为了解决传统N-FINDR算法计算量大,提取结果对噪声和初始端元选取敏感,且容易将异常点作为端元而造成误提取的问题,提出一种改进的快速N-FINDR端元提取算法.该方法通过光谱距离提取并去除高光谱图像中的冗余信息,减少N-FINDR提取端元的搜索范围,平滑噪声影响,并自适应剔除异常点,通过最大化光谱距离选取N-FINDR的初始端元,避免了随机选择的盲目性.采用合成数据和真实高光谱数据进行仿真分析并与现有算法进行对比,结果表明,本文算法能在噪声与奇异点干扰下正确提取端元,其提取效率和鲁棒性均优于现有算法.

光谱端元提取是对高光谱数据进一步分析的重要前提。 由于双向反射分布函数(BRDF), 像元内的多重散射和亚像元成分的异质性等因素, 高光谱图像中的混合像元实际上是非线性光谱混合。 传统的端元提取算法是以线性光谱混合模型为基础, 因此提取的端元精度不高。 在光谱非线性混合的基础上, 提出一种将流形学习与空间信息结合的改进N-FINDR端元提取算法。 首先通过自适应的局部切空间排列算法寻找嵌入在高维非线性数据空间的本质的低维结构, 将原始高光谱数据非线性降维到低维空间。 接着利用地物分布具有连续性的特点, 通过增大空间同质区域的像元的权重进行空间预处理。 最后通过寻找最大单形体体积进行端元提取。 提出算法很好的解决了高光谱遥感数据非线性结构, 并利用了空间信息, 提高了端元提取的精度。 模拟数据实验和真实高光谱遥感数据实验结果均表明, 采用该算法得到的结果优于顶点成分分析(VCA) 算法、 基于测地线距离的最大单形体体积(GSVM)算法和空间预处理的N-FINDR(SPPNFINDR)算法。

光谱端元选择是高光谱数据解混分析的重要前提。 在各种端元选择算法中, N-FINDR算法因其自动性和高效性受到广泛欢迎。 然而, 该算法需要进行数据降维预处理, 且包含大量的体积计算导致该算法的运算速度较慢, 限制了该算法的应用。 为此提出基于线性最小二乘支持向量机的N-FINDR改进算法, 该算法无需降维预处理, 且采用低复杂度的距离尺度代替复杂的体积尺度来加速算法。 此外还提出对野值点施加有效控制以赋予算法鲁棒性,以及利用像素预排序方法来降低算法的迭代次数。 实验结果表明, 基于线性最小二乘支持向量机的改进N-FINDR算法在保证选择效果的前提下复杂度大大降低, 鲁棒性方法和像素预排序方法则进一步提高了算法的选择效果和选择速度。Vector Machines