基于几何估计的光谱解混方法

光谱解混是高光谱数据分析的重要技术之一。全约束(即非负性约束和归一化约束)最小二乘线性光谱混合模型(FCLS-LSMM)具有模型简单和物理意义明确等优点而得以广泛使用。然而,FCLS-LSMM的传统优化求解方法的迭代过程非常复杂。近年提出的几何方法为降低LSMM的求解复杂度提供了新思路,但是所获得的结果并非真正意义上的全约束最小二乘解。为此,建立一种完全符合FCLS要求的LSMM几何求解方法,具有复杂度低和可以获得理论最优解等优点。实验表明了所提出方法的有效性。     

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。     

一种基于单形体正化的高光谱数据全约束线性解混方法

在端元已知情况下,线性混合模型的非负约束最小二乘无闭式解,需要多次迭代得收敛最优解,时间复杂度高.通过高光谱数据凸面几何特性分析,指出当数据为正单形体时,可经有限步骤快速得线性混合模型最优解.据此提出一种单形体正化的高光谱数据全约束线性解混方法,据已知端元进行单形体正化,采用和为一约束求解丰度系数,最后迭代剔除丰度负值端元得全约束解.实验结果表明该方法可获得传统全约束解一致的丰度估计,且效率大大提升.     

一种新型光谱解混模型的构建与求解

光谱解混是高光谱图像处理的重要技术之一。传统线性光谱混合模型（LSMM）解混方法采用迭代求解方式,由于其中含有非负和归一化约束条件,复杂度较高。为此,首先通过参量替换去除非负和归一化约束条件,使得光谱解混的过程成为以最小均方误差为适应度函数的极值寻优问题;进而,应用田口（Taguchi）优化算法进行迭代寻优,并利用高光...     

约束最小二乘的高光谱图像非线性解混

高光谱图像解混是高光谱数据分析的重要研究内容.在现有混合模型的基础上,提出一种新的高光谱图像非线性解混算法.通过在目标函数中引入丰度的非负及和为一约束以及非线性参数的有界约束,该算法将高光谱图像非线性解混问题转化为求解丰度矢量和非线性参数的约束非线性最小二乘问题,继而采用一种交替迭代优化算法求解该问题.仿真和实际高光谱数据的实验结果表明,所提出的算法有效地克服了线性解混的不足,同时具有良好的抗噪声性能,可以作为一种解决高光谱遥感图像非线性解混的有效手段.     

从端元选择到光谱解混的距离测算方法

提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法,该方法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度;证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性,并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明,基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.     

基于约束总体最小二乘方法的到达时差到达频差无源定位算法

两步加权最小二乘方法(two-stage WLS)是求解TDOA/FDOA无源定位问题的经典线性方法,但也存在着定位偏差和均方误差对测量噪声的适应能力较差的缺点。该文根据TDOA/FDOA的伪线性定位方程组特点,将其建立为一种带约束条件的约束总体最小二乘(CTLS)模型,并采用拉格朗日乘子法求解带约束条件的CTLS问题,建立了几种最小二乘类定位方法的统一解,从而将约束加权最小二乘(CWLS)定位解和约束最小二乘(CLS)定位解变为该文CTLS定位解的特例。仿真表明,该文方法比两步加权最小二乘方法具有更低的均方误差,并能够有效减小定位偏差,因而具有更好的测量噪声适应能力。     

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。     

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.     

基于约束总体最小二乘算法的全极化 散射中心参数估计

 本文以散射中心的指数衰减和模型(Damped Exponentials,DE)为基础将全极化散射中心的参数提取问题转化为全极化信息融合的约束总体最小二乘(Constrained Total Least Squares,CTLS)算法问题,据此计算出全部散射中心的距离参数和类型参数,然后利用最小二乘法求解全极化测量方程,得到每个散射中心的复幅度信息,从而获得每个散射中心的散射矩阵,其中散射矩阵与类型参数是密切相关的.然后分析了其中参数估计的精度问题,针对极化通道噪声方差的不同提出了相应的改进算法.最后进行了仿真,并与单极化散射中心估计参数作了对比,结果证实了该方法的有效性,为雷达极化信息与散射中心的有效融合提供了新方法.     

