端元
- 生成對(duì)抗網(wǎng)絡(luò)的無(wú)監(jiān)督高光譜解混
像素點(diǎn)是由若干個(gè)端元的譜線與其各自的豐度系數(shù)線性組合而成。其中基于幾何以及統(tǒng)計(jì)的模型是傳統(tǒng)解混的兩大主流方法?；趲缀蔚姆椒ㄊ菍D像中的像元投影到若干子空間中，并將單形體的頂點(diǎn)看做為圖像端元。頂點(diǎn)分量分析VCA（Vertex Component Analysis），N-FINDR 即為屬于這一類(lèi)的代表方法。這類(lèi)方法簡(jiǎn)便快捷，但是需要光譜數(shù)據(jù)滿足純端元的假設(shè)。對(duì)于空間分辨率相對(duì)較低的高光譜數(shù)據(jù)，該類(lèi)純端元假設(shè)可能不成立。基于統(tǒng)計(jì)的解混模型框架不需滿足圖像中的
遙感學(xué)報(bào) 2023年8期2023-09-09
- 多端元模式下高光譜圖像解混的不確定性問(wèn)題
明確,在已知光譜端元的情況下解混效率和精度均較高,故得到廣泛使用[5]。在一般的解混過(guò)程中,一個(gè)端元用于代表一個(gè)類(lèi)別的地物,即單端元解混,但由于真實(shí)的物理環(huán)境中高光譜數(shù)據(jù)的采集和接收會(huì)產(chǎn)生一些無(wú)法避免的干擾,以及成像地物本身存在類(lèi)內(nèi)光譜變化等特點(diǎn),這種方式的不準(zhǔn)確性導(dǎo)致解混誤差過(guò)大[6]。多端元解混技術(shù)在一定程度上克服了單端元解混的不足之處。Roberts等提出的多端元光譜混合分析(MESMA)算法,通過(guò)尋找大量的多端元組合模型為每一個(gè)像元找出使其解混結(jié)果
大連民族大學(xué)學(xué)報(bào) 2023年3期2023-07-13
- 圖正則重加權(quán)稀疏約束的深度非負(fù)矩陣分解算法用于高光譜圖像解混
分解成一組最純的端元光譜和其對(duì)應(yīng)的組成豐度的技術(shù)[6]。高光譜解混是解譯高光譜圖像的一種重要途徑，因此對(duì)高光譜解混算法的研究變得格外重要。當(dāng)前高光譜圖像混合像元分解算法可以大致分為三類(lèi)。第一類(lèi)是無(wú)監(jiān)督解混算法，這一類(lèi)算法從圖像中提取指定數(shù)目端元，然后再采用全約束最小二乘算法估計(jì)端元對(duì)應(yīng)的豐度。典型的算法包括頂點(diǎn)成分分析法（vertex component analysis, VCA ）[7]，空間能量約束的最大單純形體積法（spatial energy p
中國(guó)測(cè)試 2022年12期2023-01-12
- 全變差稀疏約束深度非負(fù)矩陣分解高光譜遙感影像解混方法
成純凈物質(zhì)組分(端元)及其所占比例(豐度)來(lái)提高信息提取精度。非負(fù)矩陣分解模型理論嚴(yán)謹(jǐn)，且易于與物理先驗(yàn)相結(jié)合，在高光譜解混中得到廣泛應(yīng)用。但由于目標(biāo)函數(shù)的非凸性，導(dǎo)致解空間不唯一，降低了解混精度。故研究者們?cè)谀繕?biāo)函數(shù)中加入約束來(lái)提高算法精度。文獻(xiàn)[8]將分段平滑度和稀疏性引入非負(fù)矩陣分解，同時(shí)保留了光譜數(shù)據(jù)的不連續(xù)性。文獻(xiàn)[9]考慮本征流形結(jié)構(gòu)，保持了原始影像和豐度圖之間的緊密聯(lián)系。文獻(xiàn)[10]受到深度學(xué)習(xí)的啟發(fā)，考慮了隱含信息的層次特征，解決了神經(jīng)網(wǎng)絡(luò)
