高光谱遥感影像端元提取算法研究进展及分类

在给出端元的物理、代数和几何学解释基础上,对现有端元提取算法从算法设计机理出发,分为基于几何学、基于统计学和信号检测理论以及空间和光谱相结合三大类,并进一步对基于几何学的端元提取算法从技术处理手段差异细分为基于距离、体积、投影变换和最优化4种情况。结合端元提取算法分类,针对算法缺陷及改进思路,介绍了常见端元提取算法PPI、N-FINDR、UOSP、VCA、ICA、NMF和AMEE研究进展。最后,结合解混理论进展和工程应用实际,从技术综合和性能优化的角度指出了端元提取算法的研究展望。     

基于线性混合模型的高光谱图像端元提取

近年来,基于线性混合模型的光谱解混合技术正在越来越广泛地用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元(Endmember)光谱。通常,端元的荻取有两种方式：来源于光谱库以及来源于图像数据,相比之下后者得到的结果更能体现真实的地面信息。为此,从线性混合模型的特点出发,归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,并总结了评估算法结果的依据,最后介绍了端元提取技术的发展趋势。     

高光谱影像端元提取算法的进展分析与比较

对当前国际经典和前沿的6种代表性的端元提取算法进行比较研究,包括SPP-N-FINDR、VCA、SPICE、PCOMMEND、MVSA和MVC-NMF,通过理论和实验两种方式对这些算法进行综合性对比和分析,总结其优势和存在的问题。通过模拟和真实数据实验得出:SPP-N-FINDR算法的抗噪声能力不如其他5种算法;VCA和MVSA的稳定性较好;MVC-NMF和SPICE无需知道端元数目,且能直接得出丰度矩阵,自动化程度较高;PCOMMEND在真实高光谱图像中提取端元的结果最好,能直接得出丰度矩阵,但若端元数量为素数时精度会下降。研究成果将为今后围绕这些算法的相关研究提供必要的理论支持和参考。     

基于粒子群优化的高光谱影像端元提取算法

回顾了粒子群算法的基本原理,分析了端元提取算法的两种技术途径。利用粒子群优化的原理,结合凸面几何学理论和线性光谱混合模型,设计了一种粒子群优化端元提取算法,并设计了算法的快速实现方法。该算法不需要假设影像中存在纯像元,同时保持了端元光谱的形状。利用模拟数据和AVIRIS影像对该算法、SGA算法和NMF算法进行实验对比分析,实验结果证明该算法的端元提取精度优于其他二者。     

基于改进SAM的高光谱影像混合像元分解算法研究

将传统遥感图像分类方法中的光谱角度制图法(Spectral Angle Mapping-SAM)加以变换,改进为一种符合全约束条件下的高光谱遥感图像的混合像元分解模型.新算法在端元丰度比例满足全约束的条件下,通过逼近的方法寻找一种端元丰度的比例组合,使测试光谱与目标光谱的广义夹角最小,从而认为该比例组合就是混合像元分解...     

基于Hough变换的高分辨率遥感影像城市直线道路提取

根据高分辨率遥感影像城市直线道路特性,提出在图像分割获得道路网轮廓的基础上,使用Hough变换检测道路所在直线,对直线进行道路判断,再将所得道路段进行修剪、连接形成道路网,实现道路提取。实验结果表明,该方法能有效的从高分辨遥感影像中提取城市直线道路。     

形态分水岭算法在重叠米粒图像分割中的应用

在大米检测盘上的颗粒往往会出现紧靠或者重叠的米团,导致大米检测图像中常出现重叠大米区域,这给后续大米检测分析等工作带来了很大的困难;虽然传统分水岭算法是一种广泛使用的分割方法,将其用于重叠米粒图像分割可以克服由于米粒交叠造成的图像分析困难,但缺陷在于它的过分割结果。提出了一种针对分水岭过分割问题的形态分水岭算法,它结合形态学和传统分水岭变换的优势。实验证明该算法简单、分割粘连颗粒和抑制过分割的效果很明显,运算的速度也满足实际要求。     

粒子群空间优化的端元提取算法

粒子群优化算法（Particle Swarm Optimization,PSO）应用于高光谱影像端元提取时,由于影像中存在端元的像元数所占比例极小且分布零散,导致粒子群的搜索空间破碎,存在收敛性能低、容易陷入局部最优解等缺陷。对粒子群的搜索空间进行优化,选择影像中纯净像元指数（Pixel Purity Index,PPI）较大的像元作为预选像元,然后对预选像元进行光谱聚类排序,将排序后的集合作为粒子群的搜索空间,优化了粒子的搜索空间。并在迭代过程中,充分利用粒子群的信息自适应地调整其系数,在缩小原始图像与反演图像的误差同时,增加体积约束,在提取端元时更好地保持其原有的形状。通过模拟数据和AVIRIS影像的实验表明该算法具有较好端元提取效果。     

