高光谱遥感图像亚像元信息提取方法综述

高光谱遥感图像光谱分辨率高、波谱连续、图谱合一,这为精细地物分类、探测和识别提供了数据基础。然而,由于高光谱遥感图像空间分辨率的局限性及地物场景的复杂分布,混合像元普遍存在于高光谱遥感图像。混合像元是高光谱遥感图像精细信息提取与分析中的难点。解决混合像元问题,实现亚像元级信息的提取与分析是近年来高光谱遥感图像解译的热点和前沿。本文系统梳理了高光谱遥感图像亚像元信息提取的主要研究内容,具体从混合像元分解、亚像元制图及亚像元目标探测3个研究方向综述了经典方法,并对国内外相关方向的研究进展、发展前沿及主要挑战进行了分析与评价,最后分析讨论了高光谱遥感图像亚像元信息提取研究在模型构建、优化求解及与应用结合等方面的研究趋势及方向。     

压缩感知和万有引力模型相结合的高光谱混合像元分解

高光谱影像虽然具有较高的光谱分辨率,但因其空间分辨率低而普遍存在混合像元。混合像元分解是高光谱遥感应用的重要研究内容,包括端元提     

高光谱遥感城市植被识别方法研究

传统的植被状况调查方式费时、费力,并且更新困难,而高光谱遥感数据图谱合一,能够更精细、准确地进行遥感地物识别和分类,因此采用Hyperion高光谱数据来研究地物混合严重并且呈零星碎片状的城市植被。利用混合像元分解思想改进Gram-Schmidt融合算法,将Hyperion高光谱和ALI全色波段进行融合,提高光谱数据的空间分辨率,来解决城市植被像元混合严重和分布过于零散破碎难题,进而提高植被识别精度。为了避免高光谱植被识别陷入维数灾难,采用主成分分析对融合后的高光谱数据进行数据降维。最后,在地面光谱成像仪获取的纯净像元光谱信息辅助下,选取训练样本进行最小距离分类,完成植被类型识别,总体精度达到84.9%。     

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。     

面向Sentinel-2影像的亚像元级水体提取方法

结合Sentinel-2影像及其他高分辨率卫星数据进行长序列、高频次、大范围的水面率、蓄水量、生态流量等水资源要素监测具有重要意义。为了提高水体提取精度,解决利用多源中高分辨率卫星数据提取水体时的空间尺度效应问题,本文提出了一种面向Sentinel-2影像的亚像元级水体提取方法(简称SWES)。首先利用RWI提取纯水体像元,然后利用膨胀算法提取水陆边界混合像元,最后为解决地物的类内光谱变化问题,采用考虑空间信息的多端元光谱混合分析算法(MESMA)求解水陆混合像元中的水体丰度。3个试验区的结果均表明,SWES取得了较好效果,平均RMSE为0.147,水体提取效果均优于自动亚像元水体提取方法(简称ASWM),尤其在水陆混合像元较多的坑塘养殖区。SWES在试验区获取的水体面积也有较高精度,平均相对误差为8.03%,低于ASWM的20.23%,结果表明SWES能够有效提升水域面积提取精度。     

时序NDVI数据集螺线型构建及多形状参数变化检测

地表覆盖遥感监测是生态环境监测、自然资源管理、可持续发展规划等的重要基础。覆盖大区域的高分辨率时序遥感影像往往难以获取,且现有多种变化检测算法受困于物候差异带来的伪变化问题,严重制约着大区域地表覆盖遥感监测的有效开展,已成为国内外学术界关注的前沿课题。目前一个重要研究方向是利用长时间序列的低空间分辨率NDVI数据和高空间分辨率多光谱影像,通过基于混合像元分解的时空融合构建兼具较高空间分辨率和时间分辨率的NDVI数据集,以解决物候差异带来的伪变化问题。然而,现有的分解算法易造成方程组无解的欠定问题,难以在大区域构建出高质量的时序NDVI数据检测地物变化。     

