沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110866
开展水稻无人机高光谱解混, 获取水稻植株的高光谱反射率信息, 对于提高水稻理化参量的反演模型精度具有重要意义。 目前大多基于高光谱遥感影像自身数据进行解混, 运用算法模型进行高光谱数据解混, 将高光谱图像和可见光图像进行优势互补, 提出一种基于无人机高清影像与高光谱遥感影像融合的稻田无人机高光谱解混方法, 解决单一数据局限性问题, 增强光谱数据对地物的描述能力。 为了更好的计算端元丰度, 将同一目标区的高清数码正射影像与无人机高光谱遥感影像利用经纬度信息进行空间配准, 使得不同传感器获得的图片在几何位置上对齐, 通过SVM分类器的监督分类方法对可见光的数码正射影像进行地物分类, 利用地物分类的结果对应高光谱的一个像元, 从而得到一个像元内的端元丰度。 设相邻区域内的水体端元是相同的, 利用线性解混模型(LSMM)对相邻区域的混合像元进行解混, 最终获取水稻高光谱反射率信息。 结果表明对两种图片进行空间配准丰富了数据源信息, 有利于像元的端元丰度计算, 其中水稻端元丰度在70%以上解混效果最好, 丰度在50%以上解混效果一般, 丰度在30%以下解混效果较差; 选择监督分类方法进行地物分类, 精度达到99.5%, 面向对象方法分类精度为98.2%, 监督分类方法优于面向对象分类方法; 最终得到的混合像元分解反射率高于原混合像元反射率, 减少了水体混合部分对光谱数据的影响, 使得分解后水稻的光谱反射率更加准确, 为水稻理化参量无人机成像高光谱遥感反演提供更加准确的科学依据。
高光谱 无人机 端元提取 水稻 混合像元 Hyperspectral UAV Endmember extraction Rice Mixed pixels
1 东华大学计算机科学与技术学院, 上海 201620
2 复旦大学电磁波信息科学教育部重点实验室, 上海 200433
低空间分辨率和物质异质性等因素造成的图像混合像元问题,使像元级的数据处理和应用难以满足实际需求。光谱解混提取亚像元尺度上的端元和丰度信息,为现实应用的数据精细化定量分析提供技术支撑。本文介绍了近些年光谱解混理论方法和应用的相关研究进展,包括线性与非线性混合模型作用,以及几何、正则优化和统计机器学习原理框架下的方法研究成果。此外,分析了光谱解混对分类等其他技术性能的改善作用以及该技术解决从遥感到医学等室内级应用问题的理论和实际价值。最后,总结了光谱解混技术与应用研究中的不足和构建二者协同发展的必要性。
激光与光电子学进展
2021, 58(16): 1600004
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125105
2 辽宁工程技术大学电气与控制工程学院, 辽宁 葫芦岛 125105
高光谱解混的目的在于提取图像中的端元特征和丰度特征。由于高光谱图像空间分辨率低而存在大量混合像元,因此如何从混合像元中提取光谱特征和空间分布信息是高光谱解混面临的难题。基于非负矩阵分解的高光谱解混是一个不适定拟合问题,而且在处理过程中将立方体数据转化为矩阵会导致三维结构信息的丢失。利用最小体积单纯形空间稀疏性,提出一种基于最小体积稀疏正则的高光谱解混方法,能够挖掘出图像中光谱特性和丰度特征的内在关系,减少结构信息的丢失。将凸几何中的最小体积约束与非负矩阵分解相结合,并采用近似交替优化与交替方向乘子法设计出高效的求解算法。最后分别采用合成数据和真实数据进行仿真实验,结果表明该种算法能够有效地提取出高光谱图像的端元特征和丰度特征。
图像处理 高光谱解混 混合像元 最小体积单纯形 激光与光电子学进展
2020, 57(24): 241010
南昌工程学院 江西省水信息协同感知与智能处理重点实验室, 江西 南昌 330099
稀疏正则化函数的选取直接影响到稀疏非负矩阵分解高光谱解混的效果。目前, 主要采用L0或L1范数作为稀疏度量。L0稀疏性好, 但求解困难; L1求解方便, 但稀疏性差。提出一种近似稀疏模型, 并将其引入到多层非负矩阵分解(AL0-MLNMF)的高光谱解混中, 将观测矩阵进行多层次稀疏分解, 提高非负矩阵分解高光谱解混的精度, 提升算法的收敛性。仿真数据和真实数据实验表明: 该算法能够避免陷入局部极值, 提高非负矩阵分解高光谱解混性能, 算法精度上比其他几种算法都有较大的提升效果, RMSE降低0.001~1.676 7, SAD降低0.002~0.244 3。
非负矩阵分解(NMF) 稀疏 混合像元 解混 non-negative matrix factorization (NMF) sparsity mixed pixels unmixing 红外与激光工程
