高光谱遥感影像混合像元分解研究进展

受高光谱成像仪低空间分辨率及复杂地物的影响,高光谱遥感图像存在大量混合像元。为提高地表分类精度以及满足亚像元级目标探测的需求,混合像元分解技术一直是高光谱遥感研究热点之一。本文主要对高光谱混合像元分解技术中的核心问题:端元数目估计、端元提取算法、丰度估计算法进行综述,系统地分析了各种典型算法的原理及优缺点,进一步阐述研究过程中建立高精度遥感混合反演模型与遥感产品业务化中的混合像元分解技术难题,同时针对今后混合像元分解技术发展方向,指出在继续引入新型算法理论方法基础上,结合用户应用需求,推进高光谱混合像元分解算法业务化应用,为高光谱遥感工程化应用提供支持。     

混合像元线性分解的精度估算

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。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。本文针对混合像元线性分解的基本原理与算法作了简要分析,并通过实验的方法估算了混合像元线性分解模型的精度。     

端元可变非线性混合像元分解模型

遥感影像中混合像元普遍存在。端元固定的情况下对混合像元进行分解,很难高精度地识别影像地物。本文基于支持向量机,提出了端元可变的非线性混合像元分解模型。首先,通过构建多个支持向量机获取每个像元的优化端元集,在优化端元集的基础上运用支持向量机与两两配对方法相结合的算法获取像元组分。试验结果表明,本文提出的方法效果优于传统的多端元光谱分解法。     

线性混合模型的光谱解混算法综述

混合像元的存在不仅影响了基于高光谱图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发展的主要障碍。目前的混合像元分解算法大多采用线性混合模型,其关键步骤为端元提取。文中从线性混合模型的定义出发,总结了近年来提出的端元提取算法,并重点对SMACC、VCA、SGA等算法进行了深入的分析,最后总结了混合像元分解的发展趋势。     

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。     

基于神经网络的高光谱混合像元分解方法研究

当前遥感图像分类通常假设每一个像元都是由一类地物组成,对混合像元重视不够。但事实上许多像元都是混合像元,光谱是几种地物的混合光谱。高光谱遥感是当前遥感技术发展的前沿技术,特别在混合像元分解方面体现出明显的优越性。分别采用线性混合模型、BP神经网络等进行混合像元分解的试验,结果表明BP神经网络模型能够取得较好的效果。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。     

基于模糊ARTMAP神经网络模型的遥感影像亚像元定位

结合亚像元的相关理论.提出了基于模糊ARTMAP神经网络模型的遥感影像亚像元定位方法,利用该方法对模拟的武汉地区的TM影像进行了实验,并将实验结果与BP神经网络模型进行了比较.结果证明,利用本文方法能够更有效地解决亚像元定位的问题.     

元胞自动机的遥感影像混合像元分类

通过对元胞自动机理论的研究,提出元胞自动机的遥感影像混合像元分解模型。利用多波段遥感数据验证混合像元分解算法的可行性,并将结果与线性分解模型进行比较。结果表明,元胞自动机混合像元分解模型在分解的准确性方面,明显优于一般线性模型的精度。最后,将分类结果与传统的监督分类算法比较,得出元胞自动机的混合像元分解模型明显优于监督分类精度的结论。     

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。     

变端元混合像元分解冬小麦种植面积测量方法

针对线性混合像元分解(Linear Spectral Unmixing,LSU)在端元(Endmember)个数不变情况下常会出现端元分解过剩现象导致分解结果精度不高的问题,以地物分布的聚集性特征为基础,提出了基于格网的变端元线性混合像元分解(Dynamic Endmember LSU,DELSU)方法.以冬小麦为研究...     

Independent Base Vector Representation to Address Endmember Variability in Hyperspectral Unmixing

The normal compositional model (NCM) is a well-known and powerful model in hyperspectral unmixing which represents endmembers as independent Gaussian vectors to capture endmember variability. However, the assumption of independent endmembers diminishes the model accuracy because the high degree of correlation between endmembers of a scene and identical sources of variability demonstrate that the endmembers are dependent. This paper proposes a new hyperspectral unmixing algorithm which represents endmembers using dependent Gaussian vectors to estimate abundance fractions. To overcome the higher complexity caused by dependence assumption, this algorithm introduces new independent Gaussian vectors named Base Vectors to represent different endmembers by a weighted linear combination. Also, the proposed unmixing algorithm uses maximum likelihood method to estimate weight coefficients of Base Vectors which are used to represent mixed pixel. Finally, abundance estimation can be done using the new representation for endmembers and mixed pixel. The proposed algorithm is evaluated and compared with other state-of-the-art unmixing algorithms using simulated and real hyperspectral images. Experimental results demonstrate that the proposed unmixing algorithm can unmix pixels composed of correlated endmembers in hyperspectral images in the presence of spectral variability more accurately than previous methods.     