分水岭变换在岩屑图像分割中的应用

分水岭变换是一种基于区域和数学形态学的图像分割方法,被广泛用于灰度图像的分割之中.但传统分水岭变换过分割问题严重,图像的噪声和虚假纹理会淹没真正想得到的边缘信息.针对岩屑图像的特征,提出了一种改进的分水岭算法分割方案.先在预处理期用形态学开闭重建运算对原始图像平滑处理,在相对保留边缘不受影响的同时,降低噪声的影响.再通过非线性的阈值变换分离出目标和背景,然后在提取出目标的情况下合并过小区域,得到目标的边缘.而由于阈值变换后,区域数量已经明显减少,可以降低区域合并的运算量,提高合并速度.在求取形态学梯度时,选用了一种新的形态梯度形式,消除了形态学处理对分割结果造成的轮廓偏移现象.从实验结果看来,该算法取得了较好的分割效果.     

基于线性变换的高光谱图像端元提取算法

研究了高光谱遥感图像的端元优化提取问题,针对现有特征空间中最大体积转换思想的端元提取算法中所存在的运算量巨大、对原始数据需要预处理、提取精度较差等问题,分析了图像数据在高维特征空间的相关性,提出了采用线性变换的端元提取算法.使特征空间的基变换寻找正交于某个低一维超平面的投影向量,通过数据在向量上的投影运算将低维相关数据压缩成一个点,与点距离最大的孤立像元作为一个端元输出,每步获得的端元反馈作为下一次提取的输入以保证提取的正确性.由于采用在高维特征空间中距离的计算代替体积计算.仿真结果表明,提出的算法在较短的时间内可有效地提取端元,大大减少了计算量;而且每次提取所依据的信息是反映整幅图像数据在特征空间线性相关性的子空间,所以不需要对原始数据进行预处理,避免了丢失小目标的隐患,进而可以提高提取精度.为高光谱遥感图像优化提取提供了参考.     

基于小波变换的高光谱散射图像特征提取

高光谱散射图像的特征提取是影响模型精度的重要因素。本文对600个'Golden Delicious'苹果样本的高光谱散射图像进行分析,分别采用平均反射法和小波变换提取特征。小波变换以Danbechies小波系的Db1函数作为基函数进行1层和2层小波分解,然后选取小波低频系数的一范数作为特征值。利用Kennard-Stone算法划分样本,450个样本用于建模,150的样本用于预测。不同方法提取的特征值输入结合偏最小二乘(PLS)算法建立苹果内部品质的预测模型。结果表明1层小波变换特征提取方法与平均反射(mgan reflectance,Mean)特征提取方法相比能将硬度的预测集相关系数从0.797提高到0.821,预测集均方根误差保持不变;糖度的预测集相关系数从0.837略微提高到0.842并降低了预测集均方根误差。因此小波变换为高光谱散射图像提供了一种有效的特征提取方法。     

改进分水岭算法的彩色图像分割技术

针对传统的分水岭变换可能产生严重的过渡分割,提出的分水岭变换算法在梯度图中去除了无相关点,用梯度临界值控制分割函数式。实验结果显示该算法对具有不同特征的图像均可有效地改进分割的精确性。     

基于EXCEL的高光谱影像光谱响应分析

高光谱遥感侧重于从光谱维角度对影像信息进行分析与处理。由于目前高光谱数据的处理技术跟不上数据获取技术,而已有的成熟的多光谱影像处理技术并不适合于处理高光谱数据,因此利用EXCEL软件展开了高光谱影像的地物光谱重建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量和信息提取等研究,并基于PHI（Pushbroom Hyperspectral Imager）航空高光谱影像像元光谱维矢量进行了光谱响应分析,实现信息监测和识别。     

高光谱图像变化检测技术研究进展

相对于自然图像和多光谱图像,高光谱图像包含丰富的空间—光谱信息,不仅能够保留目标的空间信息,还能够获取高度可辨别的光谱信息。因此,如变化检测、目标追踪等高光谱图像处理技术在对地观测任务中得到了广泛应用。然而,在高光谱图像变化检测的过程中仍然存在许多问题与挑战。如高光谱图像的高维复杂性、光谱差异性以及存在光谱混合等问题,影响变化检测效果。得益于深度学习理论的深入研究,高光谱图像变化检测技术研究得到了极大的发展。本文对现有基于深度学习的变化检测方法进行全面分析总结,按照高光谱图像采集条件是否相同,将其分为同构高光谱图像变化检测以及异构高光谱图像变化检测。其中,从特征提取的网络结构优化和特征提取前混合像素处理两个角度,又将同构高光谱图像变化检测方法进一步分为基于时序依赖和空谱信息提取的方法以及基于端元提取和解混的方法,分别总结各类方法的特点和局限性,并讨论未来的研究重点。此外,面对不同传感器获取的异构高光谱图像数据,现有的方法基于图论学习图像的结构关系,并基于图像变换将其转换至公共域从而进行变化检测处理。本文从高光谱图像变化检测领域的新设计、新方法和应用场景出发,通过综合国内外前沿文献来梳理该领域的主要发展,重点论述高光谱图像变化检测领域的发展现状、前沿动态、热点问题及趋势。     

