共查询到19条相似文献,搜索用时 73 毫秒
1.
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。 相似文献
2.
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. 相似文献
3.
针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。 相似文献
4.
5.
6.
7.
8.
9.
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。 相似文献
10.
高光谱图像的空间分辨率较低,导致大量混合像元存在于高光谱图像中。混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一。高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义。高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混。归纳了线性光谱解混的两个步骤:(1)提取纯净像元中地物的光谱信号,即提取端元,这是关键步骤;(2)利用端元的加权线性组合对混合像元进行光谱解混,即丰度反演。简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法。通过归纳、对比和分析,总结了不同端元提取方法的特点,并对高光谱解混的研究前景进行了展望。 相似文献
11.
提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势. 相似文献
12.
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. 相似文献
13.
随着高光谱成像技术的发展,日益提高的光谱分辨率在提高目标检测和识别能力的同时,其较高的数据维度和较大的数据量也为数据分析和处理带来了很大的挑战.波段选择作为一种有效提高处理效率的技术受到广泛关注,但却鲜有专门针对目标检测设计的方法.针对上述问题,本文在分析约束能量最小化(CEM)检测算法特点的基础上,提出了一种面向目标检测,基于稀疏表示的波段选择方法.该方法首先基于数据的对称KL散度分布情况,将原始高光谱数据划分为若干波段子空间.然后在各子空间内稀疏重构检测结果,利用选择波段与稀疏向量非零项的一一对应关系,通过求解最优化问题实现波段选择.实验结果验证了该方法的有效性. 相似文献
14.
Spectral clustering is a powerful tool for exploratory data analysis. Many existing spectral clustering algorithms typically measure the similarity by using a Gaussian kernel function or an undirected k‐nearest neighbor (kNN) graph, which cannot reveal the real clusters when the data are not well separated. In this paper, to improve the spectral clustering, we consider a robust similarity measure based on the shared nearest neighbors in a directed kNN graph. We propose two novel algorithms for spectral clustering: one based on the number of shared nearest neighbors, and one based on their closeness. The proposed algorithms are able to explore the underlying similarity relationships between data points, and are robust to datasets that are not well separated. Moreover, the proposed algorithms have only one parameter, k. We evaluated the proposed algorithms using synthetic and real‐world datasets. The experimental results demonstrate that the proposed algorithms not only achieve a good level of performance, they also outperform the traditional spectral clustering algorithms. 相似文献
15.
In most spectral clustering approaches, the Gaussian kernel‐based similarity measure is used to construct the affinity matrix. However, such a similarity measure does not work well on a dataset with a nonlinear and elongated structure. In this paper, we present a new similarity measure to deal with the nonlinearity issue. The maximum flow between data points is computed as the new similarity, which can satisfy the requirement for similarity in the clustering method. Additionally, the new similarity carries the global and local relations between data. We apply it to spectral clustering and compare the proposed similarity measure with other state‐of‐the‐art methods on both synthetic and real‐world data. The experiment results show the superiority of the new similarity: 1) The max‐flow‐based similarity measure can significantly improve the performance of spectral clustering; 2) It is robust and not sensitive to the parameters. 相似文献
16.
17.
基于稀疏表示及光谱信息的高光谱遥感图像分类 总被引:10,自引:1,他引:10
该文结合稀疏表示及光谱信息提出了一种新的高光谱遥感图像分类算法。首先提出利用高光谱遥感图像数据集构造学习字典,然后根据学习字典计算每个像元的稀疏系数,从而获得像元的稀疏表示特征,最后根据稀疏表示特征和光谱信息分别构造随机森林,通过投票机制得到最终的分类结果。在AVIRIS高光谱遥感图像上的实验结果表明:该文所提方法能够提高分类效果,且其分类总精度和Kappa系数要高于光谱信息和稀疏表示特征方法。 相似文献
18.
本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。 相似文献