基于体积和稀疏约束的高光谱混合像元分解算法

针对传统非负矩阵分解法中解空间较大、存在大量局部极小值的问题,提出了一种基于单形体体积和丰度稀疏性约束的非负矩阵分解法（Volume and Sparseness Constrained NMF,VSC-NMF）。该方法首先使用顶点成分分析法对高光谱图像进行端元提取,将其作为端元矩阵的初始值,可达到加速算法收敛的目的;然后,在目标函数中加入单形体体积最小化约束和丰度稀疏性约束,从而实现对混合像元进行较好的分解。实验结果表明,该方法不仅能有效地克服传统非负矩阵分解法的缺陷,而且能估计出精确的端元和对应的丰度,获得满意的解混效果,尤其适用于稀疏度较高的高光谱图像。     

有监督的高光谱图像伪装目标检测方法

针对伪装目标检测问题,提出了一种有监督的高光谱伪装目标检测方法。以植被型伪装目标为研究对象,在分析伪装材料与绿色植被光谱之间特性的基础上,先通过光谱重排、光谱微分以及光谱差异性增强处理,对植被型伪装材料与真实植被（背景）之间的光谱差异进行放大,然后利用主成分分析（PCA）变换进行降维,从而实现了一种适用于大面积植被型伪装目标的高光谱检测方法。实验结果表明,该检测方法在检测时间和检测效果上要优于基于加权的约束能量最小化法（WCM-CEM）和基于非监督目标生成处理的正交子空间投影法（UTGP-OSP）。