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。     

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。     

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。     

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.     

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。     

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。     

应用Sinkhorn距离和图正则约束的高效解混算法

高光谱盲解混是解决混合像元问题的重要技术。其中,非负矩阵分解凭借其明确的物理意义,为无监督线性光谱解混的发展奠定了基础。由于传统非负矩阵分解采用欧氏距离度量原始矩阵与重构矩阵之间的误差,因而不能有效挖掘各维度特征间关系,影响解混精度。为充分利用高光谱图像中丰富的相关特征,本研究在地球移动距离的基础上引入熵正则约束,用Sinkhorn距离代替欧氏距离,建模不同维度特征之间的关系。同时,为刻画数据的流形结构,将图正则项作为丰度的约束条件,提出了一种基于Sinkhorn距离和图正则约束的非负矩阵解混算法。本研究采用乘性迭代规则对提出的解混模型进行求解,在模拟数据集、Urban数据集以及Jasper数据集上进行实验,实验结果验证了所提出算法的有效性。     

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。     

南方典型植被遥感丰度信息提取

针对遥感影像在南方丘陵地区典型植被丰度信息提取中存在的大量混合像元问题,为进一步提高线性解混精度,通过计算像元EVI值,构建了Landsat 8时间序列影像南方典型植被（端元）和混合像元的EVI时间序列曲线,分析了不同生育期内各种地物类型的植被指数变化曲线,发现不同地物在植被指数时间序列中具有各自独立的波动规律。选取多个端元及其EVI时间序列曲线,利用光谱匹配方法对匹配EVI时间序列曲线和多个端元进行了匹配,达到利用不同端元组合进行光谱解混的目的。试验结果表明,与传统方法相比,阔叶林解混精度有明显提高,针叶林解混精度也有所提高。该研究成果可以为南方丘陵地区植被环境的研究提供有力支撑。     

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。     

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。     

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。     

模拟真实场景的混合像元分解

在总结混合像元分解方法的基础上, 提出了一种模拟真实场景的像元分解方法, 该方法首先通过真实场 景的模拟获得各分量的丰度, 结合遥感影像与场景模拟的丰度反演端元反射率(模拟端元), 最后用带约束条件的线 性模型进行混合像元分解。用浙江省安吉县毛竹林调查资料及Landsat TM 对该方法进行验证和对比分析表明, 基 于模拟端元的混合像元分解结果比基于影像端元和参考端元的精度高且具有良好的稳健性。模拟真实场景的混合 像元分解方法将样地调查数据的先验知识应用于端元提取, 并将三维模拟模型引入到二维的线性光谱分解中, 具 有一定的优势和应用推广前景。     

高分五号高光谱图像自编码网络非线性解混

针对高光谱非线性混合模型中的共线性问题,提出了一种非监督的增强型非线性自编码网络方法 ENAE(Enhanced Nonlinear Autoencoder)。通过结合自编码网络在挖掘数据内在结构、提取特征方面的优势,引入端元正则项减弱端元间的共线性效应,从而提高高光谱混合像元分解精度。ENAE方法的实现步骤主要包括两部分:一是网络结构初始化,二是非线性分解。网络结构初始化是确定编码器的节点数以及端元和丰度的初值;非线性分解则主要是实现损失函数的最小化。通过模拟数据、城市区域真实数据和高分五号卫星高光谱数据的实验,得到了相较于传统非线性分解方法更高的精度,证明了ENAE方法的鲁棒性。     

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.     

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。     

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。