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。     

基于深度学习的高光谱遥感图像混合像元分解研究综述

高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术,它能够同步记录成像区域内地物的空间信息和光谱信号,故而也称为“成像光谱遥感”。高光谱遥感所获取的数据称为“高光谱遥感图像”,相较于传统的遥感数据,高光谱遥感图像具有光谱分辨率高和“图谱合一”的特点,目前已成为遥感工程应用中的重要支撑数据之一。然而,受空间分辨率限制,混合像元（即某一像元内包含多种类型的地物）问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用。混合像元分解（“解混”）是现阶段处理混合像元问题最有效的分析方法,旨在从亚像元角度出发,获取像元中纯净的光谱信号（“端元”）,并分析出各类端元在像元内所占的比例（“丰度”）。在遥感领域,为实现地物信息精细化解译,目前已发展出不同类型的解混方法,在一定程度上解决了混合像元问题对遥感定量化分析的制约。如今,随着深度学习的发展,越来越多的先进理论和工具被用于处理混合像元问题,发展出了一类基于深度学习的新型解混方法。这些新方法以光谱混合模型为桥梁,用深度学习方式来解译光谱混合现象。相比于传统的解混方法,基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势,对先验知识依赖程...     

一种基于模糊混合像元分解的高光谱影像分类方法

高光谱遥感影像较低的空间分辨率使得混合像元大量存在于影像中,不仅影响了基于高光谱影像的地物要素识别能力,而且还降低了高光谱影像的分类精度。本文提出了一种基于模糊混合像元分解的高光谱影像分类方法。该方法主要利用约束能量最小化法设计的FIR线性滤波器,使得影像通过滤波器后输出与每类地物类别相关的"丰度图",其维数等于类别数;最后利用类中心匹配分类法实现高光谱影像的分类。实验结果表明,提出的分类方法与直接利用类中心匹配分类法相比,提高了影像的分类精度。     

结合像元空间邻域信息的高光谱影像分类

针对传统的光谱角匹配分类算法仅考虑光谱信息,导致混合像元易出现错分和分类结果中出现"麻点"等问题,该文考虑地物连续性这一特点,提出了一种结合像元空间邻域信息对光谱角进行修正的光谱角匹配分类算法。该方法不仅保留了传统光谱角度匹配算法不受增益因素影响和减弱地形对照度影响等优点,并且减小了混合像元被错分的概率。基于ROSIS获取的Pavia大学校园的高光谱影像分类结果表明:加入像元空间邻域信息后的光谱角匹配算法在保证分类精度的同时,有效地减弱了分类结果中的"麻点"现象,验证了该文方法的可行性、有效性。     

一种利用高光谱像元分解技术提取水体边界的方法

针对水体边界混合像元导致的精度损失问题，提出了一种基于高光谱混合像元分解的水体边界提取方法。该方法结合高光谱影像水体边界混合像元特有的光谱特征，削弱诸多因素对水体边界像元识别的影响，获取水体边界混合像元，降低了混合像元分解的计算量。通过混合像元的高精度分解及水体边界像元分割，进一步逼近水体的真实边界，能显著提高水体边界界定的精度。试验结果表明：用该方法进行水体提取，精度明显优于水体指数法，略优于支持向量机法，总体精度为93.86%，Kappa系数为0.87。     

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。     

面向高光谱图像分类的半监督空谱判别分析

为充分利用高光谱图像蕴藏的空间信息提升分类精度,提出了面向高光谱图像分类的半监督空谱判别分析(S3 DA)算法。考虑高光谱图像数据集的空间一致性,首先利用少量标记样本定义类内散度矩阵,保存数据集同类像元的光谱近邻结构;再利用无标记样本定义空间近邻像元散度矩阵,揭示像元间的空间近邻结构和地物的空间分布结构信息。S3 DA既保持数据集在光谱域的可分性,又保存了无标记样本蕴藏的空间域近邻结构,增强了同类像元和空间近邻像元在投影子空间的聚集性,从而提升分类性能。在PaviaU和Indian Pines数据集的试验表明,总体分类精度分别达到81.50%和71.77%。与传统的光谱方法比较,该算法能有效提升高光谱图像数据集的地物分类精度。     

高光谱影像空-谱协同嵌入的地物分类算法

针对传统高光谱影像地物分类算法大多仅考虑光谱信息而忽略空间邻近像元间相关性的问题,提出了一种空-谱协同嵌入(SSCE)降维算法和空-谱协同最近邻(SSCNN)分类器。首先,定义一种空-谱协同距离,并将其应用于近邻选取和低维嵌入;然后,构建空-谱近邻关系图来保持数据中的流形结构,并在权值设置中增大空间近邻点的权重以增强数据间的聚集性,提取鉴别特征;最后使用SSCNN分类器对降维后的数据进行分类。利用PaviaU和Salinas高光谱数据集进行试验验证,结果表明,与传统的光谱分类算法相比,该算法能有效提高高光谱影像的地物分类精度。     

