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 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 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
中国石油大学地球科学与技术学院, 山东青岛266580
针对MODIS数据绿潮提取存在大量混合像元导致绿潮覆盖面积偏大这一问题, 基于3 m分辨率的机载SAR高分影像, 结合归一化植被指数(NDVI), 对MODIS研究区中大于NDVI阈值的像元进行混合像元分解得到绿潮的“覆盖面积”; 获取的准同步3 m机载SAR提取的绿潮面积为“真实值”, 然后建立二者之间的关系模型, 并选取不同的样本区域对该模型进行了验证。实验结果表明: NDVI等传统算法所提取的绿潮覆盖面积约为“真实值”的2.68倍; 基于混合像元分解的方法所提取的绿潮面积较“真实值”偏小, 约为“真值”的0.56倍; 与传统的NDVI等多波段比值法相比, 该精细化模型方法提取的绿潮覆盖面积更接近于“真实值”, 与“真实值”误差仅为6.7%。
黄海 绿潮 混合像元分解 机载SAR Yellow Sea green tide mixed pixel decomposition MODIS MODIS NDVI NDVI airborne SAR
1 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046
2 绿洲生态教育部重点实验室, 新疆 乌鲁木齐 830046
土壤组成较为复杂, 单纯利用土壤光谱信息探测土壤盐度, 反演精度不足以满足实际需求。 通过遥感获取的植被信息(植被类型和生长状况)可间接反映土壤盐分的空间分布特性, 弥补上述不足。 为此, 基于干旱区土壤盐度与植被之间的协同变化, 尝试结合土壤和植被光谱信息, 借助二维特征空间理论, 构建土壤盐度推理模型, 提高土壤盐度推理精度。 对于干旱区单个像元下土壤光谱的影响, 利用归一化植被指数(normalized difference vegetation index, NDVI) 难以准确反演干旱区稀疏植被参数。 因此, 首先利用线性混合像元分解模型(linear spectral unmixing model, LSUM)提取研究区地物组分, 构建植被组分指示因子(combined vegetation indicative factor, CVIF)方程, 并与土壤盐度指数(salinity index, SI)构建二维特征空间。 分析二维特征空间内散点走势与土壤盐分之间的关系, 建立土壤盐度推理模型(salinity inference model, SID)。 验证结果显示, CVIF提取的植被信息精度(R2>0.84, RMSE=3.92)高于应用较为广泛的NDVI(R2>0.66, RMSE=13.77)。 构建的SID模型与前人基于NDVI建立的联合光谱指数(combined spectral response index, CORSI)相比, 前者(R2>0.86, RMSE=6.86)推理精度优于后者(R2>0.71, RMSE=16.21)。 由此得出结论, 基于土壤和植被光谱信息双重判定的SID模型对土壤盐渍化的高精度遥感监测研究具有较好促进作用。
土壤盐分 植被指数 推理模型 线性混合像元分解模型 Soil salinity Vegetation index Inference model The linear spectral unmixing model 光谱学与光谱分析
2016, 36(6): 1848
1 华东交通大学信息工程学院, 江西 南昌 330013
2 西安石油大学计算机学院, 陕西 西安 710065
提出一种利用图像的空间结构信息在特征空间中设计大小适宜的超球, 将单形体的顶点分隔在超球外部, 剔除超球内部的数据, 只保留超球外部的少量数据参与端元提取算法。经过分析, 该方法可以大大减少端元提取算法的运算量。通过实验对比, 用相关端元提取算法对简化后的数据进行端元提取的结果精度很高, 与简化前数据的端元提取结果吻合。
高光谱遥感 端元提取 空间结构信息 超球 混合像元分解 hyperspectral remote sensing endmember extraction spatial information hypersphere hyperspectral unmixing
南昌工程学院信息工程学院，江西 南昌 330099
基于稀疏性的高光谱解混是近年来高光谱混合像元分解的研究热点。主要研究了L1正则化的高光谱混合像元分解算法。首先分析了L1正则化的三种解混模型，即无约束、非负约束和全约束模型；然后给出了三种模型对应的数值求解算法；最后，采用模拟的和真实的高光谱数据进行实验，比较了三种高光谱混合像元分解算法的效果。实验结果表明：三种模型均具有很好的高光谱混合像元分解精度(SRE)，其中全约束模型最好，非负约束模型次之，无约束模型最差；全约束模型在信噪比低和端元数多的情况下，仍然获得较高的SRE。
高光谱 混合像元分解 稀疏性 增广拉格朗日 hyperspectral unmixing sparsity augmented Lagrangian
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 山东省海洋生态环境与防灾减灾重点实验室, 山东 青岛266061
2 国家海洋局北海预报中心, 山东 青岛266061
3 国家海洋局第一海洋研究所, 山东 青岛 266061
在绿潮遥感业务化监测中, 250 m分辨率的MODIS卫星数据是主要数据源, 归一化差值植被指数(NDVI) 是绿潮卫星遥感信息提取的主要方法。研究发现, 由于MODIS空间分辨率较低, 存在大量的混合像元, 导致提取的绿潮覆盖面积明显偏大。针对该问题, 本文在MODIS绿潮NDVI计算的基础上, 首先对大于NDVI阈值的像元进行混合像元分解, 得到MODIS NDVI混合像元分解后的绿潮面积, 然后以准同步的30 m分辨率HJ-1 CCD影像提取的绿潮覆盖面积为真值, 建立了MODIS NDVI混合像元分解得到的绿潮面积与HJ-1提取的绿潮面积之间的关系模型, 以实现绿潮面积的精细化提取。与传统的NDVI阈值法和混合像元分解法相比, 该方法提取的绿潮覆盖面积更接近于“真值”, 面积约为“真值”的96%, 而传统的NDVI阈值法和混合像元分解方法提取的面积分别为“真值”的2.96倍和45%。另外, 与传统的NDVI阈值法相比, 新方法对NDVI阈值变化不敏感, 在相同的NDVI阈值变化区间内, 前者提取的绿潮覆盖面积变化了41%, 而新方法的变化仅为11%。本文的工作在很大程度上解决了MODIS空间分辨率低导致的绿潮监测结果不准确的问题, 为精细化的绿潮卫星遥感业务监测提供了参考。
混合像元分解 绿潮监测 Mixed pixel decomposition MODIS MODIS NDVI NDVI green tide monitoring
