高光谱图像非负稀疏分量分解建模与鲁棒性解混方法

目的 高光谱解混是高光谱遥感数据分析中的热点问题,其难点在于信息不充分导致的问题病态性。基于光谱库的稀疏性解混方法是目前的代表性方法,但是在实际情况中,高光谱数据通常包含高斯、脉冲和死线等噪声,且各波段噪声的强度往往不同,因此常用的稀疏解混方法鲁棒性不够,解混精度有待提高。针对该问题,本文对高光谱图像进行非负稀疏分量分解建模,提出了一种基于非负稀疏分量分析的鲁棒解混方法。方法 首先综合考虑真实高光谱数据的混合噪声及其各波段噪声强度不同的统计特性,在最大后验概率框架下建立非负矩阵稀疏分量分解模型,然后采用l_1,1范数刻画噪声的稀疏性,l_2,0范数刻画丰度的全局行稀疏性,全变分(total variation,TV)正则项刻画像元的局部同质性和分段平滑性,建立基于非负稀疏分量分析的高光谱鲁棒解混优化模型,最后采用交替方向乘子法(alternating direction method of multipliers,ADMM)设计高效迭代算法。结果 在2组模拟数据集上的实验结果表明,相比于5种对比方法,提出方法在信号与重建误差比(signal to...     

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。     

基于光谱距离聚类的高光谱图像解混算法

为了解决实际高光谱解混（HU）中噪声对解混精度的影响和光谱、空间信息利用不足的问题,提出了一种改进的基于光谱距离聚类的群稀疏非负矩阵分解的解混算法。首先,引入了基于最小误差的高光谱信号辨识算法（Hysime）,通过计算特征值的方式估计信号矩阵和噪声矩阵;然后,提出了一种简单的基于光谱距离的聚类算法,对多个波段生成的光谱反射率距离值小于某一值的相邻像元进行合并聚类生成空间群结构;最后,在生成的群结构基础上进行稀疏化非负矩阵分解。实验分析表明,对于模拟数据和实际数据而言,该算法都比传统算法产生更小的均方根误差（RMSE）和光谱角距离（SAD）,能够产生优于同类算法的解混效果。     

散度核协同表示与空谱融合特征的高光谱图像分类算法

协同表示的相关算法在高光谱图像分类的学习过程中没有很好地刻画高光谱图像的特性，如像素的局域性和标签信息等，因此其性能受到限制。对此，提出一种散度核协同表示技术并利用空谱融合获取特征的分类方法(IKCRC)。为有效刻画像素的局域性和标签信息，该方法构造新的散度核协同表示模型和相应的计算模型。在公式中引入核映射以提高分类能力，在计算过程上使用空谱融合的初步特征提取使得算法简洁高效。在标准高光谱图像数据集上进行的对比实验表明，IKCRC更能有效地提高分类精度。     

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。     

基于二阶矩稀疏编码的高光谱遥感图像分类

高光谱遥感技术是当前遥感领域的前沿技术,将稀疏编码应用于高光谱遥感图像处理是近年来高光谱信息处理的一个热点研究方向。以提升高光谱遥感图像分类准确度为目标,提出一种基于二阶矩空谱联合稀疏编码的遥感图像分类方法。首先从各地物参考数据中选取训练样本,通过学习构造得到字典,然后在训练得到的字典的基础上通过稀疏编码获得每个像元的稀疏系数,之后将稀疏系数作为分类器的输入,通过分类器的分类判决得到最终的分类结果。利用北京市朝阳地区的天宫一号可见近红外高光谱遥感图像数据和KSC高光谱数据,将该方法与支持向量机(SVM)、基于光谱维信息的稀疏编码以及一阶矩空谱联合稀疏编码等方法进行了比较。实验结果表明,提出的分类方法较其他几种方法可以取得更好的分类效果,在天宫一号和KSC数据上的总体分类精度分别可达到95.74%和96.84%,Kappa系数分别可达到0.9476和0.9646。     

