基于混合像元空间与谱间相关性模型的NMF线性盲解混

基于相关性分析的高光谱解混算法,通常缺少对高光谱图像空间和光谱相关性特征的综合分析与利用,或对于先验知识的依赖程度较高。本文提出一种基于混合像元空间与谱间相关性模型的NMF线性盲解混算法。具体包括：通过改进马尔科夫随机场（MRF）模型,建立相邻像元间的空间相关模型;利用复杂度映射技术,建立相邻波段间的光谱相关模型;在NMF目标函数外部和内部分别引入上述两种模型,作为盲解混算法的约束条件。试验结果表明,该算法相对于区域相关的NMF解混算法（ACBNMF）、最小化光谱相关度约束的NMF方法（MSCCNMF）和最小体积约束的非负矩阵分解（MVCNMF）等代表性NMF解混参考算法,解混精度有所提高;同时,降低了对于先验知识的依赖程度,拓宽了适用范围。     

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。     

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.     

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。     

最小体积和平滑性约束的非负矩阵分解高光谱解混算法

针对传统非负矩阵分解算法约束项中仅考虑了端元或丰度的相关属性,存在着解混精度欠佳、对噪声鲁棒性差等问题,提出了一种基于最小体积和平滑性约束的非负矩阵分解高光谱图像解混算法.首先利用了高光谱图像端元的几何特性,同时考虑了丰度的平滑特性,并将这两种特性结合成约束项,同时加入到了非负矩阵分解的目标函数中.然后,通知优化目标函...     

非负矩阵分解在高光谱图像解混中的应用探讨

从线性混合模型与非负矩阼分解的定义出发,分析非负矩阵分解适用于高光谱图像解混的原因,总结近年来学者们提出的基于非负矩阵分解的光谱解混算法,并重点对SC-NMF、MVC-NMF、APS-NMF算法步骤进行介绍与分析,最后总结非负矩阵分解及其应用于混合像元分解所面临的问题.     

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。     

最小光谱相关约束NMF的高光谱遥感图像混合像元分解

提出了一种最小化光谱相关度约束的非负矩阵分解方法。该方法根据高光谱遥感图像中端元之间具有不相关性这一特点,提出了一种光谱相关度函数。该函数度量光谱之间的相关程度,函数值越小,光谱间的相关度越小。通过联合最小化光谱相关度函数和非负矩阵分解误差函数,使获得的光谱之间具有最小的相关性,从而获得端元光谱以及组分图。模拟实验和真实实验证明了算法的有效性。     

约束非负矩阵分解框架下高维自适应粒子群端元提取

传统基于约束非负矩阵分解NMF(Nonnegative Matrix Factorization)的高光谱端元提取算法一般存在两个问题:一方面,以固定惩罚系数方法处理端元提取的约束优化问题,难以较好权衡目标项与约束项间的关系,影响提取效果;另一方面,求解过程通常基于梯度算法,依赖于初始值和步长的设定,容易陷入局部最优。针对这些问题本文提出约束NMF框架下高维自适应粒子群端元提取算法HAPSO(High-dimension Adaptive Particle Swarm Optimization)。该算法在端元距离最小约束的NMF框架下,利用粒子群算法PSO替代原梯度算法以增强全局搜索能力;采用高维PSO方法解决了多波段高维问题,并结合种群信息构建自适应惩罚机制以实现端元提取中目标与约束的合理权衡。通过模拟影像和真实影像的实验,证实该算法与传统的NMF端元提取算法相比能够更合理地权衡约束和避免局部最优,具有较好的端元提取效果。     

基于谱线形状与信息量差异的高光谱解混NMF初始化方法

在高光谱像元解混应用中,好的端元光谱矩阵初始化方法对于提高盲信号分解精度具有重要意义。针对空间分辨率较高的高光谱数据,提出了一种新的面向非负矩阵分解(non-negative matrix factorization,NMF)的初始化方法。该方法通过计算像元在谱线形状和信息量差异等方面的参数,利用像元谱线峭度、KL散度和光谱角等参量,从众多混合像元中识别出纯像元;并分辨出不同类型纯像元(或类纯像元)之间的差别,从中选择最适合代表每一类型端元的纯像元(或类纯像元)作为算法的初值像元,完成端元矩阵的初始化。将此方法分别用于模拟数据和真实数据的实验结果表明,该方法能够明显提高高光谱混合数据的NMF精度,相比其他常用初始化方法具有更好的效果。     