電子科技 2023年2期2023-01-04
- 基于優(yōu)化K-P-Means解混方法的高光譜圖像礦物識(shí)別
分分析、最小二乘端元提取算法等[6-9]。在前人工作的基礎(chǔ)上，Roberts等[10]提出了經(jīng)典的迭代光譜解混方法(MESMA)； Asner等[11]引入蒙特卡洛理論，將其與迭代解混理論有效結(jié)合起來(lái)，提出了AutoMUC方法； Song[12]介紹了一種基于貝葉斯決策的BSMA方法； 吳柯等[13]提出了基于神經(jīng)網(wǎng)絡(luò)的端元可變解混方法； 林紅磊等[14]提出基于單次散射反照率的礦物高光譜稀疏解混方法。上述高光譜解混方法雖然反演精度有了很大的提高，但是經(jīng)典
自然資源遙感 2022年3期2022-09-20
- 基于擴(kuò)展線性模型的多端元高光譜圖像分組尋優(yōu)解混方法
圖像中混合像元的端元組成是以線性比例完成的，即到達(dá)成像光譜儀的光子在傳播過(guò)程中只與成像區(qū)域中的一種地物發(fā)生作用，而不考慮光子在多種地物之間的多重散射作用。當(dāng)光子在地物之間發(fā)生多重散射作用時(shí)，就需要考慮使用非線性光譜混合模型對(duì)像元進(jìn)行建模。非線性光譜混合模型更符合實(shí)際的高光譜圖像成像原理，但是與線性光譜混合模型相比，非線性光譜混合模型使用起來(lái)較為麻煩，因此在大多數(shù)高光譜圖像混合像元解混文章中均使用線性光譜混合模型對(duì)混合像元進(jìn)行建模。使用線性光譜混合模型對(duì)混合
艦船電子對(duì)抗 2022年4期2022-08-30
- 基于再權(quán)重稀疏和正交約束非負(fù)矩陣分解的高光譜圖像解混
像元分解時(shí)，關(guān)于端元和豐度都是未知的，而非負(fù)矩陣分解受初始的端元和豐度影響比較大，因此初始化所用的端元提取算法和豐度估計(jì)算法也是十分重要的。常用的端元提取算法有最大體積法N-Finder[1]和頂點(diǎn)成分分析(Vertex Component Analysis,VCA)[2]等。豐度估計(jì)較常用的算法有全約束最小二乘法(Fully Constrained Least Squares,FCLS)[3-4]等。非負(fù)矩陣分解(Nonnegative Matrix F
計(jì)算機(jī)應(yīng)用與軟件 2022年7期2022-08-10
- 基于子空間結(jié)構(gòu)正則化的L21非負(fù)矩陣分解高光譜解混
光譜的集合，稱(chēng)為端元，以及每種端元在該像元中的相應(yīng)比例，稱(chēng)為豐度[3]。高光譜解混主要依賴于兩種混合模型：線性混合模型(Linear Mixing Model, LMM)和非線性混合模型[4](Nonlinear Mixing Model, NMM)。非線性混合模型難以物理建模和恢復(fù)，而線性混合模型因其簡(jiǎn)單而有效的混合過(guò)程備受關(guān)注?；贚MM，像元分解技術(shù)通常可以分為基于幾何、稀疏回歸和統(tǒng)計(jì)3種方法[5]。幾何算法假設(shè)高光譜數(shù)據(jù)存在于凸單形體中，端元精確地
電子與信息學(xué)報(bào) 2022年5期2022-05-31
- 最小體積和平滑性約束的非負(fù)矩陣分解高光譜解混算法
