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...     

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。     

纯净像元指数改进的N-FINDR高光谱端元提取算法

为了有效解决遥感影像中普遍存在的混合像元导致遥感影像定量解译精度低的问题,对两种不同混合像元端元提取算法进行了比较分析。纯净像元指数算法随着迭代次数的增加时间效率大大降低,而经典的N-FINDR算法初始端元数目选择的任意性会导致像元解混的精度不一,因此本文提出了一种基于纯净像元指数改进的N-FINDR算法。改进的N-FINDR算法相较于传统的N-FINDR算法能够准确构建候选端元集合并求得最优解。该算法结合高光谱影像数据的特点,首先利用纯净像元指数求取备选端元数目;然后以此为基础运用经典的N-FINDR算法求解最大的单形体顶点,将求解后顶点作为纯净像元,并完成丰度反演;最后使用ENVI产品中自带的经过大气校正的航空高光谱数据cup95eff.int对算法进行验证。试验结果表明,以纯净像元指数改进的N-FINDR算法在整体精度方面优于传统的N-FINDR算法。     

一种基于空谱协同的高光谱端元提取方法研究

结合空间信息和投票机制,提出了将ISODATA与K-means投票融合的空间预处理方法用于端元提取,并结合3种经典的端元提取算法N-Finder、VCA和OSP进行验证。通过模拟数据与矿区真实数据的对比实验,验证了加入空间信息的端元提取算法能够更有效抑制噪声,从而使提取的端元光谱更加准确。     

一种采用稀疏促进的高光谱影像端元提取方法

利用稀疏促进原理以及高光谱影像端元提取传统算法,结合线性光谱混合模型,提出了一种采用稀疏促进的高光谱影像端元提取方法.该方法不需要预先对端元数量进行估计,也不需要假设影像中存在纯像元.利用模拟数据以及真实高光谱影像对提出方法、ICE算法和NMF算法进行了对比实验分析.实验结果表明:提出方法能稳定地从影像中提取端元并同时...     

高光谱端元自动提取的迭代分解方法

混合像元线性分解技术是进行高光谱影像处理的常用方法,应用这种方法的一个主要问题是难以有效、自动地确定影像的端元光谱。利用非监督的方法快速自动提取高光谱遥感图像的端元光谱是解决这个问题的主要技术手段。根据迭代误差分析思路,通过对线性混合像元模型分解的误差传播分析后,得到了端元选择的约束条件。结合端元存在的空间信息,自动提取出端元光谱并进行了混合像元分解。利用不同地区、不同传感器的高光谱数据实例测试了该文的方法,分析和讨论了选择迭代初始值与参数阈值的敏感性问题。研究结果表明此方法可以自动提取端元光谱,并且精度较高。     

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。     

一种顾及上下文的高光谱遥感图像端元提取方法

端元提取技术是混合像元分解中重要的步骤之一,传统的端元提取方法仅考虑了像元的光谱信息。本文将数学形态学算子扩展到高光谱空间,并应用到端元提取技术中,可以顾及像元的上下文信息。利用AVIRIS高光谱仿真数据对算法进行了实验验证,结果表明本文算法具有较强的抗噪能力和较高的可靠性。在此基础上,结合徐州地区的EO-1 Hyperion高光谱遥感图像,使用本文算法进行了端元提取应用研究,将实验结果与纯净像元指数、顶点成分分析方法做了对比分析和精度评价,证明本文算法是一种可靠的高光谱遥感图像端元提取技术。     

一种基于N-FINDR的优化端元提取算法

N-FINDR算法是一种广泛应用的端元提取算法。由于N-FINDR算法时间复杂度高导致此算法运行时间长,相关学者提出了迭代N-FINDR算法(IN-FINDR)。基于IN-FINDR算法及凸体几何性质,提出了一种候选像元迭代N-FINDR算法(CIN-FINDR)。实验结果表明,该算法时间复杂度较小,效率更高。     

