利用卡方分布改进N-FINDR端元提取算法

针对N-FINDR算法计算速度慢、搜索范围较大的特点,提出改进的快速N-FINDR算法,通过提供一个像元个数较少的候选端元集合,为N-FINDR算法提供一个较小的搜索范围。在N-FINDR算法中,所有的端元被认为是处于所有像元构成的单形体的顶点位置,表示这些像元远离像元聚类中心。因此,利用卡方分布的分位点可以分离出这些像元,形成数量较少的候选端元集合。利用合成的和真实的高光谱数据对该算法的性能进行了验证。实验表明,在与N-FINDR算法有相同的端元提取精度的前提下,该算法计算速度更快。     

高光谱端元自动确定与提取的迭代算法

针对端元提取算法依赖人工确定端元数量的问题, 提出一种端元自动确定与提取的迭代算法。首先, 通过统计分析获得像元相似性阈值, 确定候选端元判据;其次, 对候选端元进行内、外部相关性判断, 对端元光谱集进行病态矩阵规避判断;最后, 以候选端元判据为迭代终止条件, 当图像空间不存在候选端元时, 获得端元集合并确定端元数。实验结果表明, 该方法正确有效, 可以避免顺序端元提取方法的错误风险, 提高端元提取自动化程度。     

高光谱图像端元提取算法研究进展与比较

高光谱图像中混合像元的存在不仅影响了基于遥感影像的地物识别和分类精度,而且已经成为遥感科学向定量化方向发展的主要障碍。本文分析和研究了现有的典型端元提取算法,在此基础上,对这些算法进行归纳总结,从是否假定纯像元存在角度将其分为两类：端元识别算法和端元生成算法,并就两种分类方法选取了具有代表性的6种典型端元提取算法：N-FINDR、VCA、SGA、OSP、ICE和MVC-NMF算法进行分析和实验。通过对这6种方法的实验比较,得出两种端元提取分类方法的优点与不足,并对今后的研究工作提出展望。     

基于顶点成分分析法的端元提取改进算法

顶点成分分析算法没有考虑图像的空间信息,对于噪声较大的高光谱图像其有效性可能会降低;同时,其需要预先确定端元数量,端元数的正确性对丰度分解具有较大风险;另外,由于算法迭代投影的初始基准具有随机性,因此导致了其多次运行结果不稳定。针对以上3方面问题,本文利用图像空间信息排除噪声,确定候选端元;然后对候选端元集进行病态矩阵规避判断,确保候选端元矩阵的有效性;经过改进迭代,端元矩阵趋近完整、稳定,自适应获得端元个数。试验表明,该方法正确有效,改进了VCA算法缺陷。     

高分辨率图像辅助提取高光谱图像端元

现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。     

以凸面单体边界为搜索空间的端元快速提取算法

提出了以凸面单体边界为搜索空间的端元快速提取算法, 其核心包括凸面单体边界的确定和以凸面单体边界为基础的端元搜索两部分。实验表明: 该算法不仅能够准确地寻找到端元, 而且端元提取速度明显快于现有的端元提取算法。     

光谱解混误差分析下的端元数目估计算法

确定端元数目是混合像元分解中端元提取的前提.目前端元数目主要还是通过判读人员根据经验或者估计最优子空间的方法来确定,这些方法都没有从提高混合像元分解精度的角度出发进行端元数目估计.在分析漏选、多选端元时光谱解混误差的基础上,提出了一种基于光谱解混误差的端元数目估计算法,该算法在估计端元数目的同时可以实现端元提取.实验结果表明,该方法在低信噪比情况下仍能正确地估计端元数目,并且可以正确地提取端元.     

基于四元数的多光谱遥感影像水域提取

特征提取是影像目标分类识别的重要步骤。通过研究四元数在多光谱遥感影像处理中应用的优势,提出了一种基于四元数的多光谱遥感影像水域提取的算法。该算法把多光谱遥感影像的所有波段作为一个整体考虑,充分利用了光谱信息,同时也减少了计算量。实验表明,该算法具有明显的优越性和适应性。     

面向端元提取的光谱角特征空间图像分块方法

传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。     

约束非负矩阵分解框架下高维自适应粒子群端元提取

传统基于约束非负矩阵分解NMF(Nonnegative Matrix Factorization)的高光谱端元提取算法一般存在两个问题:一方面,以固定惩罚系数方法处理端元提取的约束优化问题,难以较好权衡目标项与约束项间的关系,影响提取效果;另一方面,求解过程通常基于梯度算法,依赖于初始值和步长的设定,容易陷入局部最优。针对这些问题本文提出约束NMF框架下高维自适应粒子群端元提取算法HAPSO(High-dimension Adaptive Particle Swarm Optimization)。该算法在端元距离最小约束的NMF框架下,利用粒子群算法PSO替代原梯度算法以增强全局搜索能力;采用高维PSO方法解决了多波段高维问题,并结合种群信息构建自适应惩罚机制以实现端元提取中目标与约束的合理权衡。通过模拟影像和真实影像的实验,证实该算法与传统的NMF端元提取算法相比能够更合理地权衡约束和避免局部最优,具有较好的端元提取效果。     