各個(gè)物質(zhì)(稱(chēng)之為端元)及其對(duì)應(yīng)所占的比例(稱(chēng)之為豐度)[1-3]。近來(lái),關(guān)于混合像元分解的方法層出不窮,總的來(lái)看,可以把這些分解方法分為兩類(lèi)。第一類(lèi),兩步法(two step methods,TSM)；第二類(lèi),一步法(single step methods,SSM)。兩步法首先從混合像元中提取出各個(gè)物質(zhì)端元,然后反演計(jì)算出各端元所對(duì)應(yīng)的豐度。常用的端元提取算法有頂點(diǎn)成分分析法[4](vertex component analysis,VCA)、純像素指數(shù)[
北京測(cè)繪 2022年4期2022-05-18
- 空譜協(xié)同多尺度頂點(diǎn)成分分析的高光譜影像端元提取
將混合像元分解為端元光譜和相應(yīng)的豐度比例，從而為解決這一問(wèn)題提供了重要的技術(shù)支撐。其中端元提取在整個(gè)解混過(guò)程中占據(jù)重要地位，對(duì)于確保解混結(jié)果的準(zhǔn)確性具有重要的意義[4]。端元提取是從高光譜影像中提取純凈的地物光譜曲線。目前高光譜端元提取算法主要分為以下5大類(lèi)[5]：幾何單形體體積法、統(tǒng)計(jì)誤差法、空間投影法、融合空間信息的端元提取算法、稀疏回歸算法。幾何單形體體積法基于圖面幾何體理論，利用高光譜點(diǎn)云數(shù)據(jù)在特征空間中呈現(xiàn)的凸面單形體結(jié)構(gòu)，尋找頂點(diǎn)作為高光譜影像
測(cè)繪學(xué)報(bào) 2022年4期2022-04-25
- 基于約束誤差不變的高光譜圖像端元優(yōu)化模型*
一光譜特征(稱(chēng)為端元)的線性組合。在線性混合模型的假設(shè)下，端元提取算法可以分為端元選擇和端元生成兩類(lèi)[1]。端元選擇算法假設(shè)數(shù)據(jù)集中存在恰好為端元的像元，通過(guò)一定方法將最有可能成為單形體頂點(diǎn)的像元選擇出來(lái)。比如純像元指數(shù)算法(pixel purity index，PPI)[2]，NFINDR[3]，以光譜信息熵改進(jìn)的NFINDR[4]，單形體膨脹算法(simplex growing algorithm, SGA)[5]，頂點(diǎn)分析法(vertex compo
- 基于Sentinel-2A和Landsat8的城市不透水面的提取
該像元中所有地物端元反射率的線性組合[17]。首先從混合像元內(nèi)各類(lèi)端元的純凈像元獲取端元的光譜信息，然后通過(guò)光譜解混計(jì)算，可以得到混合像元中高反射率和低反射率不透水面的面積比例，得到不透水面的面積比例，即不透水面蓋度。由于環(huán)境影響，以及在特定波段上不透水面的光譜特征與其他地物相似，導(dǎo)致不透水面的提取精度較低[18]。在LSMA解混過(guò)程中，端元選擇是至關(guān)重要的一步[19]，原因在于LSMA是基于某一端元光譜特性，判斷混像元內(nèi)該類(lèi)端元的面積比例，因此，所選取端
自然資源遙感 2021年2期2021-07-08
- 基于L0稀疏約束的近似NMF高光譜解混
相應(yīng)的地物信息(端元)，及這些端元所占像元的比例(豐度)。如何精確而又方便的處理混合像元分解問(wèn)題，這是高光譜遙感技術(shù)所要處理的關(guān)鍵問(wèn)題。非負(fù)矩陣分解(NMF)旨在將非負(fù)矩陣X分解為非負(fù)矩陣A和S的乘積，即X≈AS，這種模型能夠很好的描述高光譜解混的線性模型。高光譜數(shù)據(jù)解混通常還要加入兩個(gè)限制項(xiàng)：端元豐度非負(fù)性約束(ANC)和豐度和為一約束(ASC)，但這兩個(gè)限制項(xiàng)只是先驗(yàn)知識(shí)的一部分。由于NMF經(jīng)典理論是基于整塊數(shù)據(jù)進(jìn)行分解，當(dāng)數(shù)據(jù)很大時(shí)，計(jì)算量也非常大，