2018, 47(11): 1117010
1 北京师范大学地理学与遥感科学学院, 北京 100875
2 北京农业信息技术研究中心, 北京 100097
3 河海大学地球科学与工程学院, 江苏 南京 210098
4 北京农业质量标准与检测技术研究中心, 北京 100097
融合多源遥感数据生成高时空分辨率数据具有重要的应用价值.对目前常用的3种时空融合方法进行对比分析, 即基于时序数据(STIFM)、基于混合像元分解(STDFM)和增强型自适应遥感图像(ESTATFM)的时空融合方法.以盈科灌区为例, 由多时相的MODIS数据提取地物的时间变化信息, 结合初期的ASTER/TM影像的空间信息, 融合生成30m具有MODIS时间分辨率的数据.以真实的ASTER数据为基准, 从光谱特征和地物类别的角度定量评价结果, 表明STDFM和ESTATFM分别在红波段和近红外波段取得效果最优, 相关系数分别为0.91和0.71, 3种方法融合的NDVI效果基本相当, 相关系数均高于0.84.在地物类别空间信息的表达方面, ESTATFM方法在异质性较强的玉米和小麦区域具有较好的适用性.
多源遥感数据 数据融合 高时空分辨率 混合像元分解 multi-source remote sensing fusion data high spatial and temporal resolution decomposition of mixed pixels
1 首都师范大学资源环境与旅游学院, 北京100048
2 东北师范大学城市与环境科学学院, 吉林 长春130024
在入射天顶角为50°, 探测方位角为45°的实验条件下, 利用地物多角度二向反射平台和FieldSpec3 Hi-Res便携式地物波谱仪获取了24组荷叶与水体组成的混合象元反射波谱, 并根据其波谱特性建立了高光谱空间。 通过计算不同荷叶面积比例的混合象元反射光谱与参照光谱的波谱角及相似度, 分析了相似度与荷叶面积比例的关系, 在此基础上采用线性模型、 对数模型、 二次多项式模型进行拟合, 拟合优度分别为63.6%, 76.2%和82.9%, 根据混合像元光谱矢量与参照反射光谱矢量之间的实际关系, 确定最佳拟合模型具有非线性的分段特征。 在分析拟合曲线的基础上, 提出水生植物与水体组成的混合像元可能具有植被特征临界值的设想, 研究结果有利于加深对混合象元的理解, 同时也为混合象元的光谱分解提供了新的思路。
波谱角 高光谱 混合像元 拟合 Spectral angle Hyperspectral Mixed pixels Fitting
1 复旦大学电子工程系， 上海 200433
2 复旦大学波散射与遥感信息教育部重点实验室，上海 200433
传统的光谱混合分析方法假设每个端元必须具有完全稳定的光谱特性，而在实际问题中同类地物的端元光谱往 往存在着差异。为了有效地抑制同物异谱对混合像元分解的影响，本文提出一种基于Fisher判别零空间的高光谱遥感图像混合像元分 解算法。Fisher判别零空间方法通过对高光谱图像数据进行线性变换，使得变换后的数据中同一端元内的光谱差异减小为零，而不同 端元间的光谱差异尽可能地增大。利用变换后的光谱数据对混合像元进行分解就可以较大程度地减少同物异谱现象对分解结果的影响。 对模拟高光谱图像数据以及Indiana地区和Cuprite地区的实际AVIRIS数据的解混结果表明，用Fisher判别零空间方法处理混合像元分 解问题，可以得到较高的分解精度。
混合像元分解 同物异谱 Fisher判别零空间 高光谱图像 decomposition of mixed pixels endmember spectral variability Fisher discriminant null space hyperspectral image
1 复旦大学,电子工程系,上海,200433
2 复旦大学,波散射和遥感信息教育部重点实验室,上海,200433
提出一种新的遥感图像混合像元分解方法,通过最小化一种带约束条件的能量函数,可实现多通道遥感图像中混合像元更精确的分解.同时针对所提议的算法进行了模拟和实际数据的实验验证,并将结果与BP神经网络的分解结果进行比较,结果表明,本文所提出的带约束条件的能量函数最小化方法在分解准确性和抗噪声能力方面,明显优于基于BP神经网络的分解方法.
约束条件 能量函数 混合像元分解 BP神经网络 constraint conditions energy function decomposition of mixed pixels BP neural network