一种新的基于Fisher判别的混合像元分解算法:室内控制实验结果分析

混合像元分解技术(Spectral Mixture Analysis, SMA)是遥感图像处理的重要手段之一.传统方法假设每个端元具有稳定的光谱特征,然而端元内光谱差异普遍存在,这将导致混合像元分解精度的降低.针对该问题,提出了基于Fisher判别 (Fisher Discriminant Analysis, FDA) 的混合像元分解算法.Fisher判别对光谱各波段进行线性组合,使得转换后的光谱值分离度最大,即端元内的光谱差异较小而端元间的光谱差异较大.利用转换后的光谱对混合像元进行分解可以最大程度地减少端元内光谱差异对分解结果的影响.利用该方法对室内控制实验的模拟混合像元光谱进行分解,并与过去提出的几种混合像元分解技术进行比较,结果显示新方法相比传统方法在分解精度上有相当程度的提高.     

基于约束非负矩阵分解的高光谱图像解混快速算法

约束非负矩阵分解是高光谱图像解混中常用的方法.该方法的求解通常采用投影梯度法,其收敛速度、求解精度和算法稳定性都有待提高.为此,本文针对较优的最小体积约束,提出一种基于约束非负矩阵分解的高光谱图像解混快速算法.首先优化原有的最小体积约束模型,然后设计了基于交替方向乘子法的非凸项约束非负矩阵分解算法,最后通过奇异值分解优化迭代步骤.模拟和实际数据实验结果验证了本文算法的有效性.     

An abundance estimation algorithm based on orthogonal bases for hyperspectral image

An abundance estimation algorithm based on orthogonal bases is proposed to address the problem of high computational complexity faced by most abundance estimation algorithms that are based on a linear spectral mixing model (LSMM) and need to perform determinant operations and matrix inversion operations. The proposed algorithm uses the Gram-Schmidt method to calculate the endmember vector set to obtain the corresponding orthogonal basis set and solve the unmixing equations to obtain the eigenvector of each endmember. The spectral vector to be decomposed is projected onto the eigenvector to obtain projection vector, and the ratio between the length of the projection vector and the length of the orthogonal basis corresponding endmember is calculated to obtain an abundance estimation of the endmember. After a comparative analysis of different algorithms, it is concluded that the proposed algorithm only needs to perform vector inner product operations, thereby significantly reducing the computational complexity. The effectiveness of the algorithm was verified by experiments using simulation data and actual image data.     

基于流形学习的混合光谱解混分析

光谱解混分析的重要研究内容是计算分析各地物类别成分在混合像素内所占的比例技术。文中以实测高光谱数据为研究对象,针对高光谱数据具有高维度数、严重的光谱混合等特点,基于流形学习中局部线性嵌入（LLE）算法的思想,提出了一种约束最小乘方局部线性加权回归（CLS-LLWR）建模方法。通过4种典型地物的光谱吸收特征差异分析,从它们不同比例组合下的实测混合光谱中选取了不同波段范围,分别对该模型预测覆盖度信息能力进行了验证分析。最后,将CLS-LLWR模型与主成分回归（PCR）和偏最小二乘回归（PLSR）模型,通过计算预测标准误差（SE）进行了对比分析。结果表明,CLS-LLWR模型有较好的预测能力。这为流形学习在高光谱遥感图像信息提取方面进行了有意的探索。     

基于光谱维小波特征的混合像元投影迭代分解

混合像元线性分解是高光谱遥感应用的关键技术之一.本文利用小波变换多分辨率分析的特点,提出了一种以小波低频系数为特征的混合像元投影迭代分解的方法.首先利用离散二进小波提取了高光谱影像特征,再基于影像特征,用投影迭代方法自动确定出端元光谱,并以限制性的最小二乘方法估计出混合像元的组分.实验结果表明,本文方法能够较大的提高遥感影像混合像元的分解精度.     

基于非负矩阵分解的高光谱遥感图像混合像元分解

传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提...     

基于分层的多端元光谱解混算法

高光谱图像中,单一端元光谱很难准确刻画一个类别,导致解混结果不准确。针对经典多端元光谱解混(MESMA)算法存在计算量大、端元预选繁琐等缺点,提出基于分层的MESMA(HMESMA)算法,第1层确定像元包含地物类别,第2层在第1层的基础上再分层确定像元包含最优端元个数。采用模拟数据和真实高光谱数据进行实验,证明了本文算法比固定端元解混效果好,平均丰度误差最高降低了2.65%,与经典的MESMA算法精度相当,但大大降低了计算量,提高了计算效率。