基于GPU的空谱联合核稀疏表示高光谱分类并行优化

高光谱图像分类是遥感信息处理领域的热点问题,在核稀疏表示分类框架下,联合光谱信息和像元空间信息,空谱联合核稀疏表示高光谱图像分类能够取得较好的分类效果,但较高的计算复杂度及高光谱图像较大的数据量限制了其在实时性要求较高情况下的应用。基于GPU/CUDA架构,提出了一种空谱联合核稀疏表示高光谱分类的并行优化方法,设计访存优化策略对主机和设备端数据交互进行优化;充分利用GPU并行计算能力,加速分类过程中核矩阵的计算;采用依据GPU并行特性实现的矩阵运算,优化基于交替方向乘子法的分类模型求解过程。利用实际高光谱图像数据进行的实验,验证了该方法的有效性和高效性。     

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。     

高光谱图像分类的融合分层深度网络联合稀疏表示算法

在高光谱图像分类领域中每个像素的局部邻域一旦包含来自不同类别的样本,联合稀疏表示将受邻域内字典原子与测试样本之间同谱异类的影响,严重降低分类性能.根据高光谱图像的特点,文中提出融合分层深度网络的联合稀疏表示算法.在光谱和空间特征学习之间交替提取判别性光谱信息和空间信息,构建兼具空谱特征的学习字典,用于联合稀疏表示.在分类过程中将学习字典与测试样本间的相关系数与分类误差融合并决策.在两个高光谱遥感数据集上的实验验证文中算法的有效性.     

Hyperspectral unmixing employing l1−l2 sparsity and total variation regularization

ABSTRACT

Hyperspectral unmixing is essential for image analysis and quantitative applications. To further improve the accuracy of hyperspectral unmixing, we propose a novel linear hyperspectral unmixing method based on l₁?l₂ sparsity and total variation (TV) regularization. First, the enhanced sparsity based on the l₁?l₂ norm is explored to depict the intrinsic sparse characteristic of the fractional abundances in a sparse regression unmixing model because the l₁?l₂ norm promotes stronger sparsity than the l₁ norm. Then, TV is minimized to enforce the spatial smoothness by considering the spatial correlation between neighbouring pixels. Finally, the extended alternating direction method of multipliers (ADMM) is utilized to solve the proposed model. Experimental results on simulated and real hyperspectral datasets show that the proposed method outperforms several state-of-the-art unmixing methods.     

基于Hessian图正则稀疏NMF的高光谱解混

基于非负矩阵分解(Nonnegative Matrix Factorization, NMF)的高光谱解混(Hyperspectral Unmixing,HU)方法引起了大家的关注,因为可以将一个非负高光谱图像(Hyperspectral Imagery, HSI)数据矩阵分解为两个非负矩阵的乘积,分别对应于端元矩阵和丰度系数矩阵。目前,图约束的NMF算法已经被证明对高光谱解混是有效的,因为它们可以捕获HSI的几何特性。为了挖掘数据在混合过程中的几何结构和稀疏性,提出了一种稀疏的Hessian图正则化NMF(SHGNMF)算法。SHGNMF算法是将丰度矩阵的L1/2正则化器和Hessian图正则化项都添加到每个NMF模型中,同时采用乘法更新规则。最后用模拟数据和真实数据进行实验,验证了所提出的SHGNMF算法相对于其他NMF算法的优越性。     

Kernel sparse representation for hyperspectral unmixing based on high mutual coherence spectral library

ABSTRACT

Sparse regression is now a popular method for hyperspectral unmixing relying on a prior spectral library. However, it is limited by the high mutual coherence spectral library which contains high similarity atoms. In order to improve the accuracy of sparse unmixing with a high mutual coherence spectral library, a new algorithm based on kernel sparse representation unmixing model with total variation constraint is proposed in this paper. By constructing an appropriate kernel function to expand similarity measure scale, library atoms and hyperspectral data are mapped to kernel space where sparse regression algorithms are then applied. Experiments conducted with both simulated and real hyperspectral data sets indicate that the proposed algorithm effectively improves the unmixing performance when using a high mutual coherence spectral library because of its ability to precisely extract endmembers in hyperspectral images. Compared with other state-of-the-art algorithms, the proposed algorithm obtains low reconstruction errors in pixels with different mixed degree.     