分水岭优化的Snake模型肝脏图像分割

Snake算法是主动轮廓模型的经典算法,是近年来图像分割和视频领域研究的热点。针对Snake模型中存在的初始轮廓敏感和能量函数中曲率约束不足等问题,提出将分水岭变换和主动轮廓模型相结合的主动轮廓分割算法。首先通过引入标记函数和强制最小值技术解决传统分水岭变换可能导致的过分割问题,然后利用改进的强制标记分水岭算法优化Snake模型的初始轮廓曲线,最后通过在Snake模型中增加一项与曲线形状相关的外部力弥补能量约束函数中曲率约束的不足,从而实现更精确的图像分割。改进后的Snake模型应用于腹部MR图像中,对肝脏图像的识别和分割取得了良好效果。     

基于门控卷积残差网络的卫星图像道路提取

针对遥感影像中道路信息容易受到建筑物、植被等非道路信息干扰的问题,提出了一种基于门控卷积残差网络的遥感影像道路提取模型.首先,该网络使用ResNet101作为网络的编码器,在使得网络足够深的同时,也保证了梯度信息的有效传导;其次,在中心部分使用ASPP多尺度特征提取模块,进一步挖掘特征图中给予的信息;最后,使用门控卷积替换普通的卷积层,它可以根据特征图中参数的重要性,自适应分配权重,作为网络的解码器部分.该方法在CVPR DeepGlobe 2018道路提取挑战赛的数据集上进行了验证,平均交并比、Dice相似系数、召回率分别达到70.20％、82.06％、82.21％,均超过该赛事冠军DlinkNet34,提升了道路提取的效果.     

MapReduce模式下高光谱图像端元提取算法加速

目的 随着成像光谱仪的发展,高光谱遥感图像的空间分辨率和光谱分辨率越来越大,这给高光谱遥感图像解译处理及应用带来挑战。本文提出一种基于MapReduce模式的分布式混合并行处理模型来加速高光谱解混处理。方法 为降低算法计算复杂度,对原串行算法进行并行化设计,并采用行列式分块计算法对原算法进行化简计算;最后在分布式集群环境下,采用Jama和JCuda组件来加速算法执行过程中的矩阵运算操作。结果 针对224波段,400×400像素空间分辨率的高光谱图像,采用分布式混合计算模型进行解混处理比原始的处理方法在速度上有近十倍的提高,且算法计算量越大,加速效果越明显。结论 本文提出了一种基于MapReduce模式的分布式混合并行处理方法来加速最大单形体体积端元提取算法,加速效果明显;采用分块法求解行列式可以大大降低算法复杂度。该方法对计算任务可并行划分、主机与节点间数据交换量少且计算复杂类算法加速效果明显。     

分水岭优化的C-V模型脑肿瘤图像分割

C-V模型可有效对脑肿瘤等医学图像进行分割,但存在对初始轮廓位置敏感及重新初始化耗时的问题,为此,提出了一种分水岭优化的C-V模型脑肿瘤分割方法。首先引入标记函数,通过强制最小技术改善传统分水岭变换的过分割现象,得到粗分割结果,然后在粗分割基础上确定C-V模型初始轮廓位置,最后采用无需重新初始化的C-V模型进行细分割,得到较精确的脑肿瘤分割结果。实例结果表明,经过分水岭优化后的C-V模型能够对常见脑肿瘤图像进行有效分割,尤其是能够将与组织粘连的肿瘤分割出来。     

Generating labeled samples for hyperspectral image classification using correlation of spectral bands

Because the labor needed to manually label a huge training sample set is usually not available, the problem of hyperspectral image classification often suffers from a lack of labeled training samples. At the same time, hyperspectral data represented in a large number of bands are usually highly correlated. In this paper, to overcome the small sample problem in hyperspectral image classification, correlation of spectral bands is fully utilized to generate multiple new sub-samples from each original sample. The number of labeled training samples is thus increased several times. Experiment results demonstrate that the proposed method has an obvious advantage when the number of labeled samples is small.