差分搜索的多线性高光谱图像解混研究

针对高光谱图像解混精度不高和全约束非线性解混耗时长的问题,该文提出了一种基于差分搜索的多线性高光谱图像解混算法。首先,引入多线性混合模型建立全约束解混目标函数,将多线性解混问题转化为最优化问题;再利用差分搜索算法的[0,1]搜索域与"和为1"边界控制机制满足丰度约束条件,从而简化全约束解混目标函数;最后,对简化后的目标函数进行迭代优化求解,进而实现多线性高光谱图像解混。实验结果表明:该算法在保证解混精度的同时减少了全约束非线性解混时间,能够取得较好的解混效果。     

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...     

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。     

基于二次散射非线性混合模型的矿物填图方法

传统的遥感地质填图方法较少考虑到一个像元中多种地物共生存在的情况,因此所填图件难以反映矿物的分布特征。针对线性混合模型解混精度不高的问题,使用二次散射非线性混合模型对高光谱数据进行光谱解混,并在此基础上,提出了k(k≥2)类地物的填图规则。采用美国内华达州Cuprite地区AVIRIS数据进行填图实验,将其结果与Clark等的填图结果进行对比。实验结果表明:与线性模型的矿物填图相比,基于二次散射非线性混合模型所填图件更加接近矿物的真实分布;使用k(k≥2)类矿物填图规则的填图结果细节丰富,与Clark等人的填图结果吻合度高。     

一种准确快速的高光谱数据光谱混合分析方法

针对地物光谱的不确定性及参与每一像元光谱混合的端元种类与数目的不确定性,提出一种准确快速的高光谱数据光谱分析方法。该方法利用图像端元与标准端元库端元构建分组端元库,为每种地物引入多种端元光谱,解决了地物光谱不确定性问题;通过基于多端元交叉相关光谱匹配的确定搜索与基于二进制粒子群优化的随机搜索相结合的方式为每一像元搜寻一个最优端元子集,解决了参与混合的端元种类与数目的不确定性问题,并且提高了搜索效率。通过模拟数据与真实高光谱数据的试验验证,该方法解混精度与多端元光谱混合分析法相当、远高于全限制/无限制最小二乘法与交叉相关光谱匹配法,而计算时间远小于多端元光谱混合分析,实现了快速、准确的高光谱数据解混。     

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。     

非负矩阵分解在高光谱图像解混中的应用探讨

从线性混合模型与非负矩阼分解的定义出发,分析非负矩阵分解适用于高光谱图像解混的原因,总结近年来学者们提出的基于非负矩阵分解的光谱解混算法,并重点对SC-NMF、MVC-NMF、APS-NMF算法步骤进行介绍与分析,最后总结非负矩阵分解及其应用于混合像元分解所面临的问题.     

线性/非线性光谱混合模型估算白刺灌丛植被覆盖度

及时监测干旱与半干旱区光合/非光合植被覆盖度时空变化,可以为指导荒漠化防治工程及植被衰退机制研究提供重要信息。本文以甘肃民勤典型植被白刺灌丛为研究对象,通过地面控制性光谱实验获取混合光谱、端元光谱与丰度信息,开展线性与非线性光谱混合模型(包括核函数非线性和双线性混合模型)估算光合和非光合植被覆盖度的对比研究,采用全限制最小二乘法进行模型解混,分别获取各样本数据中各类端元丰度及其精度信息,通过模型分解的均方根误差(RMSE)与地面验证精度确定用于光合和非光合植被覆盖度估算的最佳光谱混合模型,其中参考端元丰度采用神经网络(NNC)分类算法对数字影像进行分类获取。结果表明:(1)引入阴影端元的四端元模型相对于传统的三端元模型(光合/非光合植被与裸土)能有效提高光谱解混的精度,并提高光合和非光合植被覆盖度估算精度;(2)对白刺灌丛来说,光合植被、非光合植被、裸土及阴影间多重散射混合效应存在,但混合效应不够显著;考虑非线性参数的核函数非线性光谱混合模型表现略低于线性光谱混合模型,因此非线性光谱混合模型在估算白刺灌丛光合和非光合植被覆盖度时相对于线性光谱混合模型没有明显优势;(3)基于光合/非光合植被、裸土与阴影四端元的线性光谱混合模型可以实现白刺灌丛光合和非光合植被覆盖度的准确估算,光合植被覆盖度估算RMSE为0.11 77,非光合植被覆盖度估算RMSE为0.0835。     

利用核方法进行高光谱遥感图像线性解混

为了提高高光谱遥感图像混合像元分解的精度,提出基于核方法的高光谱线性解混。采用核化正交子空间投影（orthogonal subspace projection,OSP）算子、最小二乘正交子空间投影（least squares OSP,LSOSP）算子、非负约束最小二乘（nonnegative constrained least-squares,NCLS）算子和全约束最小二乘（fully constrained least-squares,FCLS）算子等方法分别构建核正交子空间投影（Kernel OSP,KOSP）、核最小二乘正交子空间投影（Kernel LSOSP,KLSOSP）、核非负约束最小二乘（Kernel NCLS,KNCLS）和核全约束最小二乘（Kernel FCLS,KFCLS）高光谱图像混合像元解混模型。对CUPRITE矿区AVIRIS数据进行KLSOSP、KNCLS和KFCLS与LSOSP、NCLS和FCLS丰度反演对比实验,结果表明,对于混合像元广泛存在的高光谱遥感图像来说,基于核方法的KLSOSP,KNCLS和KFCLS的解混精度优于LSOSP,NCLS和FCLS;附加约束条件有利于提高丰度反演的精度。     

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。