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
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
陆军工程大学石家庄校区 电子与光学工程系, 石家庄 050003
为了解决传统N-FINDR算法降维时破坏像元光谱曲线的物理意义这个问题, 采用波段选择方法中的最佳指数法代替特征提取, 改进N-FINDR算法的降维方式; 利用模拟和真实高光谱数据进行实验, 分别用改进的N-FINDR算法与其它两种算法提取端元, 并用全约束最小二乘法解混。结果表明, 改进的N-FINDR算法的解混精度更高, 用时更少。用波段选择代替特征提取改进降维方式, 保留了光谱曲线的物理意义, 在N-FINDR算法中是可行的。
光谱学 高光谱 端元提取 波段选择 最佳指数法 spectroscopy hyperspectral endmember extraction band selection optimal index factor
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
1 青岛农业大学理学与信息科学学院, 山东 青岛 266109
2 中国海洋大学环境科学与工程学院, 山东 青岛 266100
3 中国石油大学(华东)地球科学与技术学院, 山东 青岛 266580
溢油覆盖度的估测是海洋溢油探测与灾害评估的重要内容, 受航空航天传感器地面分辨率的限制, 准确探测溢油覆盖度比较困难。 在海洋风浪及破碎波作用下, 溢油往往呈条带状分布。 获取的高光谱数据中存在大量的油、 水混合像元; 传统图像分割方式计算溢油面积存在偏差, 且受传感器角度、 高度等影响, 光谱变异明显, 传统端元提取方法很难找到纯像元光谱。 提出了一种通过分区混合端元计算海洋溢油覆盖度的探测方法。 首先对影像进行分区并使用N-FINDR算法进行端元预选; 然后再利用独立分量分析(ICA)方法进行端元精选, 按照负熵最大输出得到候选端元, 并将地面同步参考光谱作为约束引入相似性溢油端元识别; 最后基于非负矩阵分解方法(NMF)求取端元丰度, 通过太阳耀斑区的修正, 得到真实的溢油覆盖度。 分区混合端元的提取较好的解决了全局端元变异及环境适应性差的问题, 使精选后的端元具有更好的环境鲁棒性。 为更好地衡量该算法精度, 采用仿真数据与真实高光谱影像数据相结合进行实验验证。 仿真实验中, 人工设定溢油丰度, 使用均方根误差(RMSE)和丰度估计误差对比评估估计丰度与设定丰度之间的差别, 并设计了算法适应性和抗噪实验。 结果表明采用MNF和ICA两种高光谱压缩方法, 丰度估计误差均低于3%, 重构图像的最小均方根误差RMSE最高为0.030 6, 且具有较好的抗噪能力, 验证了该算法的有效性。 真实实验中, 使用2011年山东长岛溢油8景机载高光谱影像数据为真实测试数据, 由于真实遥感数据往往缺失地面同步丰度数据, 导致对算法精度进行评价比较困难, 使用仿真数据交互验证与目视解译数据相结合的方法进行精度评价, 通过耀斑区修正后估测的机载高光谱成像总的溢油覆盖面积为1.17 km2, 溢油覆盖度为22.85%, 与现场人工估测面积偏差为2.15%, 明显高于传统方法。 受海洋破碎波、 光谱变异性影响, 和航空航天遥感器地面分辨率的限制, 海洋溢油遥感中单个像元进行丰度解析是一个难题。 基于亚像元丰度分解思想, 讨论了海洋溢油覆盖度的问题, 提出一种较为完善的海洋溢油覆盖度的计算办法, 通过仿真数据和实际的高光谱溢油数据进行了方法的验证, 实现了较为客观的自动化溢油覆盖度(丰度)探测方法, 可以较为准确的估测海洋溢油的覆盖度, 对溢油遥感面积的业务化探测具有积极意义。
海洋溢油 覆盖度计算 高光谱图像 分区混合端元提取 Oil spills Coverage rate calculation Hyper-spectral imagery Sub-quadratic mixture End-members extraction 光谱学与光谱分析
2019, 39(5): 1563
陆军工程大学石家庄校区 电子与光学工程系, 石家庄 050003
高光谱图像的空间分辨率较低, 导致大量混合像元存在于高光谱图像中。混合像元的存在是使高光谱图像目标分类准确率降低的主要原因之一。高光谱像元解混在高光谱遥感图像处理中具有非常重要的意义。高光谱像元解混主要分为线性和非线性光谱解混两种方法,研究最广泛的是线性光谱解混。归纳了线性光谱解混的两个步骤: (1)提取纯净像元中地物的光谱信号, 即提取端元,这是关键步骤; (2)利用端元的加权线性组合对混合像元进行光谱解混, 即丰度反演。简述了端元提取及丰度反演研究的主要进展,介绍了端元提取的几种典型算法。通过归纳、对比和分析, 总结了不同端元提取方法的特点, 并对高光谱解混的研究前景进行了展望。
光谱学 高光谱图像 线性解混 端元提取 spectroscopy hyperspectral image linear unmixing endmember extraction
陆军工程大学石家庄校区电子与光学工程系, 河北 石家庄 050003
为求解高光谱图像中各物质的分布及含量, 将高光谱分类引入端元提取, 提出了一种新的端元提取方法。首先利用虚拟维度评估端元数目; 然后引入高光谱分类的思想, 通过K-means聚类算法对高光谱图像进行非监督分类, 对各类物质进行大致分类; 在每类物质中提取出光谱值最大的像元, 用这些像元构成端元候选集; 最后, 依据单形体理论, 将高光谱图像的像元点在高维空间中构成单形体, 体积最大的单形体的顶点即为端元。模拟和真实高光谱数据证明, 此端元提取方法相对于传统方法具有高效、准确的优点。
光谱学 高光谱 光谱解混 端元提取 激光与光电子学进展
2018, 55(9): 093004