基于SVM和PWC的遥感影像混合像元分解

支持向量机与两两配对方法结合可分解遥感影像混合像元.首先支持向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,最终像元所属类别的后验概率作为地物的组分信息.利用多波段遥感数据验证了此方法的可行性,并将结果与线性分解模型进行比较.结果表明,SVM与PWC结合进行混合像元分解在准确性方面优于一般线性模型的精度,并且此方法可用于图像分类中.     

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。     

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。     

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。     

混合像元分解技术及其进展

混合像元分解模型是定量遥感研究的重要组成部分,为各种地学应用提供了更精细的亚像元级地物信息,这一领域受到国内外学者们广泛关注。本文围绕混合像元分解研究的4个核心问题——光谱混合模型、端元提取、模型反演方法以及解混精度评估,总结了近20年来混合像元分解的重要研究进展,分析和介绍了典型算法模型的原理和思路。进一步阐述了现有研究在一些关键问题上存在的不足,如目前仍缺乏公认的线性和非线性模型的选择判据、已有的混合像元分解模型无法抑制由端元光谱相关造成的共线性问题。最后总结了混合像元分解未来的发展趋势和值得探索的研究方向。如结合辐射传输模型和地面试验,定量分析多次散射的影响机制,以及结合克服共线性的统计回归模型。     

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。     

端元之间最大距离和约束的 NMF混合像元分解方法

NMF应用于混合像元分解时具有不满足丰度"和为一"约束和结果不具有唯一性的问题。MVCNMF将凸面单形体的体积作为约束条件引入到NMF中。从理论上看,当端元光谱中存在形状相似的光谱时,单形体的体积接近于零,此时MVCNMF实际上变为NMF,且凸面单形体的体积计算比较复杂,影响算法的效率。针对此问题,提出一种端元之间最大距离之和约束的NMF混合像元分解算法MSMDCNMF,将其引入到非负矩阵分解中。利用计算所有端元之间的最大距离之和作为约束条件来控制凸面单形体的大小,简化了约束条件,减小了计算复杂度。通过对比发现,所提方法在端元提取精度方面优于MVCNMF算法,与MOCCNMF算法接近,但在算法运行效率上,MSMDCNMF算法效率最高。     

基于混合像元分解与EM算法的中低分辨率遥感影像变化检测

中低分辨率遥感影像中广泛存在的混合像元极大地限制了变化检测结果的精度。基于混合像元分解技术,能够深入到像元内部,比较不同端元的组成分差异影像,然后获取亚像元级别的变化信息。如何从差异影像中确定合适的变化阈值,从而准确地判断变化是否发生,是一个难点问题。在高斯模型分布假设的情况下,采用最大期望法（expectation maximization,EM）自动提取最佳阈值,完成自适应的变化检测过程。选择了两种典型的阈值选择方法与该方法进行比较,结果证明基于EM的自适应变化检测方法可以更准确地提取变化信息,具有较好的稳健性。     

面向线性光谱混合分解的邻域像元集螺线型构建方法

高时间分辨率遥感影像在地表景观破碎区域易形成混合像元,难以发挥其高时间维度优势。现有方式多是基于线性光谱混合模型,借助邻域像元所构成的像元集合组成线性方程组,求出组分光谱值的最小二乘解,提高其空间分辨率。然而,现有方法依赖窗口形式来构建邻域像元集合,在某些区域易造成方程组无解的欠定问题。本文在分析其问题原因的基础上,引入阿基米德螺线代替传统的矩形窗口,对邻域各像元依次遍历,构建空间邻近、组分相近的邻域像元集合来解决该问题。在GlobeLand 30数据上的试验表明,螺线型构建方法对5种混合尺度上多种类型地物均具有稳定的精度,与传统窗口构建方法相比,可从构建邻域像元集合方面将总体理论精度提高2%,分解结果精度提高近1个数量级。     

基于支撑向量机概率输出的高光谱影像混合像元分解

提出利用支撑向量机(SVM)后验概率来分解高光谱影像的混合像元,通过支撑向量机的输出值转化为两两配对的后验概率,再由两两配对的概率值求得多类后验概率,并以像元所属类别的后验概率作为地物的组分信息。实验结果表明,该方法能较好地估计出混合像元的组分比。     

西北旱区遥感影像分类的支持向量机法

针对较大范围、不同时相、不同气候和地貌类型的遥感影像的土地利用现状分类问题,提出了一种结合标准植被指数和纹理特征的支持向量机法。此方法改进了陕西延安、甘肃嘉峪关和青海果洛的遥感影像分类,有效地解决了最大似然法和BP神经网络法的缺陷造成的分类精度不高的问题。分类结果表明:与最大似然法和BP神经网络法相比,结合标准植被指数和纹理特征的支持向量机法的分类总精度最高(97.75%),Kappa系数为0.9691。该方法可为西北旱区遥感影像解译和土地资源可持续发展战略提供方法支撑。     

面向端元提取的光谱角特征空间图像分块方法

传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。     

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%.     

压缩感知和万有引力模型相结合的高光谱混合像元分解

高光谱影像虽然具有较高的光谱分辨率,但因其空间分辨率低而普遍存在混合像元。混合像元分解是高光谱遥感应用的重要研究内容,包括端元提     

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。     

高光谱遥感影像SVM分类中训练样本选择的研究

支持向量机(SVM)分类的关键是发现分类最优超平面及类别间隔,而混合像元比纯净像元更接近类别边界,更容易找出最优超平面。本文针对SVM分类器的特点,在高光谱数据分类中采用混合像元作为训练样本对SVM进行训练,试验表明采用类别边界上的混合像元作为训练样本是可行的,能够获得与纯净训练样本接近的分类精度,进一步验证了SVM分类对训练样本空间分布依赖度较低的特点。     

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。     

一种基于支撑向量机的遥感影像不完全监督分类新方法

不完全监督分类是研究在只有目标类训练样本的情况下如何准确地将目标类从数据集中提取出来。在许多遥感应用问题中,往往只需要从遥感影像中提取某一类地物。如果分类过程中只要选取目标类训练样本,将节省在训练样本选取过程中的大量人力物力。因此不完全监督分类是一个值得研究的遥感分类问题。提出了一种基于加权无标识样本支撑向量机(WUS-SVM),并在其基础发展出一种不完全监督分类方法。该方法分3个步骤:(1)在影像中随机选取一定量的无标识样本,将它们作为具有不同权重的非目标类训练样本;(2)用目标类的训练样本和加权无标识训练样本一起训练WUS-SVM,得到初步的分类器;(3)利用初步的分类器确定无标识样本的类别,并与原目标类训练样本一起再次训练SVM得到最终的分类器。通过对模拟数据和遥感影像的分类试验初步证明了该分类方法的有效性。