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。     

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.     

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。     

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。     

一种多/高光谱遥感图像端元提取的凸锥分析算法

凸锥分析方法常用于多光谱和高光谱遥感图像的端元提取。遥感图像中的每个像元都可以看作一个多维向量,整幅影像看作由离散的非负向量构成的凸锥,通过寻找凸锥的角点来自动获取图像的端元。本文提出了一种自动选择最佳凸锥角点的方法,应用到传统的凸锥分析方法中,提高了凸锥分析方法的效率。利用模拟数据和真实数据实验验证了算法的可行性。     

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。     

基于光谱滤波器的混合像元分析

提出一种利用光谱滤波器进行遥感图像混合像元全约束分解的新算法。该算法利用端元光谱中与背景光谱正交的光谱成分构建光谱滤波器,滤除混合像元中的背景干扰成分,直接获取信号光谱的丰度。采用该光谱滤波器多次迭代分解,修正单个混合像元的端元光谱空间,获取其确切的端元光谱配置,保证了分解时各端元丰度的非负性,实现混合像元的全约束分解。多光谱数据仿真实验证明,与全约束最小二乘法(FCLS)和正交投影(OSP)分解法相比,该方法虽然在时间方面略逊一点,但其分解结果与实际结果的相关系数高,均方根误差小,具有很高的分解精度,在遥感定量分析方面具有重要的应用潜力。最后给出了该算法在真实的高光谱图像中进行混合像元分析的结果。     

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。     

基于线性混合模型的端元提取方法综述

混合像元是遥感领域研究的热点,而基于线性混合模型的光谱解混合技术正在越来越广泛地应用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元光谱。本文归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,最后介绍了端元提取技术的应用及其发展趋势。     

稀疏约束的MVC-NMF算法

高光谱图像中混合像元的存在直接影响基于遥感影像的地物识别精度,光谱解混算法可以有效地解决混合像元问题.最小体积限制的非负矩阵分解算法(MVC-NMF)不需要假定纯像元的存在;并且在自动提取端元的同时,能够获取每种端元所对应的丰度图;然而该方法并没有考虑丰度矩阵的稀疏特性.提出了将平滑L0模稀疏约束引入MVC-NMF算法中,用于进一步提高算法的精度.实验结果表明:改进后的算法在相同的实验环境条件下比MVC-NMF算法解混的精度更高.     

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。     

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.     

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。     

天宫一号高光谱数据相关检测法蚀变信息提取

天宫一号高光谱成像仪是目前中国空间分辨率和光谱综合指标最高的星载光谱成像仪.针对天宫一号高光谱数据,提出了一种基于波段相关检测的蚀变信息提取方法.该方法在对天宫一号高光谱数据进行波段相关检测提取蚀变异常特征波段的基础上,结合异常探测、端元提取和光谱匹配等方法的各自优势进行天高一号高光谱数据的蚀变信息提取.利用该法成功提取了天宫一号高光谱数据中的Al-OH矿物蚀变异常及4种蚀变矿物,结果表明该方法可以有效提取天宫一号高光谱数据中的蚀变信息,有助于天宫一号高光谱数据在地质矿产资源调查中发挥巨大的应用潜力.     

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。     

采用PPI算法改进的一种数学形态学端元提取方法

自动形态学端元提取（automated morphological endmember extraction，AMEE）算法将结构元素内最纯像元与混合度最大的像元之间的光谱角距离定义为形态学离心率指数（morphological eccentricity index，MEI）来定量化地表示像元的纯净度。然而作为参考标准的混合度最大的像元在不同的结构元素内也是不同的，尤其是当结构元素内的纯净像元占大多数时，像元的均值光谱将更接近纯像元，此时像元的MEI越高，纯度反而越低。针对这一问题，本文提出一种像元纯度指数（pure pixel index，PPI）算法与AMEE算法相结合的端元提取算法PPI-AMEE。在结构元素内，利用PPI指数代替AMEE算法中的MEI指数来寻找最纯像元。变换结构元素时，只有最纯净的像元始终能够投影到随机生成的直线的两端，其PPI值会不断累计增大，而其他像元的PPI值则无法持续增大。累计记录每个像元的PPI值，直至满足迭代终止条件，最终形成一幅PPI图像，端元将在PPI值较大的像元中选取。PPI-AMEE算法只在相对较小的结构元素内运行PPI算法，然后再结合数学形态学中的膨胀操作对整幅图像进行处理，其同时兼顾了图像的光谱信息和空间信息。最后，采用模拟数据及美国内华达州Cuprite地区的机载可见光/红外成像光谱仪（airborne visible infrared imaging spectrometer，AVIRIS）高光谱数据对提出的PPI-AMEE算法进行试验验证。试验结果表明，PPI-AMEE算法的端元提取精度总体上优于AMEE算法和PPI算法。     

高光谱数据截断加权核范数稀疏解混

受仪器和观测条件限制,高光谱数据易受噪声污染,给数据解译带来挑战。针对传统稀疏解混模型抗噪性能差的问题,本文提出一种截断加权核范数稀疏解混方法,利用高光谱图像像元之间的相关性减轻噪声对丰度估计的干扰。该方法借助低秩表示在挖掘数据内在低维结构方面的优势,在稀疏解混中加入基于截断加权核范数的低秩约束,并结合加权稀疏技术,在稀疏正则项中引入空间邻域权重。截断加权核范数对丰度矩阵的奇异值向量分段处理,可以更好地实现丰度矩阵的低秩逼近,使丰度图像保持空间一致性并保留更多细节信息,空间加权策略则增强了丰度图像的空间连续性。模拟高光谱数据、Cuprite矿区真实数据和红树林高光谱数据实验表明,与其他先进的稀疏解混方法相比,所提方法具有更好的抗噪性,能够提高解混精度。     

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。     

基于权重光谱解混方法的高光谱矿物填图

提出了一种基于Fisher权重分析的迭代光谱解混方法(WLSMA),该方法首先对高光谱图像进行区域分割,在分割后的各子块中自动提取端元;再次对提取的端元进行聚类,从光谱的整体特征上将不同类别的端元区分开,针对聚类结果中的每一类别各选取几个具有代表性的端元光谱,并对最优光谱进行窗口卷积处理,结合In_CoB指标构建端元光谱样本库;最后对图像进行迭代光谱解混处理,在丰度反演过程中引入基于Fisher准则的补偿权值矩阵以提高反演精度。AVIRIS高光谱数据实验证明,WLSMA不需要大量先验信息,利用Fisher准则和迭代光谱分析理论增强了相似性矿物的可分性,为加强对矿区地表岩性的认识和模拟提供了更大的灵活性和可能性,对高光谱矿物填图有一定的借鉴意义。