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 
贵州师范大学地理与环境科学学院, 贵州 贵阳 550025
喀斯特山区因地形复杂、 地表破碎等特点使得遥感影像中阴影、 混合像元及光谱变异现象普遍存在, 传统基于多光谱遥感的像元二分法(DPM)在光谱变异和阴影显著的区域难以准确的对喀斯特石漠化(KRD)信息进行提取。 采用高光谱遥感的混合像元分解技术可将复杂的混合像元分解为纯净的地物光谱与各地物光谱对应的混合比例, 为复杂山区获取更高精度的石漠化信息提供可能。 然而, 由于光照、 环境及大气等诸多因素的变化会引起端元发生不同程度变异, 导致在混合像元分解过程中出现显著的误差, 其次要从地形复杂、 地表异质性强的山区影像上直接获取地物纯净光谱建立用于应对光谱变异的光谱库极其困难。 因此, 如何在这种情况下应对光谱变异和地形效应, 获取有效、 准确的对石漠化信息进行提取是当前研究的重点。 针对以上问题, 采用通过模拟由光照条件造成的地物反射率变化, 并考虑每个波长间隔光谱变异情况的广义线性混合模型(GLMM), 以减轻喀斯特地区石漠化信息提取过程中光谱变异与地形效应的影响。 首先, 从GF-5高光谱影像中提取喀斯特地区主要地物(植被、 裸岩、 裸土)的典型代表性光谱, 然后基于提取的地物光谱模拟不同光照下每个像元光谱的变异情况, 选择最适合的光谱组合对像元进行分解, 得到最优的解混效果。 为了验证方法的可靠性, 利用高分辨率影像目视解译的结果作为参考对方法预测结果进行验证, 同时选择未考虑端元变异的全限制最小二乘法(FCLSU)和DPM进行对比。 结果表明, 在地形高度复杂的喀斯特山区, 考虑阴影、 混合像元及光谱变异是必要的, GLMM在石漠化信息提取中总精度达到了84.89%, 明显高于其他两种方法的59.68%和67.34%。 通过对光照区和阴影区分别进行精度检验, 发现GLMM在光照区与阴影区有着相似的精度表现, 而另外两者则差异较大, 阴影区明显低于光照区。 这反映GLMM能较为有效地减轻地形效应的影响, 对喀斯特石漠化信息提取的精度有一定提升。
光谱混合分解 广义线性混合模型 石漠化信息提取 地形效应 Spectral mixed decomposition Generalized linear mixed model Rocky desertification information extraction Terrain effect 光谱学与光谱分析
2022, 42(7): 2269
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
1 天津工业大学 电子与信息工程学院，天津 300387
2 天津商业大学 信息工程学院，天津 300134
在高阶非线性混合模型的基础上，提出一种多目标高光谱图像解混算法，解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型，并同时优化两目标函数以减少数据异常值对模型求解的影响，使解混结果在两个评价指标上得到提升; 最后采用差分搜索算法求解多目标优化模型，解决梯度类优化方法易陷入局部极值的问题，从而进一步提升解混精度。实验结果表明，文中算法与传统高光谱解混算法相比，具有更精确的端元丰度估计结果和更高的解混精度。
高光谱图像 多线性混合模型 多目标高光谱解混 仿生智能优化 差分搜索算法 hyperspectral images multi-linear mixing model multi-objective hyperspectral unmixing bionic intelligence optimization difference search algorithm 红外与激光工程
2019, 48(10): 1026002
1 重庆工程学院软件学院, 重庆 400056
2 陆军军医大学(第三军医大学)生物医学工程与影像医学系, 重庆 400038
3 铜陵学院电气工程学院, 安徽铜陵 244061
为了实现高光谱图像的有效压缩采样与重构, 对分布式压缩采样的高光谱数据应用线性混合模型进行重构。首先, 在图像采集阶段, 针对高光谱图像的空谱特性, 应用分布式压缩采样策略对高光谱数据进行采集；在数据重构阶段, 应用高光谱图像的线性混合模型假设, 先对压缩数据进行端元数目的估计, 再利用估计的端元数来估计丰度矩阵, 根据端元特征信号的稀疏性质提取端元矩阵, 从而重构出原始的高光谱数据, 抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解。实验结果表明：在压缩采样数据为总数据的 20%时, 重构的平均信噪比比压缩投影主成分分析算法提高了 15 dB以上, 同时该方法还便于获得端元和丰度信息。所设计的压缩感知方案采样方式简单, 重构速度快、精度高, 可应用于星载或机载的高光谱压缩感知成像。
分布式压缩感知 高光谱图像 线性混合模型 解混 distributed compressed sensing, hyperspectral imag
1 复旦大学 电磁波信息科学教育部重点实验室, 上海 200433
2 北京师范大学 地表过程与资源生态国家重点实验室, 北京 100875
3 复旦大学 信息学院智慧网络与系统研究中心, 上海 200433
4 复旦大学 数学科学学院, 上海 200433
高光谱遥感图像的非线性光谱解混能弥补线性方法难以解释复杂场景中非线性混合效应的不足, 而双线性混合模型及算法是其研究的热点.提出了一种基于双线性混合模型几何特性的光谱解混算法.通过将模型中的非线性混合项表示为一个融合了共同非线性效应的额外端点的线性贡献, 使复杂的双线性混合模型求解转化为简单的线性解混问题.然后结合传统的线性解混算法直接迭代估计正确的丰度.模拟和真实遥感图像数据的实验结果表明, 与其它相关解混方法相比, 该算法能较好地克服共线性效应以及拟合优化过多参数对双线性混合模型求解造成的不利影响, 同时提高了解混的精度和速度.