高光谱遥感图像的端元递进提取算法

针对高光谱遥感图像中可能并不存在图像端元这一问题,试探的提出一种基于线性混合模型下对初步提取的最近似于端元的像元进行再分析的端元提取算法,即高光谱遥感图像的端元递进提取算法.首先针对3个端元线性混合的图像进行提取,在图像中找到最大近似于端元的像元,利用凸面单形体的几何性质,找出初步提取像元附近位于图像端元构成的凸面单形体边界上的像元,通过计算图像端元在边界像元中的含量,应用线性反解提取出图像端元.模拟图像中的初步结果表明在不存在图像端元的图像中,该算法可以有效的提取3个端元,应用于实际Hyperion图像取得了较好的实验效果.     

一种端元变化的神经网络混合像元分解方法

遥感图像中普遍存在着混合像元,对混合像元进行分解是遥感图像处理中的难点,在端元（Endm ember）个数不变的情况下,往往得到的分解结果精度不高。本文基于fuzzy ARTMAP神经网络,提出一种基于端元变化的神经网络混合像元分解模型。首先利用混合像元与纯净端元之间的光谱相似性,判断出混合像元包含的端元个数及类别,然后结合fuzzy ARTMAP神经网络进行分解。实验结果表明：本文提出的方法比传统的线性混合模型及fuzzy ARTMAP神经网络模型的精度要高,而且更加符合实际情况。     

Parallel implementation of endmember extraction algorithms from hyperspectral data

Automated extraction of spectral endmembers is a crucial task in hyperspectral data analysis. In most cases, the computational complexity of endmember extraction algorithms is very high, in particular, for very high-dimensional datasets. However, the intrinsic properties of available techniques are amenable to the design of parallel implementations. In this letter, we evaluate several parallel algorithms that represent three representative approaches to the problem of extracting endmembers. Two parallel algorithms have been selected to represent a first class of algorithms based on convex geometry concepts. In particular, we develop parallel implementations of approximate versions of the N-FINDR and pixel purity index algorithms, along with a parallel hybrid of both techniques. A second class is given by algorithms based on constrained error minimization and represented by a parallel version of the iterative error analysis algorithm. Finally, a parallel version of the automated morphological endmember extraction algorithm is also presented and discussed. This algorithm integrates the spatial and spectral information as opposed to the other discussed algorithms, a feature that introduces additional considerations for its parallelization. The proposed algorithms are quantitatively compared and assessed in terms of both endmember extraction accuracy and parallel efficiency, using standard AVIRIS hyperspectral datasets. Performance data are measured on Thunderhead, a parallel supercomputer at NASA's Goddard Space Flight Center.     

结合空间信息选取最优端元组合的混合像元分解

传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分,但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响,采用全部端元对混合像元进行分解,会使得混合像元中实际并不存在的端元的丰度估计值不为零,分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处,基于此,本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素,从混合像元的附近邻域开始搜索,将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比,并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况,逐步扩大结构元素的大小,不断调整搜索范围,直至得到最优端元组合。模拟数据和真实数据的试验结果表明,该方法相比传统的全端元光谱分解方法,在总体上获得了更好的分解效果。     

模拟真实场景的混合像元分解

在总结混合像元分解方法的基础上, 提出了一种模拟真实场景的像元分解方法, 该方法首先通过真实场 景的模拟获得各分量的丰度, 结合遥感影像与场景模拟的丰度反演端元反射率(模拟端元), 最后用带约束条件的线 性模型进行混合像元分解。用浙江省安吉县毛竹林调查资料及Landsat TM 对该方法进行验证和对比分析表明, 基 于模拟端元的混合像元分解结果比基于影像端元和参考端元的精度高且具有良好的稳健性。模拟真实场景的混合 像元分解方法将样地调查数据的先验知识应用于端元提取, 并将三维模拟模型引入到二维的线性光谱分解中, 具 有一定的优势和应用推广前景。     

基于粒子群算法的高光谱影像端元提取技术

基于凸面几何学理论,由端元作为角点的单形体的体积应该是最大的.著名的N-FINDR和SGA算法正是基于以上理论,通过在数据云中寻找体积最大的单形体来实现端元的自动提取.本文利用粒子群优化(PS0)技术,基于凸面几何学理论,设计了一个新的端元提取算法.利用模拟和真实高光谱影像对其进行了实验,并将其结果与N-FINDR和S...