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
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 空军工程大学航空工程学院, 陕西 西安 710038
2 中国人民解放军94582部队, 河南 商丘 476000
针对目标探测算法对混合像元难以区分以及阈值不易选择的问题,根据同类像元的相似性提出对抗生长(AG)算法。首先将生长树模型应用在目标探测中,然后利用AG算法对生长树模型进行改进,最后在遗漏率和重叠率两个参数的约束下得到生长结果,通过对生长结果的进一步分析来得到探测结果。通过实验数据分析可以看到AG算法在检测概率为90%的情况下,虚警率比其他4种传统算法中最佳结果还低0.31个百分点;算法的接收机特性曲线在4组数据中均位于其他算法的左上方,验证所提算法的有效性,表明该算法能够较好地区分混合像元,克服阈值选择的难题,提高目标检测的效率。
图像处理 高光谱图像 目标探测 对抗生长 自动化 混合像元
1 中国科学院合肥物质科学研究院安徽光学精密机械研究所, 中国科学院通用光学定标与表征技术重点实验室, 安徽 合肥 230031
2 中国科学技术大学, 安徽 合肥 230026
地物三维结构在像元尺度下的光学辐射特征并不等同于其表面材质的反射特性,这给基于图像信息的目标特征提取与识别造成困难。结合对三维几何体的外场零视距测量实验, 分析了地物几何结构对像元综合反射率的影响效应。基于线性混合像元模型, 尝试加入方向辐射特性、光照阴影和端元分布等修正因子进行改进。结果表明, 较之于目前广泛使用的线性混合模型, 改进模型对像元综合反射率的计算精度有所提高, 相对误差由原先的 13.08% 平均减小至 8.79%。鉴于三维异质结构混合像元综合辐射作用的复杂性, 改进方法的完备性和模型普适性有待进一步研究和验证。
目标特性 混合像元 三维结构 target characteristics mixed pixel three dimensional structure 大气与环境光学学报
2021, 16(6): 457
1 郑州科技学院,河南郑州450064
2 河南省智能信息处理与控制工程技术研究中心,河南郑州450064
3 军事科学院系统工程研究院,北京100010
4 中国航天系统科学与工程研究院,北京10005
5 陆军装备部驻沈阳地区军事代表局驻长春地区第一军事代表室,吉林长春130000
针对雨雪、雾霾等天气条件下氧气吸收被动测距受大气和气溶胶等复杂背景光谱影响严重的问题,采用混合像元分解技术对提高复杂背景条件下的测距精度进行了研究。分析了高光谱图像像元混合机理,以雨滴端元为例建立了复杂天气条件下目标与背景的混合像元模型;讨论了复杂天气条件下目标光谱的提取方法,提出了复杂天气氧气吸收被动测距的基本流程;最后,对不同距离处小雨、重度霾、中雪3种典型复杂天气条件下的卤钨灯目标进行了被动测距实验。实验结果表明,混合像元分解方法可快速提取目标光谱,与多次循环采集平均法、背景消除法相比测距精度有较大提升,不同的距离及天气条件下的测距精度分别提高到3.39%、5.81%和4.36%,可满足实际飞行目标辐射光谱的快速采集与测距精度要求。
被动测距 氧气吸收 混合像元分解 目标提取 极端天气 passive ranging oxygen absorption mixed pixel decomposition target extraction extreme weather
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。
图像处理 成像光谱 混合像元 光谱解混 遥感应用 光谱分析与物质识别 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
1 西安航空学院电子工程学院, 陕西 西安 710077
2 西北大学城市与环境学院, 陕西 西安 710127
3 西安石油大学计算机学院, 陕西 西安 710065
提出了一种基于高光谱数据简化的改进非负矩阵分解端元提取方法,通过计算和比较图像的光谱信息熵,划分图像的同质区,只选择同质区中最具代表性的像元参与非负矩阵分解运算,减少了端元提取算法的运算量。实验结果显示,数据简化前后运用非负矩阵分解算法所提取的几种矿物的光谱角均值基本相等,但数据简化后端元提取算法的运行时间减少了4/5,算法的运行效率提高。
图像处理 高光谱遥感 混合像元分解 光谱信息熵 非负矩阵分解 端元提取 激光与光电子学进展
2019, 56(9): 091001
湖南工业大学交通工程学院, 湖南 株洲 412007
传统的高光谱混合像元分解方法仅考虑高光谱图像的几何特性或者丰度的稀疏性,而忽略高光谱数据的光谱空间特性。当原图像中不存在纯净像元时,分解精度将严重下降。为了解决这些问题,提出一种改进的空间信息约束非负矩阵分解的解混算法,该方法充分利用高光谱图像的空间信息和稀疏性,提高了传统非负矩阵分解算法的性能。合成的模拟图像和真实的高光谱图像实验表明,该方法克服了传统方法对噪声的敏感性及对纯像元的依赖性。
图像处理 高光谱混合像元分解方法 非负矩阵分解 光谱空间信息 稀疏性 激光与光电子学进展
2019, 56(11): 111006
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