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。     

A spectral-spatial method based on low-rank and sparse matrix decomposition for hyperspectral anomaly detection

Recently, some methods based on low-rank and sparse matrix decomposition (LRASMD) have been developed to improve the performance of hyperspectral anomaly detection (AD). However, these methods mainly take advantage of the spectral information in hyperspectral imagery (HSI), and ignore the spatial information. This article proposes an LRASMD-based spectral-spatial (LS-SS) method for hyperspectral AD. First, the Go Decomposition (GoDec) algorithm is employed to solve the low-rank background component and the sparse anomaly component. Next, the sparse component is explored to calculate the spectral sparsity divergence index (SDI). Based on spectral SDI, the detection result in the spectral domain and the reliable background points, which are employed as training data to construct the background manifold by linear local tangent space alignment (LLTSA), can also be obtained. Then, based on the background manifold and the transformation matrix, the low-dimensional manifold of the whole data is computed by linear mapping. After that, the kernel collaborative representation detector (KCRD) is used in the low-dimensional manifold of the whole data for the spatial SDI. Finally, SS SDI is computed for the final detection result. The theoretical analysis and experimental results demonstrate that the proposed LS-SS can achieve better performance when compared with the comparison algorithms.     

基于信息熵和改进相似度协同过滤算法

为了减少协同过滤算法存在的噪音数据以及数据稀疏性问题,提高算法准确性,本文提出一种基于信息熵和改进相似度的协同过滤算法,使用用户信息熵模型来判断噪音数据,排除噪音数据对实验结果的干扰;使用面向稀疏数据的改进相似度计算方法,使用全部评分数据而不是依靠共同的评分项来计算,对缓解稀疏数据对推荐结果的精确性影响有很大帮助。实验结果表明,该算法能在一定程度上排除噪音数据对结果的影响,缓解数据稀疏对推荐结果精确性的干扰,提高该推荐算法的精确性,且缓解了传统推荐系统算法中常见的一些问题,与传统的协同过滤算法相比,该算法的精确性更高。     

A novel l 1/2 sparse regression method for hyperspectral unmixing

Hyperspectral unmixing (HU) is a popular tool in remotely sensed hyperspectral data interpretation, and it is used to estimate the number of reference spectra (end-members), their spectral signatures, and their fractional abundances. However, it can also be assumed that the observed image signatures can be expressed in the form of linear combinations of a large number of pure spectral signatures known in advance (e.g. spectra collected on the ground by a field spectro-radiometer, called a spectral library). Under this assumption, the solution of the fractional abundances of each spectrum can be seen as sparse, and the HU problem can be modelled as a constrained sparse regression (CSR) problem used to compute the fractional abundances in a sparse (i.e. with a small number of terms) linear mixture of spectra, selected from large libraries. In this article, we use the l _1/2 regularizer with the properties of unbiasedness and sparsity to enforce the sparsity of the fractional abundances instead of the l ₀ and l ₁ regularizers in CSR unmixing models, as the l _1/2 regularizer is much easier to be solved than the l ₀ regularizer and has stronger sparsity than the l ₁ regularizer (Xu et al. 2010). A reweighted iterative algorithm is introduced to convert the l _1/2 problem into the l ₁ problem; we then use the Split Bregman iterative algorithm to solve this reweighted l ₁ problem by a linear transformation. The experiments on simulated and real data both show that the l _1/2 regularized sparse regression method is effective and accurate on linear hyperspectral unmixing.     

融合用户信任模型的协同过滤推荐算法

协同过滤推荐是电子商务系统中最为重要的技术之一.随着电子商务系统中用户数目和商品数目的增加,用户-项目评分数据稀疏性问题日益显著.传统的相似度度量方法是基于用户共同评分项目计算的,而过于稀疏的评分使得不能准确预测用户偏好,导致推荐质量急剧下降.针对上述问题,本文考虑用户评分相似性和用户之间信任关系对推荐结果的影响,利用层次分析法实现用户信任模型的构建,提出一种融合用户信任模型的协同过滤推荐算法.实验结果表明： 该算法能够有效反映用户认知变化,缓解评分数据稀疏性对协同过滤推荐算法的影响,提高推荐结果的准确度.     

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.