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。     

基于RBF神经网络的混合像元分解

介绍了高光谱遥感技术中混合像元的概念,可以通过分析高光谱遥感光谱曲线,来确定混合像元的地物组成类别和比例,实现混合像元分解的目的.阐述了基于RBF网络进行混合像元分解的方法,并采用模拟遥感数据进行了仿真实验,验证了这种方法的有效性.     

基于混合像元分解的薄云下光学遥感图像恢复方法

云遮挡是限制光学遥感卫星对地观测能力的主要因素之一。针对薄云下光学遥感图像的图像恢复问题,首先将云对光谱观测值的影响在线性混合像元模型中显性地加以表达,提出了针对云特性的改进型线性混合像元模型;其次给出了两种基于混合像元分解的图像恢复方法、直接消除法与丰度调整法;最后分别在两种混合像元分解算法与两种图像恢复方法,即VCA（顶点成分分析）算法/MDC-NMF(最小距离限制的非负矩阵分解)算法与直接消除法/丰度调整法的不同组合下,分别利用模拟数据和真实数据,对相关方法的图像恢复能力和图像恢复效果进行了定性和定量分析。实验结果表明,MDC-NMF算法与丰度调整法的组合处理能够获得最佳的图像恢复效果。     

基于自组织映射和模糊隶属度的混合像元分解

遥感图像中普遍存在着混合像元,将混合像元分解为端元和它们之间混合的丰度,对于高精度的地物识别和定量遥感具有重要意义.结合自组织映射神经网络和模糊理论中的模糊隶属度,提出一种新的多光谱和高光谱遥感图像混合像元分解的方法.首先对自组织映射神经网络进行有监督的训练,然后基于模糊模型对混合像元进行分解.其分解结果自动满足混合像元分解问题所要求的2个约束:丰度值非负约束及丰度值和为1约束.实验结果表明,该方法不仅适用于线性光谱混合的情况,也适用于非线性光谱混合的情况,能够获得较好的混合像元分解结果,同时具有较强的抗噪声能力.     

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...     

基于光谱归一化的变组分光谱混合分析(NMESMA)方法及其应用

混合像元问题在低、中分辨率遥感图像中尤为突出,混合像元的存在不仅会影响地物识别和图像分类精度,也是遥感科学向定量化发展的主要障碍之一。因此,遥感图像混合像元分解及其地表覆盖信息的定量提取是近年来研究的热点。针对城市土地覆盖信息的定量提取问题,利用中等分辨率遥感图像(Landsat TM),集成光谱归一化与变组分光谱混合分析(NMESMA)的方法,基于植被-非渗透表面-土壤(V\|I\|S)模型,定量提取研究区植被、土壤和非渗透表面3类土地覆盖的定量信息,并与固定组分的光谱混合分析(LSMA)分解结果进行对比分析。结果表明:基于光谱归一化的变组分光谱混合分析(NMESMA)方法获得的精度高于传统固定组分的光谱混合分析(LSMA)结果,可有效解决光谱异质性较高的城市区域的混合像元问题,为有效提取城市地表覆盖信息,研究城市生态环境变化和模拟分析,提供了有效的信息提取方法。     

一种高光谱遥感影像端元自动提取方法

针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解。利用北京昌平地区的OMIS高光谱遥感数据进行了验证,结果表明算法可行有效,自动化程度较高,作为训练样本进行分类能够获得较高精度,优于常规方法。     

基于有监督模糊C-均值算法的混合像元分解

遥感影像中普遍存在混合像元,混合像元的分解是遥感图像处理的一大难点,同时也是人们研究的热点。使用有监督的模糊C-均值算法对遥感影像的混合像元进行分解。在传统的模糊C-均值算法的基础上结合先验知识引入优化初始聚类中心的方法,结合通过降采样产生的模拟数据、ETM遥感影像和MODIS遥感影像对算法性能进行了实验。结果表明,算法适用于多光谱遥感图像的混合像元分解,是一种简易可行的方法。     

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。     

结合超分辨率重建的神经网络亚像元定位方法

遥感影像中普遍存在着混合像元,如何分析和解译混合像元一直是人们研究的热点。亚像元定位方法是将混合像元分解成为亚像元,并赋予不同的端元组分,以提高影像整体分类精度的一种技术。本文在神经网络亚像元定位模型的基础上,结合超分辨率重建理论,提出一种新型的BPMAP模型,在每一个类别的组成分图像与亚像元定位图像之间建立起高、低分辨率的观测模型,采用最大后验估计（MAP）算法对BP神经网络的定位结果进行约束,最终确定混合像元内部各组分合适的空间位置。通过对模拟的简单图像和长江三峡地区的ETM影像进行实验,结果表明,与神经网络模型相比,本文方法能够更加有效地解决亚像元定位的问题,进一步消除定位过程中产生的误差,提高精度。