核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室, 北京 100029
高分系列卫星的发射和无人机高光谱技术的发展, 高光谱可用数据进一步扩展。 为了提升高光谱数据的精细利用价值, 高光谱影像混合像元解混成为当前至关重要的任务。 随着人工智能技术的快速发展, 深度学习理论被引入遥感图像处理领域。 自编码网络具有较强的特征提取能力, 已经开始应用于高光谱影像解混方面。 以自编码网络为基础对其结构进行改进, 提出一种深度堆栈自编码网络(DSAE)用于高光谱图像解混研究。 该网络包含两个部分: 端元识别网络(EDSAE)和丰度求解的网络(ADSAE)。 首先, 通过添加批标准化处理、 稀疏约束、 “和为一”约束以及删除网络偏置项构建EDSAE网络, 开展非监督训练进行高光谱影像端元识别。 其次, 将获取的端元光谱数据依据HAPKE非线性混合模型和LINEAR线性混合模型开展数据增强, 生成多元混合的带有丰度标签的模拟高光谱数据集。 最后, 在堆栈自编码网络基础上, 设置最后一层自编码器的激活函数为Softmax函数, 构建监督训练网络ADSAE, 把模拟数据集作为训练数据, 高光谱影像作为测试数据, 求取真实高光谱影像的丰度矩阵。 对Samson、 Jasper Ridge和Urban公共的高光谱影像开展端元识别和丰度求解实验, 基于DSAE获得的结果与传统的N-FINDR、 VCA、 MVC-NMF方法以及目前已有深度学习的方法SNSA和EndNet取得的结果进行比较。 结果表明: 对3组真实的高光谱影像开展解混, DSAE方法在端元提取方面相比于其他5种方法, 具有最优精度; 在丰度求解方面, 基于HAPKE模型生成的模拟数据集, 利用ADSAE网络开展监督训练可以成功获得3组高光谱影像的丰度矩阵, 相比于LINEAR模型和FCLS方法, 均具有最优的丰度反演结果。 DSAE方法具有较好的稳定性和鲁棒性, 为高光谱影像定量研究提供了新的思路。
高光谱影像 深度堆栈自编码 端元识别 丰度求解 解混 Hyperspectral image Deep stacked autoencoders Endmember extraction Abundance estimation Unmixing 光谱学与光谱分析
2023, 43(5): 1508
沈阳理工大学 信息科学与工程学院, 沈阳 110159
端元提取是高光谱遥感图像混合像元分解的关键步骤。传统端元提取算法忽略了高光谱图像中地物空间分布相关性与非线性结构,制约了端元提取算法的精度。针对高光谱图像的空间关系与非线性结构,提出一种基于同质区分割的非线性端元提取算法。使用超像素分割方法将图像分割为若干同质区,利用流形学习构造高光谱图像数据的非线性结构,最后在同质区内提取端元并利用聚类方法优选端元。模拟和真实图像数据实验表明,该算法能够保证高光谱数据的非线性结构,端元提取结果优于其他传统线性端元提取方法,在低信噪比的情况下,可以保持较好的端元提取结果。
高光谱遥感图像 端元提取 超像素分割 流形学习 hyperspectral remote sensing images endmember extraction superpixel segmentation manifold learning
沈阳理工大学 信息科学与工程学院, 沈阳 110159
端元提取是高光谱遥感图像混合像元分解的关键步骤。传统线性端元提取方法忽略了像元内地物的非线性混合因素, 制约了混合像元分解精度的提升。针对高光谱图像数据的非线性结构, 提出一种基于测地线距离的正交投影端元提取算法, 将测地线距离引入端元单体提取过程, 利用正交投影方法逐个提取端元。为了降低测地线距离计算量, 在端元提取前先利用自动目标生成方法和无约束最小二乘法对原始高光谱数据进行数据约减。模拟和真实高光谱图像实验表明, 该方法能够表征光谱数据中非线性因素, 端元提取结果优于传统自动目标生成端元提取方法。
高光谱遥感图像 非线性混合 端元提取 测地线距离 hyperspectral remote sensing images nonlinear mixing endmember extraction geodesic distance
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 信息与导航学院,陕西 西安 710077
