基于差分搜索的高光谱图像解混算法

针对高光谱图像解混问题进行研究,发现高光谱图像中各个端元的分布不完全独立,不能将盲源分离方法直接应用于高光谱图像解混。为此,提出了一种基于差分搜索的高光谱图像解混算法。该算法根据高光谱图像丰度非负和丰度和为一特性构造相应的约束项,与互信息相结合作为目标函数,利用差分搜索算法对该目标函数进行优化求解来实现高光谱图像解混。仿真数据和实际数据实验表明,该算法能够有效解决高光谱图像解混问题,与已有其它算法相比,提高了图像解混的精度,并且针对不含纯像元的高光谱图像具有很好的解混效果。     

利用稳健非负矩阵分解实现无监督高光谱解混

目的 基于非负矩阵分解的高光谱图像无监督解混算法普遍存在着目标函数对噪声敏感、在低信噪比条件下端元提取和丰度估计性能不佳的缺点。因此,提出一种基于稳健非负矩阵分解的高光谱图像混合像元分解算法。方法 首先在传统基于非负矩阵分解的解混算法基础上,对目标函数加以改进,用更加稳健的L₁范数作为重建误差项,提高算法对噪声的适应能力,得到新的无监督解混目标函数。针对新目标函数的非凸特性,利用梯度下降法对端元矩阵和丰度矩阵交替迭代求解,进而完成优化求解,得到端元和丰度估计值。结果 分别利用模拟和真实高光谱数据,对算法性能进行定性和定量分析。在模拟数据集中,将本文算法与具有代表性的5种无监督解混算法进行比较,相比于对比算法中最优者,本文算法在典型信噪比20 dB下,光谱角距离（spectral angle distance,SAD）增大了10.5%,信号重构误差（signal to reconstruction error,SRE）减小了9.3%;在真实数据集中,利用光谱库中的地物光谱特征验证本文算法端元提取质量,并利用真实地物分布定性分析丰度估计结果。结论 提出的基于稳健非负矩阵分解的高光谱无监督解混算法,在低信噪比条件下,能够获得较好的端元提取和丰度估计精度,解混效果更好。     

基于樽海鞘群体优化非负矩阵分解的高光谱图像解混算法

针对鲁棒非负矩阵分解应用于高光谱图像处理时,存在对初始值的敏感性,求解目标函数时易陷入局部最优的缺点,提出基于樽海鞘群体优化鲁棒非负矩阵分解的高光谱图像解混算法.该算法基于鲁棒线性混合模型,在RNMF框架下,采用樽海鞘群体算法取代乘法迭代策略,以增强算法全局搜索能力,在约束空间内随机搜索满足目标函数的全局最优解,可有效地完成非线性高光谱图像解混.仿真数据与真实遥感数据实验结果表明,本文算法在处理高光谱图像时,能够有效地避免RNMF算法易陷入局部最优解的局限性,具有更好的解混性能.     

面向目标检测的高光谱图像压缩技术

提出了一种基于面向目标检测的高光谱图像压缩算法。该算法利用主成分分析对高光谱图像进行降维,引入虚拟维数对高光谱图像的本征维数进行估计,在估计结果基础上确定降维后的主成分数,并采用SPIHT算法对保留的主成分进行有损压缩。同时,虚拟维数可以实现对图像中端元数目的有效估计,继而采用基于无监督正交子空间投影的端元提取算法提取各目标端元,利用算术编码对目标端元的位置进行无损压缩,解码端可以利用获得的端元位置信息对解压缩后的主成分进行目标检测。实验结果表明,该算法在获得较高压缩性能的同时,能够有效检测出图像中的目标信息。     

