波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

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。     

基于独立成分分析的高光谱变化检测

现有的变化检测方法并未充分研究变化前后高光谱遥感影像端元的联系,不能准确地分析地物变化信息。本文提出了一种基于独立成分分析的高光谱遥感影像变化检测方法,对差值影像进行基于偏斜度的独立成分分析,在不同组分图中分别显示单一地物的变化情况,进而提取变化信息。实验表明,该方法能够在获得较高检测率的同时维持较低的误检率,检测效果优于传统方法。     

基于最佳小波包基的高光谱影像特征制图

鉴于在时频局部化能力方面小波包变换优于小波变换,将高光谱影像像元光谱曲线作为1维信号并对其进行多尺度小波包变换分解,得到不同尺度上的低频和高频成分向量。根据不同地物像元光谱小波包分解最佳基有很大差异,而同一地物像元光谱小波包分解的前若干个最佳基完全相同的特点,提出一种基于前若干个最佳小波包基特征参量数组的分类特征参量和目标识别方法,并对AVIRIS影像中的特征如地物植被、水体、岩石及某些阴影等进行提取与制图。     

高光谱图像处理与信息提取前沿

高光谱遥感是对地观测的重要手段,高光谱图像处理与信息提取技术则是高光谱遥感领域的核心研究内容之一。本文简要介绍了高光谱遥感的主要特点,系统梳理了高光谱图像处理与信息提取面临的关键问题和主要研究方向,在此基础上,从噪声评估与数据降维方法、混合像元分解方法、图像分类方法、目标探测与异常探测方法等4个方面对高光谱图像处理与信息提取的理论发展过程和最新前沿进展进行了综述。另外,还对高光谱图像处理与信息提取中的高性能处理技术进行了总结和分析。未来,伴随着智能化信息分析和高性能硬件处理技术发展,高光谱遥感卫星系统也将步入智能化时代。针对这一趋势,本文指出高光谱图像处理与信息提取方法要注重多学科交叉,充分利用机器学习、人工智能等领域的新成果;要重视软硬件结合,发展高光谱图像高性能实时处理技术;要紧密结合应用需求,发挥高光谱遥感的优势和特点,发展新理论和新方法。     

列式鲁棒主成分分析的高光谱遥感异常探测

传统的基于鲁棒主成分分析的高光谱异常探测模型中,稀疏异常矩阵假设为非低秩且其非零元素满足随机分布条件。这导致稀疏矩阵的非零元素影响低秩背景矩阵的估计,进而制约背景信息和异常信息的有效分离。提出列式鲁棒主成分分析的异常探测方法,改进异常矩阵为列稀疏条件来解决上述问题。该方法分解高光谱影像2维矩阵为低秩背景矩阵,列稀疏异常矩阵和噪声矩阵,松弛目标方程为凸优化问题,并采用非精确增强拉格朗日乘子算法来求解得到列稀疏异常矩阵的最优估计。最后,对稀疏异常矩阵中所有列的L2范数值进行阈值分割来探测得到异常像元。利用两个高光谱影像数据集,对比5种主流的异常探测方法来验证提出方法的有效性。实验结果表明,列式鲁棒主成分分析方法优于包括传统鲁棒主成分分析模型在内的5种异常探测方法,且计算效率适中。     

Integration of full-waveform LiDAR and hyperspectral data to enhance tea and areca classification

Hyperspectral image and full-waveform light detection and ranging (LiDAR) data provide useful spectral and geometric information for classifying land cover. Hyperspectral images contain a large number of bands, thus providing land-cover discrimination. Waveform LiDAR systems record the entire time-varying intensity of a return signal and supply detailed information on geometric distribution of land cover. This study developed an efficient multi-sensor data fusion approach that integrates hyperspectral data and full-waveform LiDAR information on the basis of minimum noise fraction and principal component analysis. Then, support vector machine was used to classify land cover in mountainous areas. Results showed that using multi-sensor fused data achieved better accuracy than using a hyperspectral image alone, with overall accuracy increasing from 83% to 91% using population error matrices, for the test site. The classification accuracies of forest and tea farms exhibited significant improvement when fused data were used. For example, classification results were more complete and compact in tea farms based on fused data. Fused data considered spectral and geometric land-cover information, and increased the discriminability of vegetation classes that provided similar spectral signatures.     

