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。     

归一化地物子空间投影下的光谱解混方法

针对线性光谱解混方法,全约束条件下的最小二乘准则和正交子空间投影(OSP),因缺乏物理约束条件使得组分丰度估值容易出现负值这一问题,该文在线性光谱混合分析模型中增加光谱组分丰度"和为1"且为"非负"的约束条件,提出了归一化地物子空间投影下(NMSP)的光谱解混方法。该方法假定一条基准端元已知以消除组分之间的相关性,再基于基准端元对端元矩阵和影像矩阵进行平移,进一步消除像元在端元方向投影时原点引起的错误。实验结果表明,与约束条件下的OSP分类器以及最小二乘法相比,NMSP在光谱解混中可以得到更加合理的地物组分丰度且能保持端元丰度"非负"和稀疏的物理特性。     

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。     

一种非监督快速端元提取方法

正交子空间投影(OSP)方法广泛用于目标与背景的分离之中,对于高光谱影像,OSP可用于目标提取和混合像元分解,但缺点是需要端元的先验知识。针对这一问题,本文基于OSP的原理提出了一种非监督快速端元提取方法。实验使用模拟高光谱数据和由OM ISⅠ获取的真实高光谱数据,结果精度令人满意,证明了本文算法进行端元自动提取的可行性。     

基于OSP的自动端元提取及混合像元线性分解

正交子空间投影(OSP)方法广泛用于目标与背景的分离之中,对于高光谱影像,OSP可用于目标提取和混合像元分解,但缺点是需要端元的先验知识。针对这一问题,基于OSP的原理提出一种自动提取端元的方法,该方法不需端元的先验知识并且不需对原始数据进行降维。实验使用由OMISⅠ和PHI获取的两组高光谱数据进行端元提取,并采用带全约束条件的最小二乘法进行混合像元分解,结果精度令人满意,证明算法进行端元自动提取的可行性。     

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。     

基于二次散射的高光谱遥感图像光谱非线性混合模型

高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重.为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度).然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求.为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scattering model,SSM).通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果.     

基于相关系数匹配的混合像元分解算法

遥感影像中的混合像元不仅影响地物识别和分类的精度,而且已成为遥感科学向定量化发展的主要障碍.为此,人们已经提出了多种混合像元分解算法,其中应用最为广泛的是最小二乘法.该方法虽然具有意义明确、简单易行等特点,但也易受局部噪声、大气效应、环境辐射等因素的影响.本文将混合像元分解问题归结为一个基于光谱匹配的非线性最优化问题,并针对最小二乘法的不足提出了一种新的基于相关系数匹配(spectral correlation matching, SCM)的混合像元分解技术.通过在北京市北三环及其以北区域内案例的研究表明:在城市区域内,利用图像选取终端端元的办法,基于相关系数匹配的混合像元分解算法的总体精度高于带全约束的最小二乘法(LS)的分解结果.对比分析表明:在目标光谱的绝对值整体放大或缩小而光谱形状得到了很好的保持、及局部噪声使得光谱值显著变化但光谱形状得到了一定程度保持时,基于光谱形状的相关系数法可以得到比基于光谱绝对值的最小二乘法精度更高的分解结果.     

最小体积约束的线性光谱解混算法

提出了最小体积单体约束的线性光谱解混算法。该算法不需要假设数据中存在纯像元,采用二次规划方法计算降维后的端元矩阵,利用最小二乘方法实现丰度估计和端元提取。实验结果表明,此算法解混的结果整体上优于MVC-NMF算法。     

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。     

基于空间-光谱分析的高光谱遥感影像稀疏解混研究

正混合像元分解能在亚像素级别上定量化地了解地物的光谱信息和含量信息(丰度),是高光谱影像分析中的关键问题之一。由于影像场景复杂、同谱异物和同物异谱(端元可变性)现象普遍存在、光谱库端元数目远大于像元中含有的端元数目,再加上影像噪音的干扰,影像解混精度还亟待提高。本文的研究围绕基于空间-光谱分析的高光谱遥感影像稀疏解混方法,分别从顾及端元可变性、像元的     

加权总体最小二乘在三维基准转换中的应用

对比研究加权总体最小二乘(weighted total least-squares,WTLS)方法和混合最小二乘(LS-TLS)方法、最小二乘(least-squares,LS)方法在三维空间小角度直角坐标转换中的适用性。在两套坐标系下坐标测量值均存在误差时,用WTLS方法不但可以对观测向量y和系数矩阵A同时修改、将坐标先验精度引入平差计算,而且引入的权阵PA对系数阵A起到固定常数元素而只修改必要数据元素的作用,以得到更合适的参数解。     