结合空间光谱预处理和约束非负矩阵分解的高光谱图像混合像元分解

目的 混合像元问题在高光谱遥感图像处理分析中普遍存在,非负矩阵分解的方法被引入到高光谱图像解混中。本文提出结合空间光谱预处理和约束非负矩阵分解的混合像元分解流程。方法 结合空间光谱预处理的约束非负矩阵分解,如最小体积约束、流行约束等,通过加入邻域的空间和光谱信息进行预处理获得更优的预选端元,从而对非负矩阵分解的解混结果进行优化。结果 在5组不同信噪比的模拟数据实验中,空间预处理（SPP）和空间光谱预处理（SSPP）均能够有效提高约束非负矩阵分解（最小体积约束的非负矩阵分解和图正则非负矩阵分解）的解混结果,其中SPP在不同信噪比的情况下都能优化约束非负矩阵分解的结果,而SSPP在低信噪比的情况下,预处理效果更佳。利用美国内华达州Cuprite矿区数据进行真实数据实验,SPP提高了约束非负矩阵分解的解混精度,而SSPP在复杂场景下,解混精度更佳。模拟数据和真实数据的实验均表明,空间光谱预处理能够有效地提高约束非负矩阵分解的解混精度,特别是对于信噪比较低的情况下,融合空间和光谱信息对噪声有很好的鲁棒性。结论 本文对约束非负矩阵分解的解混算法添加空间光谱预处理,利用高光谱遥感数据的空间和光谱信息,优化预选端元,加入空间光谱预处理的非负矩阵解混实验流程,在复杂场景情况下,对噪声具有较好的鲁棒性。     

基于类解混的高光谱和多光谱图像融合算法

基于解混合的图像融合算法存在的2个问题:(1)用低分辨率高光谱图像(low-resolution hyperspectral image,LR-HSI)的光谱特征重建高分辨率高光谱图像(high-resolution hyperspectral image,HR-HSI),而LR-HSI的空间降质会导致光谱的精度损失;(2)基于非负矩阵解混的算法由于目标函数非凸性,其求解对初始值敏感,导致端元和丰度值不稳定.为解决此问题,提出基于类解混的高光谱图像融合算法.首先,利用模糊c均值算法对图像聚类,以距离聚类中心最近的像素代替解混端元,避开了直接解混导致的解不稳定问题.其次,为每类地物分别学习基于广义回归神经网络(general regression neural network,GRNN)的相同场景HR-HSI和LR-HSI在光谱域的非线性映射关系,弥补由于空间降质导致的端元光谱精度损失.文中借鉴解混合思想,由低分辨率高光谱图像的端元重建高分辨率高光谱图像的端元,将其与高分辨率多光谱图像(high-resolution multispectral image,HR-MSI)的稀疏系数结合得到HR-HSI.在4组数据集上验证本算法性能,与多种融合算法比较.实验表明,Salinas数据的实验结果在SAM,RMSE和ERGAS指标与次优的方法相比,它们的数值分别降低了5.5%,5.5%和1.6%;在Cuprite数据上数值降低了1.3%,3.9%和3.8%;在Indian Pines数据上数值分别降低了1.7%,4.0%和3.9%;在Pavia Center数据上,采用双三次插值时在SAM和ERGAS指标上与次优的方法相比数值分别降低了2.9%和8.5%;采用双线性插值时数值分别降低了3.5%和3.4%.所以,文中算法在有效地提升空间分辨率的同时,很好地保持了光谱信息.     

一种无监督高光谱图像分类算法

为了实现对无任何先验知识的高光谱遥感数据的全自动分类,提出了一种关于高光谱图像的无监督分类算法。该算法将高光谱图像的凸面几何特征与光谱特征相结合,通过自动提取端元,并利用所提取的端元进行类别识别来实现高光谱图像的自动分类。此算法的特点是原理简单、易于实现、适应性广,而且不需要任何辅助支持和人工干预。实验结果表明,该算法能够获得较好的分类效果。     

矿物高光谱解混进展研究综述

由于高光谱传感器低空间分辨率特征,岩石高光谱一般是矿物组分的综合反映。矿物高光谱解混对矿产勘查、矿物含量定量反演和野外地质填图等提供了可行的鉴定方法。首先介绍了2种主要的光谱混合模型;其次基于矿物混合机理特征,从模型驱动法和数据驱动法2个方面,对近年高光谱数据的端元提取和丰度求解算法进行归纳,分析各解混算法的原理和优缺点;然后从实验室实测数据、模拟数据和高光谱影像数据3个方面,对目前已开展的混合矿物高光谱解混实验进行概括,总结各算法的解混效果和适用性;最后针对各解混算法的特点和研究现状指出未来矿物高光谱解混的研究方向。     

高光谱图像非线性解混方法的研究进展

由于空间分辨率的限制,高光谱遥感图像中存在大量混合像元,对混合像元的解混是实现地物精确分类和识别的前提。与传统的线性解混方法相比,非线性解混方法在寻找组成混合像元的端元以及每个端元的丰度时具有较高的精度。分析了光谱非线性混合的原理,总结了近年来提出的非线性解混算法,重点对双线性模型、神经网络、基于核函数的非线性解混算法以及基于流形学习的非线性解混算法进行了介绍和分析。最后总结了混合像元非线性解混未来发展的趋势。     