南昌工程學(xué)院學(xué)報(bào) 2021年1期2021-03-29
- 針對(duì)高光譜端元提取的空譜聯(lián)合預(yù)處理方法
是純像元，又稱(chēng)為端元。因此，為了提高高光譜遙感應(yīng)用的精度，就必須進(jìn)行高光譜解混合，使高光譜遙感應(yīng)用由像元級(jí)達(dá)到亞像元級(jí)[10-12]。高光譜解混合通常分為兩個(gè)步驟：端元提取和豐度反演。即先從整個(gè)高光譜圖像中提取含某一種地物的比例較高的像元作為端元，再針對(duì)每個(gè)像元求解對(duì)應(yīng)各端元的豐度系數(shù)。其中如何從高光譜數(shù)據(jù)中準(zhǔn)確提取端元是高光譜解混合的關(guān)鍵，也一直是國(guó)內(nèi)外學(xué)者的熱點(diǎn)研究問(wèn)題。目前已經(jīng)有不少成熟的端元提取方法被提出和引用，其中利用高光譜數(shù)據(jù)凸面幾何特性的方法
液晶與顯示 2020年9期2020-09-09
- 結(jié)合分層和ADMM 的高光譜圖像解混方法
高光譜圖像中總的端元種類(lèi)； sp表示第p 個(gè)端元，維度和像元的相同， apk表示第p 個(gè)端元在第k 個(gè)像元中所占的比例； ek表示噪聲，維度也和像元相同。將式(1)運(yùn)用到整幅圖像則可以將其寫(xiě)成矩陣形式：考慮到實(shí)際場(chǎng)景中存在SV，可以將一種映射關(guān)系作用到端元向量上，那么式(1)可以重新寫(xiě)為這種映射關(guān)系表示成 fpk，作用到對(duì)應(yīng)的端元上就表示端元產(chǎn)生了變異，傳統(tǒng)的LMM 在描述高光譜數(shù)據(jù)時(shí)具有的特殊優(yōu)點(diǎn)，同時(shí)考慮SV 和LMM時(shí)，令 fpk=ψksp，則式(2
應(yīng)用科技 2020年3期2020-08-31
- 結(jié)合局部空譜信息的高光譜圖像多端元提取
組組分光譜，稱(chēng)為端元，與相應(yīng)組分所占的比例，稱(chēng)為豐度，是解決混合像元的有效方法[2]。提取混合像元中基本組成成分特征光譜的過(guò)程稱(chēng)為端元提取，而計(jì)算各個(gè)端元在混合像元中所占比例的過(guò)程稱(chēng)為豐度反演。端元提取是混合像元分解的必要前提，端元提取的好壞是混合像元分解效果的關(guān)鍵。當(dāng)前研究中，基于光譜數(shù)據(jù)在其特征空間中呈凸面單體的幾何特性，從特征空間搜索單體頂點(diǎn)是端元提取最成功、最廣泛的方法。典型方法包括：像元純度指數(shù)(PPI)[3]、自動(dòng)目標(biāo)生成(ATGP)[4]、頂
沈陽(yáng)理工大學(xué)學(xué)報(bào) 2020年2期2020-08-01
- 基于豐度分布約束的NMF端元生成方法*
型的純像元(稱(chēng)為端元)光譜的線性組合?；贚MM的端元提取方法主要分為端元識(shí)別類(lèi)方法和端元生成類(lèi)方法。端元識(shí)別類(lèi)方法包括純像元指數(shù)法(pixel purity index, PPI)[1]、正交子空間投影法(orthogonal subspace projection, OSP)[2]、頂點(diǎn)成分分析法(vertex component analysis, VCA)[3]、高斯消元法(Gaussian elimination method,GEM)[4]、N
- 基于線性解混的高光譜圖像目標(biāo)檢測(cè)研究
