基于二次散射非线性混合模型的矿物填图方法

传统的遥感地质填图方法较少考虑到一个像元中多种地物共生存在的情况,因此所填图件难以反映矿物的分布特征。针对线性混合模型解混精度不高的问题,使用二次散射非线性混合模型对高光谱数据进行光谱解混,并在此基础上,提出了k(k≥2)类地物的填图规则。采用美国内华达州Cuprite地区AVIRIS数据进行填图实验,将其结果与Clark等的填图结果进行对比。实验结果表明:与线性模型的矿物填图相比,基于二次散射非线性混合模型所填图件更加接近矿物的真实分布;使用k(k≥2)类矿物填图规则的填图结果细节丰富,与Clark等人的填图结果吻合度高。     

高光谱矿物填图技术与应用研究

回顾和总结了"九五"以来,中国国土资源航空物探遥感中心在高光谱矿物识别和矿物填图领域所取得的成果,包括主要岩矿光谱特征与影响因素分析;矿物的种类识别、丰度反演和成分识别;中—热红外多/高光谱的数据处理和矿物识别;高光谱矿物识别的地质应用模式、矿物填图的工作方法和技术流程、矿物填图的技术体系;矿物填图在区域地质找矿、矿区勘查和成矿与找矿模型、植物地球化学探测、矿山环境监测以及月球和行星探测等方面的应用示范。最后,提出了高光谱矿物填图近期的研究方向。     

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。     

高分五号高光谱影像矿物精细识别

矿物识别是高光谱遥感技术优势之一,已在地质矿产领域取得了显著应用效果。随着光谱分辨率的不断提高,高光谱遥感矿物识别逐渐从识别矿物种类向矿物亚类、矿物成分等精细信息识别发展,且随着应用实践的不断深入,对矿物精细信息的需求也越来越大。而光谱分辨率和矿物识别方法是制约高光谱矿物精细识别的主要因素。高分五号(GF-5)超高的光谱分辨率为矿物精细识别提供了可能。首先在分析总结已有高光谱矿物识别方法优缺性的基础上,提出了综合光谱特征增强匹配度和特征参量的矿物识别方法;其次,选取甘肃柳园和美国Cuprite两个研究较多的地区为研究对象,基于GF-5卫星数据开展了矿物精细识别,在完成矿物种类、亚类识别的基础上,进一步对绢云母成分信息进行了反演;最后,结合上述地区已有机载高光谱数据及填图结果开展对比分析。结果表明:GF-5矿物识别信息分布与机载HyMap、AVIRIS一致性很好,相较机载数据GF-5矿物识别平均正确率优于90%,说明本研究提出的矿物识别方法能够满足GF-5矿物精细识别,可为后续业务化应用提供技术支撑,同时认为超高的光谱分辨率使得GF-5在矿物成分信息识别上更具优势。     

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。     

改进的高光谱解混初始化方法及其适用性分析

高光谱影像中存在大量的混合像元,极大地限制了高光谱影像的定量应用,高效且精准地进行像元解混尤为重要。端元矩阵的初始化、算法本身的代价函数及其迭代规则,三者的不同往往会导致获取的最终端元光谱和端元丰度的不同。在不同条件下,选取适当的初始化方法、代价函数和迭代规则,使得高光谱解混结果更优尤为重要。本文改进了一种基于欧氏距离和光谱信息散度的分块初始化方法(IBISS),改进后方法在中低信噪比情况下优于其他初始化方法。同时针对初始化、算法本身这两个方面进行大量试验,结果表明:①分块初始化优于全局初始化;②梯度迭代NMF算法相比于乘性迭代NMF算法,具有更快的收敛速度,但容易陷入局部最小值;③乘性迭代分块NMF算法相比于乘性迭代标准NMF算法能够获取更好的端元丰度信息;④梯度迭代分块NMF算法不适用于随机初始化后的光谱解混过程。     

高光谱遥感影像矿物自动识别与应用

在对矿物光谱特征理解与归纳的基础之上，对矿物光谱特征进行知识化表达，利用数理逻辑和一定的判别规则实现对高光谱遥感影像矿物的自动识别与批量化信息提取。在ENVI平台上，利用IDL语言开发了高光谱遥感影像矿物分层自动识别模（Mineral Auto-identification Module Basedon Spectral Identification Tree：MAIM-SIT）。该模块已经在新疆东天山哈密地区利用HyMap数据、西藏驱龙地区利用Hyperion数据以及美国Cuprite地区利用AVIRIS数据成功地进行了矿物识别，可识别的矿物或矿物组合可达10种以上，基本实现了高光谱矿物信息提取的智能化与批处理能力。     