结合地物光谱库的高光谱端元识别及解混

针对目前基于地物光谱库的高光谱影像稀疏解混方法得到的端元丰度与真实端元丰度仍有较大差距,解混结果中出现很多具有小丰度值的多选端元(伪端元),提出一种基于光谱库的高光谱遥感影像端元识别和稀疏解混方法。首先对影像进行初步稀疏解混,将得到的解混丰度进行显著性分析,自适应地选择显著性丰度阈值,将低于该阈值丰度的端元从混合像元中剔除,得到更为稀疏和准确的表示端元子集。模拟数据的实验表明,该方法能极大提高解混丰度的稀疏性,提高端元识别的准确率,并在一定程度上提高解混的整体精度。真实数据实验结果也验证了该方法在真实影像复杂场景下的有效性。     

基于超像素的流形正则化稀疏约束NMF混合像元分解算法

针对传统非负矩阵分解（NMF）法用于高光谱图像混合像元分解时产生的分解结果精度不高、对噪声敏感等问题，提出一种基于超像素的流形正则化稀疏约束NMF混合像元分解算法——MRS-NMF。首先，通过基于熵率的超像素分割来构造高光谱图像的流形结构，把原图像分割为k个超像素块并把每个超像素块中具有相似性质的数据点标上相同的标签，定义像素块内有相同标签的任意两个数据点之间的权重矩阵，然后将权重矩阵应用于NMF的目标函数中以构造出流形正则化约束项；第二，在目标函数中添加二次抛物线函数以完成稀疏约束；最后，采用乘法迭代更新法则求解目标函数以得到端元矩阵和丰度矩阵的求解公式，同时设置最大迭代次数和容忍误差阈值，迭代运算得到最终结果。该方法有效利用了高光谱图像的光谱和空间信息。实验结果表明，在模拟的高光谱数据中，与传统的流形稀疏约束的非负矩阵分解（GLNMF）、L1/2-NMF和顶点成分分析-全约束最小二乘法（VCA-FCLS）等方法相比，MRS-NMF可以提高0.016~0.063的端元分解精度和0.01~0.05的丰度分解精度；而在真实的高光谱图像中，MRS-NMF较传统的GLNMF、顶点成分分析法（VCA）、最小体积约束的非负矩阵分解（MVCNMF）等方法可以平均提高0.001~0.0437的端元分解精度。所提MRS-NMF算法有效地提高了混合像元分解的精度，同时具有较好的抗噪性能。     

马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用

针对基于非负矩阵分解（NMF）的高光谱解混存在的初始化与"局部极小"等问题,提出一种基于马尔可夫随机场（MRF）的空间相关约束NMF线性解混算法（MRF-NMF）。首先,通过基于最小误差的高光谱信号识别（HySime）法估算端元数量,同时利用顶点成分分析（VCA）和全约束最小二乘法（FCLS）初始化端元矩阵与丰度矩阵;其次,利用MRF模型建立描述地物空间分布规律的能量函数,以此描述地物分布的空间相关特征;最后,将基于MRF的空间相关约束函数与NMF标准目标函数以交替迭代的形式参与解混,得出高光谱数据的端元信息与丰度分解结果。理论分析和真实数据实验结果表明,在高光谱数据空间相关程度较低的情况下,相比最小体积约束的NMF （MVC-NMF）、分段平滑和稀疏约束的NMF （PSNMFSC）和交互投影子梯度非负矩阵分解（APS-NMF）三种参考算法,所提算法的端元分解精度仍分别提高了7.82%、12.4%和10.1%,其丰度分解精度仍分别提高了8.34%、12.6%和9.87%。MRF-NMF能够弥补NMF对于空间相关特征描述能力的不足,减小解混结果中地物的空间能量分布误差。     

Spatial-Spectral Preprocessing based on Nonnegative Matrix Factorization to Unmix Hyperspectral Data

