1 北京跟踪与通信技术研究所，北京00094
2 西安工业大学，陕西西安71001
3 中国科学院 西安光学精密机械研究所，陕西西安710119
高光谱目标检测中背景信息的统计往往受到目标信息的干扰，而高光谱图像中存在的大量混合像元会进一步加深这一干扰。为了准确统计背景信息、显著降低目标像元对背景统计信息的干扰，提出了一种利用光谱解混合的目标检测算法，通过光谱解混合和目标相似性判断，获取目标端元对应丰度系数，并与光谱夹角系数相结合生成合理的背景加权系数，进行加权约束最小能量算子（CEM）目标检测，从而有效提高混合像元的背景信息统计准确度；利用目标端元对应丰度系数和光谱夹角系数生成初步的目标检测结果，与加权CEM目标检测结果相融合进行进一步优化，有效提高算法稳定性，同时再次提高目标检测精度。实验结果表明：对于模拟高光谱图像和真实高光谱图像，本文算法均得到了较好的目标检测效果，算法稳定性较强，且有效提高了目标检测精度，相比传统CEM算法、基于光谱角的加权CEM算法、归一化丰度系数作为目标结果，AUC值分别平均提高了0.071 2，0.031 2和0.015 0，在高光谱应用中具有较强的实用性。
高光谱图像 目标检测 光谱解混合 丰度 光谱角 hyperspectral image target detection hyperspectral unmixing abundance spectral angle 光学 精密工程
2023, 31(21): 3156
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 合肥工业大学计算机与信息学院人工智能与数据挖掘研究室, 安徽 合肥 230601
2 合肥工业大学工业安全与应急技术安徽省重点实验室, 安徽 合肥 230601
3 合肥师范学院计算机学院, 安徽 合肥 230601
光谱解混可以有效提升高光谱图像的利用效率。非负矩阵分解(NMF)常用于寻找非负数据的线性表示,可以有效解决混合像元问题。基于丰度的稀疏性和图像局部不变性提出一种高光谱解混算法。对丰度采取稀疏性约束和基于拉普拉斯矩阵的图正则项约束,构造了一个新的目标函数,端元和丰度在经过若干次迭代后取得了较好的解混合结果。该算法在模拟和真实数据上都进行了有效性验证,实验结果证明所提算法具有良好的解混性能。
图像处理 光谱解混合 非负矩阵分解 端元 丰度 激光与光电子学进展
2019, 56(16): 161001
1 中国科学院光谱成像技术重点实验室, 西安光学精密机械研究所光谱成像技术实验室, 陕西 西安710119
2 中国科学院研究生院, 北京100049
3 中国科学院光电技术研究院, 北京100190
目前成熟的端元提取算法是基于单形体几何学的像元纯度指数(PPI)算法, N-FINDR, VCA等算法。 这些算法从图像所有像元中提取纯光谱, 具有提取速度慢、 精度不高的缺点； 部分算法需要进行光谱降维, 不利于小目标信息的提取。 该文提出先利用基于空间特征的光谱分类算法进行分类, 将整个图像划分成空间相邻、 光谱相似的若干类, 每一类的均值光谱作为标准光谱, 从所有类别的标准光谱中提取纯光谱, 使得运算量明显减少, 并且降低了噪声对算法的影响, 极大的提高了端元提取的速度和精度。 同时采用基于光谱冗余的端元提取算法进行端元提取, 不需要预先设定端元数目, 相对于PPI, N-FINDR等算法, 该算法更具合理性。 将该算法处理结果与ENVI中的SMACC算法处理结果进行比较, 表明该算法具有端元提取准确, 空间连续性好, 抗噪能力强等特点。
高光谱遥感 光谱分类 光谱冗余 光谱解混合 Hyperspectral remote sensing Spectral unmixing Spectral redundancy Spectral classification 光谱学与光谱分析
2011, 31(7): 1995
1 中国科学院西安光学精密机械研究所,西安,710068
2 中国科学院研究生院,北京,100039
利用线性解混合方法处理高光谱图像数据,需要获取存在于光谱图像中的纯光谱.目前的纯光谱提取方法都需要复杂的运算,并且都没有被证明具有普遍适用的特点.在特征空间对光谱图像中信息存在形式进行有效分析的基础上,提出基于特征空间分析和光谱相关制图法相结合的纯光谱提取方法(FSASCM),具有复杂度低、对大多数高光谱图像数据普遍适用的特点.
纯光谱 高光谱图像 解混合 特征空间 光谱相关制图法 Endmember Hyperspectral data Unmixing Feature space Spectral correlation mapping
