基于核方法的高光谱遥感图像混合像元分解

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算法。采用正交子空间投影(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;对美国内华达州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,其中又以KFCLS解混的精度最高;附加约束条件有利于提高丰度反演的精度。     

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。     

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。     

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。     

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.     

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。     

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%.     

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。     

UFCLS线性光谱混合分析法在遥感图像分类识别中的效果分析

用非监督全约束最小二乘法对线性光谱混合模型进行了反演，通过获得各像元组分的面积比图像来达到对各像元分类的目的。将非监督全约束最小二乘法的分类结果与有限光谱混合分析法的分类结果进行对比。结果表明，无论从分类效果还是计算时间上看，前者都优于后者。     

高光谱影像混合像元分解比较研究

遥感混合像元分解,作为一种遥感分类与制图的方法,具有其独特的优势.利用新疆阜康地区的Hyperion遥感影像,在ENVI/IDL软件运行环境下,分别采用沙漏算法,SMACC算法和体积法进行端元提取,并对3种方法进行了比较分析,从中选择符合实际的沙漏算法提取的端元,作为最终端元.在此基础上,分别运用最小二乘法、OSP算法...     

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。     

Independent Base Vector Representation to Address Endmember Variability in Hyperspectral Unmixing

The normal compositional model (NCM) is a well-known and powerful model in hyperspectral unmixing which represents endmembers as independent Gaussian vectors to capture endmember variability. However, the assumption of independent endmembers diminishes the model accuracy because the high degree of correlation between endmembers of a scene and identical sources of variability demonstrate that the endmembers are dependent. This paper proposes a new hyperspectral unmixing algorithm which represents endmembers using dependent Gaussian vectors to estimate abundance fractions. To overcome the higher complexity caused by dependence assumption, this algorithm introduces new independent Gaussian vectors named Base Vectors to represent different endmembers by a weighted linear combination. Also, the proposed unmixing algorithm uses maximum likelihood method to estimate weight coefficients of Base Vectors which are used to represent mixed pixel. Finally, abundance estimation can be done using the new representation for endmembers and mixed pixel. The proposed algorithm is evaluated and compared with other state-of-the-art unmixing algorithms using simulated and real hyperspectral images. Experimental results demonstrate that the proposed unmixing algorithm can unmix pixels composed of correlated endmembers in hyperspectral images in the presence of spectral variability more accurately than previous methods.     

高度约束MHE算法在伪距单点定位中的应用

针对目前全球卫星导航系统(GNSS)中伪距单点定位(SPP)技术的定位精度已不能满足现代大多数应用场景的需求,提出了一种附加高度约束的滚动时域估计(MHE)算法,以此来改善SPP的定位性能. 附加高度约束的MHE算法是将接收机的位置高度作为非线性约束加入到SPP的估计参数中,并采用近似MHE算法来进一步提高定位精度的优化算法. 结果表明:高度约束的MHE滤波比传统最小二乘(LS)的滤波具有更好的平滑特性,同时随其视窗大小的增加,其定位精度得到了进一步改善. 验证了附加高度约束MHE方案的有效性、可行性,所得结果对SPP的实际应用具有重要的参考意义.