中国人民解放军陆军工程大学 石家庄校区 电子与光学工程系, 石家庄 050003
为了克服经典协同稀疏解混算法的不足以及全变差正则项引起的边缘模糊问题, 同时考虑到稀疏性和空间信息对解混精度提高的重要性, 采用结合超像素和低秩的协同稀疏高光谱解混算法, 进行了理论分析和实验验证。该算法对高光谱图像进行超像素分割, 并对每个超像素施加协同稀疏性约束。此外使用低秩正则项代替传统的全变差正则项来利用空间信息, 选取一组模拟数据和一组真实数据进行了实验。结果表明, 模拟实验中信噪比为30dB时得到的信号重构误差为19.4, 比经典的变量分裂增广拉格朗日全变差算法提高了35%左右; 真实数据实验直观地反映出了该算法能有效地克服边缘模糊问题, 具有更好的解混性能。该研究为如何综合利用稀疏性和空间信息提供了参考。关键词:
光谱学 高光谱图像 稀疏解混 超像素 低秩 spectroscopy hyperspectral image sparse unmixing superpixel low rank
1 北京航空航天大学 宇航学院 图像处理中心, 北京 100191
2 上海航天电子技术研究所, 上海 201109
3 哈尔滨工业大学 航天学院, 黑龙江 哈尔滨 150001
高光谱解混是学术界的一个难题, 稀疏高光谱解混指的是利用已知光谱库进行解混, 旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元, 并利用这些端元求解相应的端元丰度, 这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混, 但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法(ParetoSU), 将稀疏解混问题转化为一个两目标优化问题, 其中一个优化目标是建模误差, 另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题, 不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。
高光谱图像 稀疏解混 Pareto优化 hyperspectral images sparse unmixing Pareto optimization 红外与激光工程
2018, 47(2): 0226002
南京航空航天大学 航天学院, 江苏 南京 210000
将稀疏贝叶斯学习引入线性混合像元分解中,提出一种基于复合正则化联合稀疏贝叶斯学习的高光谱稀疏解混算法.在多观测向量的稀疏贝叶斯框架下,对各参数建立概率模型,经贝叶斯推断得到基于L2,1正则化的联合稀疏贝叶斯解混模型,并将丰度向量的非负与和为一约束加入到凸优化的目标函数中,通过变量分离法将复合正则化问题分解成多个单一正则化问题交替迭代求解,并利用参数自适应算法对正则化参数进行更新.模拟数据和真实数据的实验结果表明,该算法比贪婪算法和凸优化算法能获得更高的解混精度,并且适用于端元个数较多和信噪比较低的高光谱数据.
高光谱图像 联合稀疏解混 复合正则化 稀疏贝叶斯学习 hyperspectral image simultaneous sparse unmixing compound regularization sparse Bayesian learning