端元光谱自动提取的总体最小二乘迭代分解

根据总体最小二乘(total least squares, TLS)模型理论,提出了一种影像端元光谱可受噪声污染的混合光谱线性扩展模型,并实现了该模型的端元光谱自动迭代提取以及混合像元的限定性分解.实验结果表明,扩展的混合像元分解模型明显优于传统的最小二乘分解模型,总体精度大约提高了10%～20%.     

泰安市区不透水面覆盖度遥感估算研究

区域不透水面覆盖度是该区域城镇化程度、生态环境状况的重要指示因子。针对传统线性混合像元分解丰度图经常出现负值或者大于1的情况,采用完全约束最小二乘混合像元分解方法,利用泰安市市区Landsat8 OLI遥感影像提取了其不透水面分布状况,运用高分辨率遥感影像随机采样进行了精度检验,并对该区域不透水面空间特征进行了分析。结果表明:该文方法对泰安市市区不透水面分布提取的精度较高;植被、水体、高和低反照率不透水面4种光谱端元的线性组合,可以较好地模拟OLI影像的波谱特征;高、低反照率不透水面两种光谱端元可以很好地表达泰安市市区不透水面信息。     

1987-2015年宁波市不透水面时空变化分析

全面掌握城市不透水面变化规律和现状,对于城市化进程研究、城市规划发展和生态文明建设等具有重要的意义。以宁波市为研究区,基于1987-2015年的Landsat影像,利用完全约束最小二乘混合像元分解法实现宁波市不透水面信息提取,结果表明:完全约束最小二乘混合像元分解法避免了不透水面丰度出现负值的情况,提取精度较好;近30年宁波市不透水面扩张显著,不透水面面积增长近5倍,扩张速率和强度在2007-2010年达到最大,并逐渐趋于平稳,2007年以前宁波市城市扩张以三江口片和各区县(市)主城区为主,2007年后则以新区经济发展带扩张为主。     

多/高光谱遥感图像的投影和小波融合算法

将高光谱图像与高空间分辨率图像融合后,由于融合图像空间分辨率提高,改变了混合像元内地物组分比例,像元光谱信息较原高光谱图像光谱信息会出现“失真”现象。针对这种情况,考虑混合像元内成分变化进行图像融合,首先利用投影方法模拟多光谱图像得到高光谱图像,并将模拟高光谱图像与原高光谱图像利用小波方法进行融合,融合图像不仅增强了空间信息,而且对光谱信息进行一定的修正,从而提高了环境异常探测等一系列应用的精度。利用Hyperion图像和SPOT-5图像进行融合实验,融合图像能够识别出87.2%目标区域。     

基于光谱多尺度分割特征的高光谱混合像元分解

提高混合像元线性分解精度的一个关键点在于改善端元光谱矩阵的构成。本文提出一种基于光谱多尺度分割特征的混合像元分解方法。首先在分割段内离差平方和最小准则下,对高光谱影像的光谱进行多尺度分割,并以各分割段中对应像元的光谱平均值为光谱特征,最后以限制性的最小二乘方法估计出混合像元的组分。模拟与真实数据的实验结果表明,本文方法能够较大的提高遥感影像混合像元的分解精度,并且优于光谱维小波特征的分解。     

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。     

基于支撑向量回归的高光谱混合像元非线性分解

提出了基于支撑向量回归的高光谱混合像元自动分解.首先利用投影迭代的方法自动寻找到影像的典型地物光谱,然后利用Hapke近似函数模拟出非线性的训练和测试数据.支撑向量回归的混合像元分解方法与基于基函数分解方法的不同点是不需要预先确定非线性的映射形式,它通过核函数,把像元矢量从低维空间映射到高维特征空间,使得在特征空间中构造的线性光谱组合对应着原始空间（像元空间）的非线性组合特性,从而揭示了典型地物光谱之间的高阶性质,提高了混合像元的分解精度.实验结果证明,这种方法具有很高的混合像元的分解精度.利用模拟数据作分解精度的评价,表明97%以上的像元分解绝对误差不大于10%,而各类总体平均平方根误差均小于3.5%.