改进的高光谱解混初始化方法及其适用性分析

高光谱影像中存在大量的混合像元,极大地限制了高光谱影像的定量应用,高效且精准地进行像元解混尤为重要。端元矩阵的初始化、算法本身的代价函数及其迭代规则,三者的不同往往会导致获取的最终端元光谱和端元丰度的不同。在不同条件下,选取适当的初始化方法、代价函数和迭代规则,使得高光谱解混结果更优尤为重要。本文改进了一种基于欧氏距离和光谱信息散度的分块初始化方法(IBISS),改进后方法在中低信噪比情况下优于其他初始化方法。同时针对初始化、算法本身这两个方面进行大量试验,结果表明:①分块初始化优于全局初始化;②梯度迭代NMF算法相比于乘性迭代NMF算法,具有更快的收敛速度,但容易陷入局部最小值;③乘性迭代分块NMF算法相比于乘性迭代标准NMF算法能够获取更好的端元丰度信息;④梯度迭代分块NMF算法不适用于随机初始化后的光谱解混过程。     

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。     

FAN模型的双种群差分进化光谱解混算法

双线性混合模型是近年来非线性光谱解混的研究重点之一,其克服了线性混合模型无法描述地物多重散射作用的缺陷,能够更精确地还原真实的地物光谱混合过程。然而,限于模型的复杂性,目前在缺乏准确的端元先验知识的条件下进行双线性光谱解混仍是一项具有挑战性的任务。差分进化算法(DE)是一种具有良好全局搜索能力的群智能优化算法,其优化求解过程无需进行复杂的数学推导,为双线性光谱解混问题提供了一种有效的解决途径。为此,本文以FAN双线性混合模型为例,提出了一种双种群机制的差分进化算法(记为DEFAN),实现非监督双线性光谱解混。DE-FAN算法通过建立端元与丰度两个种群的交替进化机制寻找最优解,同时在迭代中引入自适应重构策略增强种群多样性,降低算法陷入局部最优解的风险,最终实现端元与丰度的同时估计。通过模拟图像及真实图像的解混实验进行算法检验,证明DE-FAN算法较之传统非线性解混算法具有更高的解混精度及解混效率。     

端元快速提取的光谱梯度特征搜索法

由于数据量大,目前大多数端元提取算法均需较长的计算时间,限制了这些算法的有效应用。本文提出了以光谱梯度特征为搜索条件的快速端元提取方法,其核心包括基于光谱梯度特征的候选端元快速筛选和基于光谱解混误差的端元识别两部分。由于能够从影像中快速筛选出少量的像元光谱作为候选端元,故具有较好的计算性能;同时由于避免了非端元光谱参与端元识别,使得识别的结果具有更高的精度。试验表明,相比经典的IEA算法和ECHO算法,该算法不仅能大幅度提高端元提取速度,而且具有更准确的端元识别能力。同时,基于该算法原理,也可对现有各种算法进行改进,提升现有的各种端元提取算法的运算速度。     

结合SOM神经网络和混合像元分解的高光谱影像分类方法研究

本文对SOM神经网络算法进行改进,在标类的过程中采用3个策略加以控制,对初始产生的自组织映射图进行调整。通过改进,那些映射到可靠神经元的像素得到了很好的分类,而那些映射到不可靠神经元的像素都被作为不可分像元而提取出来。继而,从混合像元分解的角度来对这些不可分像元进行处理,按类型分解的思想确定混合像元的类别,实现对不可分像元的分类。将SOM神经网络和混合像元分解相结合的分类方法应用于高光谱图像的分类中,通过实验表明了该方法能较好地改善分类效果,提高分类精度。     

采用目标端元修正的高光谱混合像元盲分解

针对非负矩阵盲信号分离(NMF)用于混合像元分解易陷入局部极小值的不足,将非监督端元提取与盲分解方法相结合,构建了一种基于目标端元修正的混合像元盲分解模型(ATGP-NMF)。ATGP-NMF模型利用非监督正交子空间投影算法(ATGP)和非负最小二乘法(NNLS)获取NMF盲分离的初始值,然后将获得初始目标端元光谱与丰度输入NMF模型,通过迭代运算不断逼近优化目标而得到最终的端元光谱和端元丰度。为了检验模型对于各类数据的有效性和适用性,将ATGP-NMF与传统NMF分别应用于模拟仿真数据、室内控制数据和真实遥感影像3类实验数据进行分析验证。结果表明,ATGP-NMF模型具有较好的适用性,在没有先验信息、先验信息很少,以及纯像元假设不存在情况下都能较好地分解混合像元,且能够更好克服局部极小问题,提高混合像元分解的精度。     

高分五号高光谱图像自编码网络非线性解混

针对高光谱非线性混合模型中的共线性问题,提出了一种非监督的增强型非线性自编码网络方法 ENAE(Enhanced Nonlinear Autoencoder)。通过结合自编码网络在挖掘数据内在结构、提取特征方面的优势,引入端元正则项减弱端元间的共线性效应,从而提高高光谱混合像元分解精度。ENAE方法的实现步骤主要包括两部分:一是网络结构初始化,二是非线性分解。网络结构初始化是确定编码器的节点数以及端元和丰度的初值;非线性分解则主要是实现损失函数的最小化。通过模拟数据、城市区域真实数据和高分五号卫星高光谱数据的实验,得到了相较于传统非线性分解方法更高的精度,证明了ENAE方法的鲁棒性。