基于光谱曲线整体相似性测度的匹配分类

高光谱影像具有丰富的空间、辐射和光谱信息,每一个像元都可以提取出连续的光谱曲线。因此,可以通过高光谱数据与已知的参考光谱曲线波形或特征相似性对比分析的方法识别地物类型。在整体相似性测度约束下,综合考虑数值指数和形状指数,利用光谱特征向量间的差异和曲线信息熵提出了一种新的匹配分类的方法。实验结果表明,该方法具有分类精度高、适应性强的特点。     

Hyperspectral image classification by a variable interval spectral average and spectral curve matching combined algorithm

Classification of hyperspectral images has been receiving considerable attention with many new applications reported from commercial and military sectors. Hyperspectral images are composed of a large number of spectral channels, and have the potential to deliver a great deal of information about a remotely sensed scene. However, in addition to high dimensionality, hyperspectral image classification is compounded with a coarse ground pixel size of the sensor for want of adequate sensor signal to noise ratio within a fine spectral passband. This makes multiple ground features jointly occupying a single pixel. Spectral mixture analysis typically begins with pixel classification with spectral matching techniques, followed by the use of spectral unmixing algorithms for estimating endmembers abundance values in the pixel. The spectral matching techniques are analogous to supervised pattern recognition approaches, and try to estimate some similarity between spectral signatures of the pixel and reference target. In this paper, we propose a spectral matching approach by combining two schemes—variable interval spectral average (VISA) method and spectral curve matching (SCM) method. The VISA method helps to detect transient spectral features at different scales of spectral windows, while the SCM method finds a match between these features of the pixel and one of library spectra by least square fitting. Here we also compare the performance of the combined algorithm with other spectral matching techniques using a simulated and the AVIRIS hyperspectral data sets. Our results indicate that the proposed combination technique exhibits a stronger performance over the other methods in the classification of both the pure and mixed class pixels simultaneously.     

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。     

判别流形学习算法的高光谱数据降维与树种识别

高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。     

加权空-谱联合保持嵌入的高光谱遥感影像降维方法

高光谱遥感影像数据量大、波段数多,容易导致“维数灾难”。传统流形学习方法一般仅考虑其光谱特征,忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入(WSCPE)的维数约简算法。首先采用加权均值滤波(WMF)方法对高光谱影像进行滤波,以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性,通过采用加权空-谱联合距离(WSCD)来融合像素点的光谱信息和空间信息,有效选取各像素点的空-谱近邻,并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构,提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明,总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时,有效融合了影像的空间-光谱信息,故能提高影像特征的鉴别性,并提升分类性能。     

基于多孔径映射的高光谱异常检测算法

针对高光谱遥感异常检测中复杂背景与异常目标之间光谱特征相关性导致背景模型难以准确估计的问题,提出了一种基于多孔径映射的高光谱遥感异常检测算法。首先,不同于背景建模提取背景特征的方法,多孔径映射从不同角度提取数据特征,通过构建基集合表征高光谱数据的光谱特性,获得用于衡量统计差异的异常显著性指标。其次,为了实现对具有适中及低异常显著性像素的精细分析,本文基于模糊逻辑理论构建隶属度函数获得关于像素异常显著性的连续性属性标记,并将隶属度值作为权重,通过加权迭代过程实现多孔径映射的自适应收敛。最后,借鉴模糊逻辑理论中的去模糊机制,对多孔径检测结果进行融合,获得最终的检测结果。本文仿真试验采用高光谱遥感数据,从稳健性及对低显著度目标敏感性方面对算法进行验证。     

