1 北方民族大学 计算机科学与工程学院， 宁夏银川75002
2 西安电子科技大学 电子工程学院，陕西西安710071
由于不同的照明条件、复杂的大气环境等因素，相同端元的光谱特征在图像的不同位置呈现出可见的差异，这种现象被称为端元的光谱变异性。在相当大的场景中，端元的变异性可能很大，但在适度的局部同质区内，变异性往往很小。扰动线性混合模型（Perturbed Linear Mixing Model，PLMM）在解混的过程中可以减轻端元变异性造成的不利影响，但是对缩放效应造成的变异性的处理能力较弱。为此，本文改进了扰动线性混合模型，引入了尺度因子以处理缩放效应造成的变异性，并结合超像素分割算法划分局部同质区，然后设计出基于局部同质区共享端元变异性的解混算法（Shared Endmember Variability in Unmixing，SEVU）。与扰动线性混合模型，扩展线性混合模型（Extended Linear Mixing Model，ELMM）等算法相比，所提SEVU算法在合成数据集上平均端元光谱角距离（mean Spectral Angle Distance， mSAD）和丰度均方根误差（abundance Root Mean Square Error， aRMSE）最优，分别为0.085 5和0.056 2；在Jasper Ridge和Cuprite真实数据集上mSAD是最优的，分别为0.060 3和0.100 3。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。
高光谱图像 混合像元分解 光谱变异性 扰动线性混合模型 局部同质区 hyperspectral image unmixing spectral variability perturbed linear mixing model local homogeneous region
1 天津工业大学 电子与信息工程学院，天津 300387
2 天津商业大学 信息工程学院，天津 300134
在高阶非线性混合模型的基础上，提出一种多目标高光谱图像解混算法，解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型，并同时优化两目标函数以减少数据异常值对模型求解的影响，使解混结果在两个评价指标上得到提升; 最后采用差分搜索算法求解多目标优化模型，解决梯度类优化方法易陷入局部极值的问题，从而进一步提升解混精度。实验结果表明，文中算法与传统高光谱解混算法相比，具有更精确的端元丰度估计结果和更高的解混精度。
高光谱图像 多线性混合模型 多目标高光谱解混 仿生智能优化 差分搜索算法 hyperspectral images multi-linear mixing model multi-objective hyperspectral unmixing bionic intelligence optimization difference search algorithm 红外与激光工程
2019, 48(10): 1026002
1 西北工业大学 电子信息学院， 陕西 西安 710129
2 铜陵学院 电气工程学院， 安徽 铜陵 244000
3 铜陵学院 数学与计算机学院， 安徽 铜陵 244000
根据高光谱数据的特点，提出了一种基于像元的分布式压缩采样模型来实现高光谱图像的有效压缩采样与重构。搭建了能实现该模型的压缩采样光谱成像系统，并研究了用于该系统成像的重构算法。在图像采集阶段，将高光谱数据分为参考像元和压缩感知像元; 地面像元的辐射能通过棱镜进行谱带分离，再利用数字微镜器件实现谱带的线性编码。对压缩感知像元进行低采样率的线性编码，对参考像元进行采样率为1的线性编码。压缩采样数据重构时，不再采用传统方法直接重构高光谱数据，而是利用线性混合模型将重构高光谱数据转换成端元提取和丰度估计，然后根据重构的端元和丰度恢复原数据。对比实验表明，在压缩采样数据为总数据的20%时，重构的平均信噪比提高了10 dB。所设计的成像系统应用压缩感知理论减少了采集的数据量，采样方式简单，可应用于星载或机载的高光谱压缩感知成像。
分布式压缩感知 高光谱图像 成像光谱仪 线性混合模型 感知矩阵 distributed compressive sensing hyperspectral imagery imaging spectrometer linear mixing model sensing matrix
1 西北工业大学 电子信息学院, 陕西 西安 710129
2 铜陵学院 电气工程系, 安徽 铜陵 244000
提出一种推扫式谱间压缩采样的高光谱成像系统, 用于实现高光谱图像的压缩感知成像, 并对该系统成像的重构算法进行了研究。在图像采集阶段, 采用棱镜对地面成像行的像素进行谱带分离, 然后利用数字微镜器件实现谱带的线性编码, 通过柱面透镜完成编码谱带的叠加。压缩采样数据重构时, 不像传统的压缩感知重构方法那样直接重构高光谱数据, 而是利用线性光谱库混合模型将重构高光谱数据转换成重构丰度系数矩阵, 采用交替方向乘子法求解丰度的优化问题, 再根据重构的丰度和高光谱库恢复原数据。与标准压缩感知重构算法的对比实验表明, 该方法在压缩采样数据为总数据的20%时, 重构的平均峰值信噪比比标准压缩感知提高了18 dB。所设计的成像系统采样方式简单, 可应用于星载或机载的高光谱压缩感知成像。
压缩感知 高光谱图像 成像光谱仪 线性混合模型 感知矩阵 compressive sensing hyperspectral imagery imaging spectrometer linear mixing model sensing matrix 光学 精密工程
2014, 22(11): 3129
1 中科院西安光学精密机械研究所空间光学研究室,西安,710068
2 中科院研究生院,北京,100039
为了解决混合像元问题,发展了一门新的技术--光谱分离技术,线形混合模型是目前应用最成功的方法,但是当应用到月球风化层遥感时,其存在两个内在的缺陷:一是由于充分混合引起的非线性,二是纯光谱的不"纯"性.对于第一个缺陷,从Hapke理论出发,充分考虑了数据的特点,大大简化多重散射模型来提高充分混合的线形性,同时降低了原模型计算的复杂度;对于后一个问题,提出用修正线形混合模型来弥补"纯"光谱中的误差.该方法通过Relab数据库中的模拟月壤的光谱数据进行了验证,试验结果表明,这种方法具有很好的性能.
光谱分离技术 月球风化层 修正的线形混合模型 单次反照率 Spectral unmixing technology Lunar regolith Modified Linear Mixing Model（MLMM） Single Scattering Albedo（SSA）