空间与谱间相关性分析的NMF高光谱解混

非负矩阵分解(NMF)技术是高光谱像元解混领域的研究热点。为了充分利用高光谱图像中丰富的空间与光谱相关性特征,改善基于NMF的高光谱解混算法性能,提出一种结合了空间与谱间相关性分析的NMF解混算法。算法针对NMF的通用性和局部极小问题,引入并结合高光谱图像两种典型的相关性特征,具体包括:基于马尔可夫随机场(MRF)模型,建立描述相邻像元空间相关特征的约束;通过复杂度映射技术,建立描述相邻波段谱间相关(光谱分段平滑)特征的约束;并将上述两种约束同时引入NMF解混目标函数中。实验结果表明,对于一般自然地物场景或人造地物场景,相对于分段平滑和稀疏约束的非负矩阵分解(PSNMFSC)、交互投影子梯度的非负矩阵分解(APSNMF)和最小体积约束的非负矩阵分解(MVCNMF)这3种代表性NMF解混参考算法,该算法可进一步提高高光谱解混精度;对于空间相关或谱间相关特征中某一种不显著的特殊场景,也具有更好的适应能力。通过将空间相关和谱间相关特征相结合,较全面地反映了高光谱数据与解混相关的重要特征,能够对绝大多数真实高光谱数据进行高精度解混,对高光谱解混及后续应用领域相关研究均具有参考价值。     

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。     

像元结构指数的平面道路交叉口提取方法

针对高分辨率遥感影像中道路交叉口难以用固定几何和光谱特征描述的问题,该文提出了一种基于像元结构指数的交叉口提取方法。采用自适应光谱异质性阈值来提取像元形状特征,较好地适应了不同交叉口之间的场景特征差异;构建了像元形状与交叉口结构的量化映射关系,赋予特征语义信息,从而保证了提取结果的合理性。基于城区复杂场景高分遥感影像的交叉口提取实验表明:所提方法能够准确定位交叉口中心点,并检测道路交叉结构;另外,该方法对于交叉口支路发生变化的情况也具有适用性,定性与定量分析表明了该文方法的有效性。     

结构函数法反演气溶胶光学厚度中像元的间隔设置

结构函数法气溶胶光学厚度反演精度受像元间隔设置影响很大,且并非所有像元都能获得较好的反演结果,因而研究像元间隔的设置能够提高反演精度,研究反演误差小的像元能够提高算法效率。为了获得最佳的像元间隔设置,本文以胶州湾地区为例,利用250 m和500 m两种分辨率数据计算了不同像元间隔时的结构函数值,分别利用单一像元间隔法、均值法、坡高法以及线性区域均值法获得待反演像元最终的结构函数值反演550 nm处的气溶胶光学厚度,并依据CE318观测数据进行精度验证,通过分析点对点反演结果和光学厚度的空间分布,确定反演误差小、受分辨率影响小的像元间隔设置。实验发现线性区域均值法在一定程度上提高了反演精度和稳定性。此外,通过对反演结果可接受像元的地表反射率结构函数值的统计和分析,发现500 m分辨率时可接受像元比例优于250 m,当地表反射率结构函数值大于0.02时反演结果较好,而这些像元往往分布在山麓、山涧、海岸线、河流、城乡结合部等地理要素的突然改变的地区。     

基于单次散射反照率的矿物高光谱稀疏解混

矿物的混合多属于致密型混合,在可见光—短波红外波段的混合呈现非线性特征,同时由于矿物混合的复杂性以及图像中完全纯净的像元可能不存在等原因,使得从图像上提取端元具有较大不确定性。本文根据矿物单次散射反照率的线性可加性,提出一种基于矿物单次散射反照率光谱库的稀疏解混算法,利用Hapke模型将矿物反射率转换成矿物单次散射反照率,构建矿物单次散射反照率光谱库,以半监督的方式通过稀疏回归的方法从光谱库中寻找最优端元组合,并估算混合像元中各端元的丰度。利用RELAB矿物混合光谱库进行算法验证,结果表明,丰度反演的平均绝对误差为3.12%;将本文方法应用于美国内华达州铜矿区的AVIRIS高光谱图像数据,所得丰度图与美国地质勘探局USGS矿物识别结果具有较好的一致性。本文算法不需要从图像提取端元,并且考虑到了矿物的非线性混合特征,能够得到较高的反演精度,在近地行星和卫星表面岩矿成分的探测等领域具有较好的应用前景。