高光谱图像稀疏信息处理综述与展望

高光谱成像技术具有光谱连续、图谱合一,能够以较高的光谱诊断能力对地物目标进行精细化解译,可以大幅增强地物信息的提取能力。充分利用高光谱遥感图像丰富的空间、谱信息,进行观测目标地物的精细化解译,成为近年来遥感领域的研究热点和前沿领域,并在多个相关领域具有巨大的应用价值和广阔的发展前景。本文结合高光谱图像成像特点,对基于稀疏表示理论的高光谱图像处理与分析方法进行综述,概括了高光谱图像处理与分析主要研究,并对各个研究领域与方向进行分析和评价,最后对各研究领域发展提出建议和展望。     

显著性权重RX高光谱异常点检测

高光谱图像异常点检测中,传统RX异常点检测算法忽略了空间相关性,背景估计不准确。本文提出了一种基于图像局部邻域光谱显著性分析的加权RX算法。该算法通过引入图像显著性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显著性权重图,重新定义RX算法中的均值向量和协方差矩阵,并给不同的目标赋予不同的权值,达到优化背景估计的目的。利用合成高光谱数据和真实高光谱数据进行异常点检测实验,结果表明,对于同一组数据,本文算法检测到的异常点数比传统算法多,虚警率较低,有效地提高了检测率。     

Enhancing endmember selection in multiple endmember spectral mixture analysis (MESMA) for urban impervious surface area mapping using spectral angle and spectral distance parameters

Successful retrieval of urban impervious surface area is achieved with remote sensing data using the multiple endmember spectral mixture analysis (MESMA). MESMA is well suited for studying the urban impervious surface area because it allows the number and types of the endmembers to vary on a per-pixel basis, thereby, allowing the control of the large spectral variability. However, MESMA must calculate all potential endmember combinations of each pixel to determine the best-fit one. Therefore, it is a time-consuming and inefficient unmixing technology, especially for hyperspectral images because these images have more complicated endmember categories. Hence, in this paper, we design an improved MESMA (SASD-MESMA: spectral angle and spectral distance MESMA) to enhance the computational efficiency of conventional MESMA, and we validate this new method by analyzing the Hyperion image (Jan-2011) and the field-spectra data of Guangzhou (China). In SASD-MESMA, the parameters of spectral angle (SA) and spectral distance (SD) are used to evaluate the similarity degree between library spectra and image spectra in order to identify the most representative endmember combination for each pixel. Results demonstrate that the SA and SD parameters are useful to reduce misjudgment in selecting candidate endmembers and effective for determining the appropriate endmembers in one pixel. Meanwhile, this research indicates that the proposed SASD-MESMA performs very well in retrieving impervious surface area, forest, grass and soil distributions on the sub-pixel level (the overall root mean square error (RMSE) is 0.15 and the correlation coefficient of determination (R²) is 0.68).     

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.     

空谱协同多尺度顶点成分分析的高光谱影像端元提取EI北大核心CSCD

针对顶点成分分析方法无法实现复杂地表环境下的高光谱影像端元精确提取问题,提出了一种基于空谱协同多尺度顶点成分分析的端元提取方法,通过影像空谱特征融合和聚类分割,对不同分辨率空间尺度下的分割影像进行端元协同提取,并考虑噪声对影像端元提取精度的影响,提升端元提取的精度。首先,对影像进行预处理,采用低秩矩阵分解去除噪声。其次,对高光谱影像进行空谱多特征提取,利用多特征融合和K-means算法进行聚类分割,获取地物分布的空间异质性信息,提升后续端元提取的精度。然后,对高分辨率影像空间降采样,利用顶点成分分析方法对降采样后的低分辨率分割图像进行端元提取,并利用坐标映射寻找高分辨率影像中的相应端元,利用光谱角来判定是否为纯端元。最后,遍历上述方法至所有分割影像以获取最终的端元集合。使用模拟数据和真实的高分五号高光谱数据对提出的方法进行实验验证。实验结果表明,空谱协同多尺度顶点成分分析方法可提取高精度的纯净端元,且计算效率较高。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。