不是圖像中的主要端元，在解混過(guò)程中很有可能被視作誤差而忽略[10]，為了達(dá)到識(shí)別小目標(biāo)以及偽裝目標(biāo)的目的，本文中提出通過(guò)去端元的方法進(jìn)行目標(biāo)檢測(cè)。1 混合模型的建立1.1 復(fù)雜背景下的光譜混合模型根據(jù)遙感成像原理，可以建立起植被覆蓋情況下傳感器接收的像元線性光譜混合模型:X(λ)=KLj(λ)=(1)將植被看作一種端元，混合像元光譜率反射信號(hào)X(λ)可以表示為：(2)式中,ej(λ)為其它地物光譜的輻射亮度，eveg(λ)為植被光譜的輻射亮度，αj為第j種
激光技術(shù) 2020年2期2020-04-09
- 改進(jìn)鯨群優(yōu)化子空間匹配追蹤的稀疏解混算法
種單一特征地物(端元提取)，并估計(jì)其所占混合像元的比例(豐度系數(shù)).目前，高光譜混合模型分為線性混合模型和非線性混合模型[2].線性高光譜模型物理原理簡(jiǎn)單以及計(jì)算量小，是目前備受青睞的高光譜圖像解混模型[3].傳統(tǒng)線性高光譜圖像解混方法是在沒(méi)有包含任何先驗(yàn)知識(shí)下假設(shè)純像元的存在.為擺脫此局限，近年來(lái)，隨著壓縮感知以及稀疏表示理論的快速發(fā)展，有學(xué)者將稀疏性約束引入到高光譜圖像處理中，以期更好地挖掘先驗(yàn)信息[4].由于光譜庫(kù)中的端元數(shù)遠(yuǎn)大于混合像元中的實(shí)際端元
深圳大學(xué)學(xué)報(bào)（理工版） 2020年1期2020-01-06
- 分組尋優(yōu)的多端元高光譜圖像解混方法
線組成一個(gè)完整的端元集；最后將得到的端元集作用于圖像中的像元。經(jīng)過(guò)上述幾個(gè)步驟之后，將會(huì)得到端元集中的每種地物光譜曲線在像元中所占的比例。端元可以從對(duì)應(yīng)的光譜庫(kù)中提取或經(jīng)過(guò)實(shí)地測(cè)量得到，還可以利用 N?FINDR、PPI、IEA等端元提取算法從指定的高光譜圖像中提取。在沒(méi)有考慮端元光譜曲線的變異之前，代表某種地物的端元光譜曲線一般只有一條，然后利用這些端元光譜曲線組成的端元集去處理混合像元。但是這樣做會(huì)對(duì)分解結(jié)果造成不良的影響。由于成像光譜儀所覆蓋的實(shí)際地
應(yīng)用科技 2019年6期2019-12-19
- 南昌地區(qū)不透水面遙感估算研究
統(tǒng)與手動(dòng)方法選取端元，使用Landsat 8 OLI數(shù)據(jù)對(duì)研究區(qū)不透水面覆蓋度（Impervious Surface Coverage，ISC）進(jìn)行提取，并對(duì)初步提取的不透水面采用NDVI閾值法進(jìn)行優(yōu)化處理。對(duì)于模型的分解精度，RMS平均值為0.008 812，達(dá)到精度要求。提取結(jié)果經(jīng)精度驗(yàn)證，提取的不透水面蓋度的均方根誤差為0.139 8，平均絕對(duì)誤差為0.080 9，具有較高的精度。最后，對(duì)南昌部分地區(qū)進(jìn)行不透水面蓋度統(tǒng)計(jì)，并對(duì)其進(jìn)行空間分布分析。研究
安徽農(nóng)業(yè)科學(xué) 2019年14期2019-08-27
- 結(jié)合空間信息選取最優(yōu)端元組合的混合像元分解
