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.     

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。     

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。     

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%.     

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.     

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。     

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。     

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。     

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...     

采用PPI算法改进的一种数学形态学端元提取方法

自动形态学端元提取(automated morphological endmember extraction,AMEE)算法将结构元素内最纯像元与混合度最大的像元之间的光谱角距离定义为形态学离心率指数(morphological eccentricity index,MEI)来定量化地表示像元的纯净度。然而作为参考标准的混合度最大的像元在不同的结构元素内也是不同的,尤其是当结构元素内的纯净像元占大多数时,像元的均值光谱将更接近纯像元,此时像元的MEI越高,纯度反而越低。针对这一问题,本文提出一种像元纯度指数(pure pixel index,PPI)算法与AMEE算法相结合的端元提取算法PPI-AMEE。在结构元素内,利用PPI指数代替AMEE算法中的MEI指数来寻找最纯像元。变换结构元素时,只有最纯净的像元始终能够投影到随机生成的直线的两端,其PPI值会不断累计增大,而其他像元的PPI值则无法持续增大。累计记录每个像元的PPI值,直至满足迭代终止条件,最终形成一幅PPI图像,端元将在PPI值较大的像元中选取。PPI-AMEE算法只在相对较小的结构元素内运行PPI算法,然后再结合数学形态学中的膨胀操作对整幅图像进行处理,其同时兼顾了图像的光谱信息和空间信息。最后,采用模拟数据及美国内华达州Cuprite地区的机载可见光/红外成像光谱仪(airborne visible infrared imaging spectrometer,AVIRIS)高光谱数据对提出的PPI-AMEE算法进行试验验证。试验结果表明,PPI-AMEE算法的端元提取精度总体上优于AMEE算法和PPI算法。     

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。     

纯净像元指数改进的N-FINDR高光谱端元提取算法

为了有效解决遥感影像中普遍存在的混合像元导致遥感影像定量解译精度低的问题,对两种不同混合像元端元提取算法进行了比较分析。纯净像元指数算法随着迭代次数的增加时间效率大大降低,而经典的N-FINDR算法初始端元数目选择的任意性会导致像元解混的精度不一,因此本文提出了一种基于纯净像元指数改进的N-FINDR算法。改进的N-FINDR算法相较于传统的N-FINDR算法能够准确构建候选端元集合并求得最优解。该算法结合高光谱影像数据的特点,首先利用纯净像元指数求取备选端元数目;然后以此为基础运用经典的N-FINDR算法求解最大的单形体顶点,将求解后顶点作为纯净像元,并完成丰度反演;最后使用ENVI产品中自带的经过大气校正的航空高光谱数据cup95eff.int对算法进行验证。试验结果表明,以纯净像元指数改进的N-FINDR算法在整体精度方面优于传统的N-FINDR算法。     

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。     

The use of single-date MODIS imagery for estimating large-scale urban impervious surface fraction with spectral mixture analysis and machine learning techniques

Urban impervious surface information is essential for urban and environmental applications at the regional/national scales. As a popular image processing technique, spectral mixture analysis (SMA) has rarely been applied to coarse-resolution imagery due to the difficulty of deriving endmember spectra using traditional endmember selection methods, particularly within heterogeneous urban environments. To address this problem, we derived endmember signatures through a least squares solution (LSS) technique with known abundances of sample pixels, and integrated these endmember signatures into SMA for mapping large-scale impervious surface fraction. In addition, with the same sample set, we carried out objective comparative analyses among SMA (i.e. fully constrained and unconstrained SMA) and machine learning (i.e. Cubist regression tree and Random Forests) techniques. Analysis of results suggests three major conclusions. First, with the extrapolated endmember spectra from stratified random training samples, the SMA approaches performed relatively well, as indicated by small MAE values. Second, Random Forests yields more reliable results than Cubist regression tree, and its accuracy is improved with increased sample sizes. Finally, comparative analyses suggest a tentative guide for selecting an optimal approach for large-scale fractional imperviousness estimation: unconstrained SMA might be a favorable option with a small number of samples, while Random Forests might be preferred if a large number of samples are available.     

利用Landsat 7与GF-1 WFV影像反演地表温度

地表温度在地气循环系统中具有重要作用,是目前地理学研究的重点。然而目前的国产高分辨率影像缺少热红外波段,且具有热红外波段的影像分辨率较低。基于此,本文利用低分辨率影像降尺度方法反演高分辨率影像的地表温度。首先通过Landsat 7影像的热红外波段,提取典型地物的地表温度;对GF-1 WFV影像进行预处理后,利用全约束最小二乘法对高分辨率影像进行混合像元分解;根据平均温度模型,得到高分辨率影像的地表温度,并进行降尺度,通过Landsat 7影像进行精度验证。验证结果显示,均方根误（RMSE）为1.40℃,平均绝对误差（MAE）为0.44℃,精度较高。     

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。