采用目标端元修正的高光谱混合像元盲分解

针对非负矩阵盲信号分离(NMF)用于混合像元分解易陷入局部极小值的不足,将非监督端元提取与盲分解方法相结合,构建了一种基于目标端元修正的混合像元盲分解模型(ATGP-NMF)。ATGP-NMF模型利用非监督正交子空间投影算法(ATGP)和非负最小二乘法(NNLS)获取NMF盲分离的初始值,然后将获得初始目标端元光谱与丰度输入NMF模型,通过迭代运算不断逼近优化目标而得到最终的端元光谱和端元丰度。为了检验模型对于各类数据的有效性和适用性,将ATGP-NMF与传统NMF分别应用于模拟仿真数据、室内控制数据和真实遥感影像3类实验数据进行分析验证。结果表明,ATGP-NMF模型具有较好的适用性,在没有先验信息、先验信息很少,以及纯像元假设不存在情况下都能较好地分解混合像元,且能够更好克服局部极小问题,提高混合像元分解的精度。     

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。     

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。     

基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

基于SVM的高光谱遥感图像亚像元定位

提出了基于支持向量机（support vector machine,SVM）的高光谱遥感图像亚像元定位方法。全变分（total variation,TV）模型是经典的保边缘平滑滤波器,本文将其引入作为预处理,来提高混合像元分解及亚像元定位的精度;本文方法在训练和检验样本的构建过程中,依据空间相关性理论,同时考虑了中心像元及其邻近像元丰度值对亚像元类别归属的影响;在监督分类训练和检验过程中,通过剔除纯净像元来缩减样本数量,在保证算法准确性的同时提高了效率。对真实高光谱遥感数据进行了实验,主观评价和定量分析验证了本文方法的有效性。     

结合Gram-Schmidt变换的高光谱影像谐波分析融合算法

针对高光谱影像谐波分析融合(HAF)算法在影像融合时不顾及地物光谱曲线整体反射率这一缺陷,提出了结合Gram-Schmidt变换的高光谱影像谐波分析融合(GSHAF)改进算法。GSHAF算法可在完全保留融合前后像元光谱曲线波形形态的基础上,将高光谱影像融合简化为各像元光谱曲线的谐波余相组成的二维影像与高空间分辨率影像之间的融合。它是在原始高光谱影像光谱曲线被谐波分解为谐波余项、振幅和相位后,首先将其谐波余项与高空间分辨率影像进行GS变换融合,这样便可有效地修正融合后像元光谱曲线的反射率特征,随后再利用该融合影像与谐波振幅、相位进行谐波逆变换,完成高光谱影像谐波融合。本文最后利用Hyperion高光谱遥感影像与ALI高空间分辨率影像对GSHAF算法进行可行性分析,再以HJ-1A等卫星数据对其进行普适性验证,试验结果表明,GSHAF算法不仅可以完全地保留光谱曲线波形形态,而且融合后影像的地物光谱曲线反射率更接近真实地物。     

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。     

高分辨率图像辅助提取高光谱图像端元

现有的端元提取算法大多是基于凸面单形体假设,对于非单一地物类型,利用这些端元进行丰度反演将会影响混合像元分解精度。本文提出一种利用高分辨率图像判断高光谱像元内是否为同一类型地物的方法。首先,利用图像分割程序对高分辨率图像进行分割,得到光谱均一的斑块矢量图,并叠加到高光谱图像上;然后,通过空间关系分析找出斑块内的高光谱像元,称其为准端元;最后,利用端元提取算法在这些准端元中进行端元提取。实验结果表明,该方法将端元提取结果的误差降低了20%左右。     

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.