泰国高光谱矿物填图与矿产数据库建立

高光谱遥感,在成像过程中,它利用成像光谱仪,在可见光、近红外、中红外、热红外波段范围内,获取许多非常窄的连续光谱的影像数据,其成像光谱仪可以收集到上百个非常窄的光谱波段信息,实现了地物的空间信息、辐射信息、光谱信息的同步获取。本文基于遥感平台,对泰国研究区的Hyperion数据进行研究,采用光谱角矿物填图(SAM)方法进行填图,对研究区矿产预测评价起到了良好的辅助效果。在现代地理信息系统学科技术和地理数据库的基础上,将泰国研究区中所获得的地质、遥感、矿产等相关数据资料进行入库,建立泰国国家的数据库。     

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。     

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。     

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。     

Spectral material mapping using hyperspectral imagery: a review of spectral matching and library search methods

Imaging spectroscopy is an emerging and versatile technique that finds applications in diverse fields concerned with remote identification, discrimination and mapping of materials. The large amount of spectral data produced by hyperspectral imaging necessitates the development of automated techniques that convert imagery directly into thematic maps. Spectral library search method, a method of choice for organic compound identification by the mass spectroscopy, has caught the attention of researchers as one of the appropriate methods for an efficient exploitation of high quality spectral data available from the hyperspectral imaging systems. Given the apparent increase in the number of papers appearing on the subject as well as the variety of methods proposed, it is reasonable to say that the field of automated interpretation of reflectance spectral data has passed its infancy now gaining important space in the scientific community. We present an overall view of the literature relevant to the development of library search method, the various search algorithms and systems available in the purview for developing an automated hyperspectral data analysis system for material identification.     

鲁棒多特征谱聚类的高光谱影像波段选择

传统谱聚类的高光谱影像波段选择模型中,采用的波段相似矩阵受到噪声或异常值的影响且仅能表征波段的单一相似特征,导致波段子集的选取结果受到限制。本文从波段选择的目的出发,提出鲁棒多特征谱聚类方法,整合多个特征的波段相似矩阵来形成综合相似矩阵以解决上述问题。该方法假设4种相似性度量包括光谱信息散度、光谱角度距离、波段相关性和拉普拉斯图谱能够共同揭示波段聚类的内在结构特征,通过构建低秩稀疏矩阵分解模型来表征单一相似矩阵与综合相似矩阵的内在关系。进一步,采用增强拉格朗日乘子算法来优化求解综合相似矩阵,利用常规谱聚类方法来聚合所有波段至不同的类别,并选取代表性波段。采用两个常用的高光谱影像数据,对比5种常用的波段选择方法来进行实验验证。实验结果表明,鲁棒多特征谱聚类方法优于改进稀疏子空间聚类、常规谱聚类方法和其他主流波段选择方法,而且计算效率较高。     

重加权稀疏和全变差约束下的深度非负矩阵分解高光谱解混

近年来,非负矩阵分解NMF (Nonnegative Matrix Factorization)由于其简单有效的特点,已被广泛应用于解混。由于传统的NMF只有单层结构,不能获取隐藏层的信息,其解混效果受到制约,为了研究影像的深度空谱特征,本文在深度NMF结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解(RSDNMF-TV)算法。首先,使用深度NMF模型代替传统单层NMF模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差。其次,由于丰度矩阵是稀疏的,本文在深度NMF模型中加入重加权稀疏正则化项,其权值则根据丰度矩阵自适应更新。最后,进一步引入全变差正则化项,以利用空间信息并促进丰度图的分段平滑性。论文采用梯度下降法推导出乘性迭代规则,为验证所提出的RSDNMF-TV算法的有效性,利用模拟数据集、Cuprite数据集以及高分五号数据集进行实验,并与其他经典方法作对比,结果发现本方法具有更好的解混效果,同时具有一定的去噪能力。     

一种高光谱遥感图像快速谱聚类算法

为获得分类效果更优良的遥感图像分类方式并解决高光谱遥感图像分类运算速度缓慢的问题,集成Lanczos算法与谱聚类算法,探讨了高光谱遥感图像谱聚类算法应用于遥感图像分类的可行性,提出了一种面向高光谱遥感图像的快速谱聚类算法;通过对比美国圣地亚哥机场高光谱遥感图像K-均值算法与谱聚类算法的分类结果,发现面向高光谱遥感图像的谱聚类算法易于识别线性地物,且分类的速度能得到较大提升。     

高光谱端元自动确定与提取的迭代算法

针对端元提取算法依赖人工确定端元数量的问题, 提出一种端元自动确定与提取的迭代算法。首先, 通过统计分析获得像元相似性阈值, 确定候选端元判据;其次, 对候选端元进行内、外部相关性判断, 对端元光谱集进行病态矩阵规避判断;最后, 以候选端元判据为迭代终止条件, 当图像空间不存在候选端元时, 获得端元集合并确定端元数。实验结果表明, 该方法正确有效, 可以避免顺序端元提取方法的错误风险, 提高端元提取自动化程度。