高光谱遥感 非线性光谱解混 双线性混合模型 丰度估计 单形体 hyperspectral remote sensing nonlinear spectral unmixing bilinear mixture model abundance estimation simplex
1 复旦大学 电磁波信息科学教育部重点实验室, 上海 200433
2 北京师范大学 地表过程与资源生态国家重点实验室, 北京 100875
3 复旦大学 信息学院智慧网络与系统研究中心, 上海 200433
介绍了近年来非线性光谱解混方法的发展状况, 主要包括矿物沙地地区的紧密混合模型和植被覆盖区域的多层次混合模型, 以及基于这些模型的非线性解混算法和利用核函数、流形学习等方法的数据驱动非线性光谱解混算法及非线性探测算法.最后分析总结了现有非线性解混模型与算法的优势与缺陷及未来的研究趋势.
高光谱遥感 混合像元 非线性光谱解混 Hapke模型 双线性混合模型 核方法 流形学习 hyperspectral remote sensing mixed pixel nonlinear spectral unmixing Hapke model bilinear mixture model kernel method manifold learning
1 吉林大学地球探测科学与技术学院, 吉林 长春130026
2 云南省地质技术信息中心, 云南 昆明650000
岩石的矿物组成成分是影响其反射光谱特征的主要因素之一, 是产生各类岩石特征谱带的重要原因。 本文选择美国喷气推进实验室提供的岩石样本(包括组成岩石样本的各类矿物百分含量和用Analytical Spectral Devices (ASD)地物光谱仪测得0.35～2.50 μm波长范围内岩石样本光谱反射率)、 岩石所包含的各类矿物的光谱反射率为基础数据, 根据岩石和所含矿物的光谱线性混合模型, 首先进行了岩石及其矿物成分线性混合模拟实验, 实验结果表明基于线性混合光谱理论的岩石矿物模拟模型能够较好的模拟岩石光谱曲线, 并且能够保留各个矿物组分的吸收特征。 然后从火成岩的岩石光谱中选出含有黑云母矿物的八个样本, 研究岩石样本中黑云母含量及其在2.332 μm处反射光谱吸收深度的特征, 用线性和非线性等多种常用统计模型拟合了岩石光谱吸收深度与矿物组分黑云母含量之间的响应关系, 最后本文将增长型(Growth)和指数曲线型(Exponential)两个模型相结合获得新的拟合模型, 利用该模型拟合了岩石光谱吸收深度与矿物组分黑云母含量之间的统计响应关系, 拟合结果表明二者的相关系数达到0.998 4, 标准偏差为0.57 2, 虽然利用Growth和Exponential模型拟合的标准偏差小于两个模型结合后的新模型拟合的标准偏差, 但新模型的相关系数有了显著提高, 这说明新模型拟合效果更接近样本的实测值。
岩石光谱 矿物光谱 线性混合模型 吸收深度 Rock spectrum mineral spectrum Linear mixture model The absorption depths 光谱学与光谱分析
2015, 35(9): 2583
1 西北工业大学 电子信息学院， 陕西 西安 710129
2 铜陵学院 电气工程学院， 安徽 铜陵 244000
3 铜陵学院 数学与计算机学院， 安徽 铜陵 244000
根据高光谱数据的特点，提出了一种基于像元的分布式压缩采样模型来实现高光谱图像的有效压缩采样与重构。搭建了能实现该模型的压缩采样光谱成像系统，并研究了用于该系统成像的重构算法。在图像采集阶段，将高光谱数据分为参考像元和压缩感知像元; 地面像元的辐射能通过棱镜进行谱带分离，再利用数字微镜器件实现谱带的线性编码。对压缩感知像元进行低采样率的线性编码，对参考像元进行采样率为1的线性编码。压缩采样数据重构时，不再采用传统方法直接重构高光谱数据，而是利用线性混合模型将重构高光谱数据转换成端元提取和丰度估计，然后根据重构的端元和丰度恢复原数据。对比实验表明，在压缩采样数据为总数据的20%时，重构的平均信噪比提高了10 dB。所设计的成像系统应用压缩感知理论减少了采集的数据量，采样方式简单，可应用于星载或机载的高光谱压缩感知成像。
分布式压缩感知 高光谱图像 成像光谱仪 线性混合模型 感知矩阵 distributed compressive sensing hyperspectral imagery imaging spectrometer linear mixing model sensing matrix
1 西北工业大学 电子信息学院, 陕西 西安 710129
2 铜陵学院 电气工程系, 安徽 铜陵 244000
提出一种推扫式谱间压缩采样的高光谱成像系统, 用于实现高光谱图像的压缩感知成像, 并对该系统成像的重构算法进行了研究。在图像采集阶段, 采用棱镜对地面成像行的像素进行谱带分离, 然后利用数字微镜器件实现谱带的线性编码, 通过柱面透镜完成编码谱带的叠加。压缩采样数据重构时, 不像传统的压缩感知重构方法那样直接重构高光谱数据, 而是利用线性光谱库混合模型将重构高光谱数据转换成重构丰度系数矩阵, 采用交替方向乘子法求解丰度的优化问题, 再根据重构的丰度和高光谱库恢复原数据。与标准压缩感知重构算法的对比实验表明, 该方法在压缩采样数据为总数据的20%时, 重构的平均峰值信噪比比标准压缩感知提高了18 dB。所设计的成像系统采样方式简单, 可应用于星载或机载的高光谱压缩感知成像。
压缩感知 高光谱图像 成像光谱仪 线性混合模型 感知矩阵 compressive sensing hyperspectral imagery imaging spectrometer linear mixing model sensing matrix 光学 精密工程
2014, 22(11): 3129