利用嫦娥一号IIM 模拟数据提取月表矿物端元的的精度分析

干涉型成像光谱仪(IIM) 作为中国首颗探月卫星嫦娥一号上的重要载荷之一,已经获取了大量的月球高光谱数据.然而由于IIM 数据的光谱范围被限定在480—960 nm 波谱范围内,很少覆盖月表矿物的波谱吸收特征,利用IIM 数据反演月表矿物信息面临巨大挑战.当前月表地面调查数据或精细矿物分布制图还很缺乏,难以对反演或提取结果进行有效验证.本文利用月表4种主要矿物(斜长石、单斜辉石、橄榄石和钛铁矿)进行线性混合构建IIM 模拟数据,分析月表矿物端元提取的精度,并对真实IIM 数据进行了初步应用.根据斜长石和钛铁矿的不同组合比例分别模拟了月表的月海和高地,模拟数据还加入了与IIM 真实数据分布趋势一致的随机噪声.基于4种端元提取算法(VCA 、ICA 、MVSA 、SISAL) 对模拟数据进行端元提取,并以光谱角距离(SAD) 作为端元提取的精度评价准则.结果显示,MVSA 和SISAL 算法提取的所有矿物端元的光谱角距离都小于0.1 ,一般意味着矿物提取精度可以被接受.斜长石在各种算法下提取端元的光谱角距离都小于0.015 ;单斜辉石和钛铁矿提取端元的光谱角距离都小于0.1 ;橄榄石提取精度最差,在ICA 算法下其光谱角距离高达0.34 .     

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。     

空谱协同多尺度顶点成分分析的高光谱影像端元提取EI北大核心CSCD

针对顶点成分分析方法无法实现复杂地表环境下的高光谱影像端元精确提取问题,提出了一种基于空谱协同多尺度顶点成分分析的端元提取方法,通过影像空谱特征融合和聚类分割,对不同分辨率空间尺度下的分割影像进行端元协同提取,并考虑噪声对影像端元提取精度的影响,提升端元提取的精度。首先,对影像进行预处理,采用低秩矩阵分解去除噪声。其次,对高光谱影像进行空谱多特征提取,利用多特征融合和K-means算法进行聚类分割,获取地物分布的空间异质性信息,提升后续端元提取的精度。然后,对高分辨率影像空间降采样,利用顶点成分分析方法对降采样后的低分辨率分割图像进行端元提取,并利用坐标映射寻找高分辨率影像中的相应端元,利用光谱角来判定是否为纯端元。最后,遍历上述方法至所有分割影像以获取最终的端元集合。使用模拟数据和真实的高分五号高光谱数据对提出的方法进行实验验证。实验结果表明,空谱协同多尺度顶点成分分析方法可提取高精度的纯净端元,且计算效率较高。     

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。     

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。     

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。     

一种非监督快速端元提取方法

正交子空间投影(OSP)方法广泛用于目标与背景的分离之中,对于高光谱影像,OSP可用于目标提取和混合像元分解,但缺点是需要端元的先验知识。针对这一问题,本文基于OSP的原理提出了一种非监督快速端元提取方法。实验使用模拟高光谱数据和由OM ISⅠ获取的真实高光谱数据,结果精度令人满意,证明了本文算法进行端元自动提取的可行性。     

基于交互最小二乘优化的高光谱影像端元光谱分析

提出了基于交互最小二乘优化的高光谱影像端元光谱计算方法,利用ALS计算的灵活性将多种对组分丰度和被估计光谱的约束条件加入到ALS迭代计算中,以传统算法得到的端元光谱作为初始,并考虑数据的特殊性建立了适合于高光谱影像的端元分析方法。模拟数据分析和Cuprite矿区的光谱分析结果证明了本文算法能很好地处理不严格假设纯光谱存在情况下的端元提取问题。     

基于OSP的自动端元提取及混合像元线性分解

正交子空间投影(OSP)方法广泛用于目标与背景的分离之中,对于高光谱影像,OSP可用于目标提取和混合像元分解,但缺点是需要端元的先验知识。针对这一问题,基于OSP的原理提出一种自动提取端元的方法,该方法不需端元的先验知识并且不需对原始数据进行降维。实验使用由OMISⅠ和PHI获取的两组高光谱数据进行端元提取,并采用带全约束条件的最小二乘法进行混合像元分解,结果精度令人满意,证明算法进行端元自动提取的可行性。     

最小体积约束的线性光谱解混算法

提出了最小体积单体约束的线性光谱解混算法。该算法不需要假设数据中存在纯像元,采用二次规划方法计算降维后的端元矩阵,利用最小二乘方法实现丰度估计和端元提取。实验结果表明,此算法解混的结果整体上优于MVC-NMF算法。     

基于像元坐标的独立成分分析技术的端元提取方法

将基于像元坐标的空间信息与基于独立成分分析技术结合的方法用于混合像元的分解,是实现端元提取的一种方法。这种方法在空间信息充分利用的基础上得到提高。将该方法运用Cuprite地区的AVIRIS数据,并与传统的PPI方法进行对比,结果表明,利用本文提取端元的方法具有很高的可信度。