不同波段选择及主成分分析对检测结果的影响。结果表 明,所提出的算法检测精度高,虚警概 率低。     

基于模数的干涉相位自适应中值滤波法

为了改善对干涉相位噪声的抑制效果而又确保有用相位跳变信息不被滤除,该文首先研究了模数滤波算法,并提出了一种基于最短子区间搜索的干涉相位模数估计算子对其进行改进,在进一步分析模数估计参数与相位分辨率之间关系的基础上,提出了一种局部相位中心随干涉相位质量自适应变化的中值滤波方法。该方法不仅克服了模数滤波导致的条纹边缘模糊问题,还解决了传统空域滤波进行一致性处理所造成的过滤波和欠滤波问题,而且具有较高的运算效率。最后通过对仿真和实测TerraSAR–X数据的处理和分析,验证了该方法的有效性。     

基于约束空间光谱联合的亚像素定位方法北大核心CSCD

针对高光谱遥感图像,提出了一种约束空间光谱的亚像素定位方法。传统的亚像素定位方法以解混的结果作为输入,可能无法充分利用高光谱图像丰富的光谱信息。本文所提出的基于约束空间光谱联合的亚像素定位方法(constraint spatial-spectral subpixel mapping,CSSSM),利用下采样将像素丰度与亚像素丰度显式联系起来,代入线性解混模型得到亚像素丰度求解的新模型。在求解过程中,通过添加稀疏性约束与平滑性约束,以限制亚像素丰度的解空间,亚像素丰度求解更精确。其中,针对亚像素丰度稀疏性先验采用重加权1范数作为新的约束,并自适应地更新权重;针对亚像素丰度空间先验信息则采用全变分(total variational,TV)正则化作为约束,然后使用乘法迭代算法求解亚像素丰度,最后利用赢者通吃的策略进行类别确定。在两个合成数据集上进行了实验,结果表明,本方法能够进一步提高亚像素定位的精度。