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。     

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。     

最小二乘混合像元分解的端元丰度信息提取研究

针对无约束最小二乘混合像元分解算法提取地物端元丰度出现的局限性问题,通过野外实地采集的地物光谱数据建立研究区典型的地物波谱库,以Landsat OLI影像作为主要数据源,在经过Gram-Schmidt(GS)影像融合的基础上,利用纯净像元指数(PPI)及基于几何顶点的端元提取技术提取研究区典型地物端元,最后通过完全约束的最小二乘混合像元分解算法完成对研究区典型地物端元丰度的提取。结果较好地解决了无约束最小二乘混合像元分解算法提取的端元丰度信息出现负值的情况,并且提高了典型地物丰度信息提取的精度。完全约束最小二乘混合像元分解算法的RMSE误差均控制在0.174 913左右,在很大程度上提高了混合像元分解精度及实用性。     

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。     

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。     

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。     

基于决策二叉树的多光谱影像混合像元分类方法

传统混合像元分类算法按照同一标准同时提取各类地物,导致错分现象严重。本文利用端元光谱间的独立性关系和决策二叉树的分层特征,提出基于决策二叉树的混合像元分类方法。利用黄山地区Landsat7 ETM+影像数据进行实验,结果表明:该算法正确合理,分类精度比SGA-NCLS方法高,但分类效率比SGA-NCLS低。     

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...     

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。     

Orthogonal Bases Approach for the Decomposition of Mixed Pixels in Hyperspectral Imagery

The N-FINDR algorithm has been widely used in hyperspectral image analysis for endmember extraction due to its simplicity and effectiveness. However, there are several disadvantages of implementing the N-FINDR. This letter proposes an algorithm for decomposition of mixed pixels. It improves the N-FINDR in several aspects. First, an iterative Gram-Schmidt orthogonalization is applied in the endmember searching process to replace the matrix determinant calculation used in N-FINDR, which makes this algorithm run very fast and can also guarantee the stability of its final results. Second, with the set of orthogonal bases obtained by the Gram-Schmidt orthogonalization, the algorithm can also help to estimate the proper number of endmembers and unmix the original images by itself. In addition, unlike the N-FINDR, a dimensionality reduction transform is not necessary in this algorithm. Experimental results of both simulated images and practical remote sensing images demonstrate that this algorithm is a fast and accurate algorithm for the decomposition of mixed pixels.     

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。     

River centerline extraction using the multiple direction integration algorithm for mixed and pure water pixels

The river centerline is a basic hydrological characteristic. Most prior studies have used remote sensing data to extract the river centerline from the open water region in a pure water pixel region. Extracting this type of river is relatively easy. However, extracting the centerline of a micro-river, which is mainly composed of mixed water pixels, is challenging. This paper presents a novel method, called the Multiple Direction Integration Algorithm (MDIA), to extract the river centerline using an image-enhancing method combined with river morphology. MDIA can be applied to regions mainly composed of pure water pixels, as well as to regions consisting of mixed water pixels in the index image. The method first calculates the normalized difference vegetation index (NDVI) and enhances the river linear structure using a Hessian matrix. Second, a small window is constructed as a circular structural element. In the window region, the local threshold is automatically obtained using water-oriented clustering segmentation and prior river knowledge to judge the pixel type. After completing the river centerline extraction in the current window, the next detecting window is generated to continue judgment. The structural element automatically executes river centerline judgment until the entire river centerline is extracted. The Landsat 8 images of six regions with different geomorphologies were chosen to analyze the method’s performance. The test sites include high mountain region, low mountain region, plains region with farmland and a residential region. The experimental results show that the optimal threshold of the processing results ranged from 0.2 to 0.3. In this range, the user’s accuracy is 0.813 to 0.997, and the producer’s accuracy is 0.981 to 1. The MDIA effectively and correctly extracts the river network in mixed-pixel regions. The presented method provides an effective algorithm for river centerline extraction that can be used to expand and update river datasets and provide reliable river centerline data for relevant hydrology studies.     

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...