2 重庆工程学院 软件学院,重庆 400056
高光谱图像有效压缩对于实现实时传输具有重要意义。本文将光谱线性分解应用于高光谱图像的高效压缩中,根据高光谱图像的线性混合模型,将高光谱数据分解为端元与丰度的乘积,编码端对端元与丰度进行必要的数据处理,然后分别进行JPEG-LS无损压缩,形成输出码流数据。解码端利用最终解码后的端元与丰度相乘来重建原始图像,探讨了量化步长对率失真性能的影响。仿真实验结果表明,该方法能够取得一定的压缩性能。
高光谱图像 线性混合模型 端元提取 hyperspectral images linear mixed model endmember extraction 太赫兹科学与电子信息学报
2021, 19(6): 1075
北京航空航天大学仪器科学与光电工程学院, 精密光机一体化技术教育部重点实验室, 北京 100191
在空间人造目标光谱分析领域, 受到观测距离和观测设备空间分辨率的限制, 通常在观测空间人造目标光谱信号时, 目标某个瞬时视场中的多种纯物质材料的光谱特征信息组合在一个像元中, 形成“混合光谱”。 因此, 将这些混合光谱分解为每个单一材料的光谱并估计出相应的组成比例是空间人造目标光谱分析研究的重点。 大多数现有空间目标光谱分解方法都假设空间人造目标混合光谱中包含的纯物质材料种类个数(即“端元数目”)是先验已知的, 这对于未知空间人造目标而言是不现实的。 因此, 纯物质材料数目正确估计对后续光谱数据分析处理的准确性起着至关重要的作用。 目前, 现有的端元数目确定方法的设计均在高斯白噪声的假设下进行, 而对于噪声信号的分布存在频谱相关性的情况下, 会提供较差的结果。 采用一种基于数据内在维度和似然最大化理论的方法——鲁棒特征值极大似然方法。 由于数据内在维数与信号协方差矩阵和信号相关矩阵特征值差异的统计分布特性高度相关, 因此通过分析该特征值差异的统计分布特性, 构建一个极大似然函数, 可以实现空间人造目标混合光谱端元数目的确定。 该方法包含两个步骤: 首先, 采用基于多元回归和改进最小噪声分离方法对原始光谱数据进行预处理完成噪声特性估计和噪声白化过程, 从而有效抑制具有频谱相关性的噪声的干扰; 接下来, 通过求解一个离散对数联合似然函数的极大值问题来实现空间人造目标混合光谱端元数目的确定, 该方法完全不需要输入任何参数, 并且运行速度比较快。 分别利用实验室实测的五种空间人造目标材料的可见/近红外光谱数据和美国地质勘测局光谱数据构建混合光谱仿真数据进行实验。 结果表明, 该方法能有效抑制相关噪声和白噪声的干扰, 空间人造目标纯物质材料数目确定结果具有很好的准确性和稳定性。
空间人造目标 光谱分析 端元数目确定 内在维度 Artificial space target Spectral analysis Number of endmembers Intrinsic dimension 光谱学与光谱分析
2021, 41(5): 1607
核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室, 北京 100029
自然界中岩石一般是由多种矿物集合而成的紧致混合物, 由于高光谱传感器低空间分辨率的特征, 获得的高光谱数据多为矿物组分的综合反映。 受噪声干扰以及矿物复杂的混合机理等因素影响, 高光谱端元识别和定量分析成为目前研究的热点与难点。 基于深度学习理论, 对原始自编码结构进行改进, 提出了一种改进的堆栈稀疏自编码的矿物高光谱端元识别方法(stacked sparse autoencoders, SSAE), 为高光谱解混提供新的思路。 首先, 根据矿物混合光谱的特点, 对原始自编码结构进行三点改进: 第一, 去掉自编码神经网络的偏置项(bias); 第二, 在隐藏层激活函数之前添加批归一化(batch normalization, BN)层, 最后一层输出层使用Relu激活函数; 第三, 用光谱角函数(LSAD)代替均方误差(LMSE)作为目标函数。 SSAE法通过梯度下降方式对目标函数进行优化求解获取神经网络参数。 然后, 利用Hapke模型建立不同矿物组合和不同质量分数的两个模拟数据集, 数据集共包括高岭石、 叶腊石、 蒙脱石、 绿泥石、 白云母、 方解石、 赤铁矿、 白云石、 钾长石和褐铁矿10种常见矿物光谱。 