Non-negative Matrix Factorization (NMF)method of blind spectral unmixing can obtain the spectrum and abundance of the endmember by synchronous optimization,without supervising the selection of endmember.Therefore,NMF has been developed rapidly in the application of hyperspectral unmixing.However,traditional blind spectral unmixing NMF method tends to fall into the local optimum and it is difficult to obtain a stable optimal solution.In this paper,we propose an improved Non-negative Matrix Factorization (NMF)method based on Spatial\|Spectal Preprocessing for spectral unmixing of hyperspectral data (SSPP-NMF).First,the SSPP algorithm is used to combine spatial and spectral information to select reasonable and effective dataset.Then,the NMF algorithm is used to unmix this dataset to obtain the final optimized endmember spectrum.Finally,the Non\|Negative Least Squares (NNLS)method is used to obtain the final abundance of the whole study area.The validity and applicability of the proposed method were analyzed based on a set of synthetic hyperspectral data and real hyperspectral images;and then the results were compared with that from three algorithms including the existing NMF algorithm,MVC\|NMF algorithm and ATGP-NMF algorithm.Results show that compared with ATGP-NMF and MVC-NMF,the SSPP algorithm can effectively suppress the influence of noise,significantly improve the performance of the NMF method of blind spectral unmixing algorithm.     

基于稀疏和正交约束非负矩阵分解的高光谱解混

针对基于非负矩阵分解（NMF）的高光谱解混存在的容易陷入局部极小值和受初始值影响较大的问题，提出一种稀疏和正交约束相结合的NMF的线性解混算法SONMF。首先，从传统的基于NMF的高光谱线性解混方法出发，分析高光谱数据本身的理化特性；然后，结合丰度的稀疏性和端元的独立性两个方面，将稀疏非负矩阵分解（SNMF）和正交非负矩阵分解（ONMF）两种方法结合应用到高光谱解混当中。模拟数据和真实数据实验表明，相比顶点成分分析法（VCA）、SNMF和ONMF这三种参考解混算法，所提算法提高了线性解混的性能；其中，评价指标光谱角距离（SAD）降低了0.012~0.145。SONMF能够结合两种约束条件的优势，弥补传统基于NMF线性解混方法对高光谱数据表达的不足，取得较好的效果。     

基于光谱信息散度与光谱角匹配的高光谱解混算法

针对采用线性逆卷积(LD)算法进行端元初选过程中,端元子集中存在相似端元光谱,影响解混精度的问题,提出了一种基于光谱信息散度(SID)与光谱角匹配(SAM)算法的端元子集优选光谱解混算法。通过在端元进行二次选择时,采用以光谱信息散度和光谱角(SID-SA)混合法准则作为最相似端元选择的判据,去除相似端元,降低相似端元对解混精度的影响。实验结果表明,基于SID与SAM的高光谱解混算法将重构影像的均方根误差(RMSE)降低到0.0104,该方法比传统方法提高了端元的选择精度,减少了丰度估计误差,误差分布更加均匀。     

基于拉格朗日的高光谱解混算法研究*

针对混合像元分解误差问题,提出一种基于拉格朗日算法的高光谱解混算法。通过变分增广拉格朗日算法提取出部分端元,由于端元组中存在相似端元影响解混精度,利用基于梯度的光谱信息散度算法进行光谱区分,除去相似端元。通过对得到的端元进行排序,依次增加端元进行光谱解混,将满足条件的端元增加进端元组,最终得到优选端元。该方法不仅有效去除了相似端元的干扰,而且不需要不断搜索端元的组合,根据每个端元对于混合像元的重要性做出相应次数的非限制性最小二乘法计算,得到更精确高光谱端元的子集,该方法对高光谱混合像元解混的效率以及可靠性均有所提高。     

Piecewise Convex Mulutiple-model Hyperspectral Imagery ENDmember\|extraction based on Discrete Particle Swarm Optimization

Piecewise COnvex Multiple\|Model ENDmember(PCOMMEND) spectral unmixing can well solve unmixing of the nonconvex hyperspectral data，which improves the calculation accuracy of the standard linear mixed model based on the convex geometry model.the number of piecewise convex is not sure in the practical application，which limits the calculation ccuracy of unmixing and the wrong endmembers will sometimes extracted，in view of the situation，the Discrete Particle Swarm Optimization(D\|PSO)is proposed to unmix the piecewise convex mulutiple\|model hyperspectral imagery，D\|PSO is the intelligent algorithm of random search，and is able to find the global optimal solution of convex function，which reduce the unmixing error caused by the uncertainty number of the convex section，experiments on the simulative data and real data has indicate D\|PSO improves the accuracy of the extracting endmember and estimating the proportion.     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。