最后, 利用SSAE方法对模拟数据集进行端元提取测试, 测试结果与网络结构改进过程中产生的6种情况以及顶点成分分析法(VCA)和基于最小体积的变元切分增量拉格朗日单形体识别算法(SISAL)提取结果进行比较。 实验证明, 本研究提供的是一种盲端元识别方法, 改进后的SSAE神经网络端元提取精度比未完成改进前有明显提升。 SSAE法可以成功识别两个模拟数据集所有的端元, 光谱角距离(spectral angle distance, SAD)的平均误差分别为0.0597和0.0344, 与VCA法提取精度差异较小, 均优于SISAL法的识别结果。 SSAE法为矿物高光谱解混提供了新的方向, 对高光谱遥感的地质应用和高光谱遥感定量分析研究具有较好的促进作用。
堆栈稀疏自编码 神经网络 端元识别 高光谱 矿物 Stacked sparse autoencoders Neutral network Endmember extraction Hyperspectral Mineral 光谱学与光谱分析
2021, 41(4): 1288
1 西安工业大学 光电工程学院, 陕西 西安 710021
2 中国科学院 光谱成像技术重点实验室, 陕西 西安 710029
混合像元的存在是制约高光谱遥感应用精度的主要原因, 因此必须进行高光谱解混合。端元提取作为高光谱解混合的关键, 往往易受噪声和异常点的干扰。为了提高端元提取精度, 针对高光谱端元提取提出了一种空谱联合的预处理方法。首先, 定义了新概念光谱纯度指数, 主要用于预估高光谱图像中每个像元的光谱纯度; 其次, 给出了基于光谱纯度指数的空间去冗余方法, 利用真实地物的空间分布连续性, 判断和移除高光谱图像中冗余像元, 最终形成精简的候选端元集。实验结果表明: 采用提出的预处理方法后, 对于模拟高光谱图像, 提取的端元与原始端元之间夹角平均减少了9022 3°, 候选端元数量少于原始像元数量的10%。该预处理方法不仅有效消除了噪声和异常点的干扰, 提高了端元提取精度, 且大幅降低了时间复杂度。
高光谱 解混合 端元提取 预处理 光谱纯度指数 hyperspectral unmixing endmember extraction preprocessing spectral purity index
1 沈阳理工大学 信息科学与工程学院, 沈阳 110159
2 沈阳建筑大学BIM计算研究中心, 沈阳 110168
3 沈阳理工大学 机械工程学院, 沈阳 110159
针对传统单端元提取方法不能描述端元变异、限制混合像元分解精度的缺点, 提出一种基于像元纯净指数的多端元提取算法(Multiple Endmember Extraction Algorithm Based on Pixel Purity Index, PPI-MEE)。首先将图像划分为不重叠的图像块, 并分别利用改进的PPI算法提取候选端元集, 然后利用候选端元的邻域像元光谱信息对候选端元进行优化和精选。最后, 对优化精选后的端元集分类得到每类地物的多端元光谱集。仿真数据和真实高光谱数据的实验结果表明, 提出的多端元提取策略具有表征遥感图像中端元光谱变异的能力, 能够提高端元提取精度和混合像元分解精度。
高光谱图像 多端元提取 端元光谱变异 空间信息 像元纯净指数 hyperspectral imagery multiple endmember extraction endmember spectral variability spatial information pixel purity index
空军航空大学 航空作战勤务学院,长春 130022
高光谱图像的空间分辨率普遍较低,导致混合像元大量存在,为目标检测带来了一定困难。为了实现复杂背景下的高光谱图像目标检测,提出了一种去端元的目标检测方法。在光谱解混技术的基础上,建立了复杂背景下的光谱混合模型并加以改进,采用多次去端元的方法,取得了简化背景之后的高光谱图像。结果表明,与传统的RX目标检测算法相比,所提出的算法能够显著提升目标检测效果。在实际的**运用中,为大尺幅图像的目标识别和揭露伪装提供了思路。
光谱学 高光谱图像 去除端元 目标检测 spectroscopy hyperspectral images remove end members target detection