像元都包含全部的端元光譜，對(duì)每個(gè)端元給出一個(gè)對(duì)應(yīng)的豐度估計(jì)，但這往往與實(shí)際情況并不相符[1-4]。實(shí)際上混合像元并不一定包含所有端元，而是由其中的一小部分端元混合而成，即混合像元只包含一個(gè)端元子集?；旌舷裨袑?shí)際所包含的端元也互不相同，因此混合像元所包含的端元是可變的。常用的線性混合模型在混合像元分解過(guò)程中將所有的端元都納入考慮范圍，對(duì)每個(gè)端元向量都進(jìn)行豐度估計(jì)，因此存在過(guò)擬合的分解誤差。為了解決混合像元端元可變問(wèn)題，國(guó)內(nèi)外一些學(xué)者對(duì)如何選擇混合像元的最優(yōu)
測(cè)繪通報(bào) 2019年7期2019-08-07
- 深度學(xué)習(xí)自編碼結(jié)合混合蛙跳算法提取農(nóng)田高光譜影像端元
取農(nóng)田高光譜影像端元韓立欽1,2，張耀南1※，秦其明3（1. 中國(guó)科學(xué)院西北生態(tài)環(huán)境資源研究院，蘭州 730000；2. 中國(guó)科學(xué)院大學(xué)，北京 100049； 3. 北京大學(xué)地球與空間科學(xué)學(xué)院，北京 100871）針對(duì)農(nóng)田高光譜遙感影像端元提取和混合像元分解精度不高的問(wèn)題，該文提出了利用深度學(xué)習(xí)自編碼結(jié)合混合蛙跳算法的農(nóng)田高光譜影像端元提取方法。首先，利用深度學(xué)習(xí)的棧式自編碼模型對(duì)高光譜影像進(jìn)行光譜特征提取，優(yōu)選出備選端元集合；然后將影像端元提取問(wèn)題轉(zhuǎn)化為
農(nóng)業(yè)工程學(xué)報(bào) 2019年6期2019-05-11
- 基于解混預(yù)處理的高光譜目標(biāo)檢測(cè)方法*
光譜圖像中隱藏的端元信息。Chang在文獻(xiàn)[3]中首次提出利用NCLS（Nonnegative Constrained Least Squares）算法來(lái)進(jìn)行目標(biāo)探測(cè)，文獻(xiàn)驗(yàn)證了利用解混進(jìn)行目標(biāo)探測(cè)的可行性，并得出在目標(biāo)能被當(dāng)作端元提取時(shí)，利用解混目標(biāo)探測(cè)算法的探測(cè)效果優(yōu)于傳統(tǒng)的目標(biāo)探測(cè)算法。本文在文獻(xiàn)[3]的基礎(chǔ)上提出了一種新的利用解混的目標(biāo)探測(cè)算法，改進(jìn)的NCLS算法（I-NCLS），解決了文獻(xiàn)[3]中如果目標(biāo)不能當(dāng)作端元，提取探測(cè)效果差這一問(wèn)題，并利
火力與指揮控制 2018年12期2019-01-14
- 高光譜解混方法研究
信號(hào)的像元稱(chēng)之為端元;當(dāng)光譜儀空間分辨率較低時(shí)，一個(gè)像元里含有多種物質(zhì)混合，則包含混合光譜信號(hào)的像元稱(chēng)作混合像元[2]。高光譜像元解混主要分為線性和非線性解混，線性光譜解混相對(duì)簡(jiǎn)單易行，非線性解混考慮了物體的二次散射效應(yīng)，更符合實(shí)際光譜采集情況，但情況相對(duì)復(fù)雜，相關(guān)因素眾多，導(dǎo)致解混難度大，仍處于研究初期[3-4]。本文中主要介紹線性光譜解混，經(jīng)過(guò)線性光譜解混,得到混合像元中各個(gè)端元在每個(gè)像元中所占的比例，該比例稱(chēng)為豐度，該過(guò)程稱(chēng)為豐度反演。高光譜線性解混
激光技術(shù) 2018年5期2018-11-01
- 高光譜影像端元提取算法研究與分析
敏華?高光譜影像端元提取算法研究與分析田珊珊1,2,楊敏華11. 中南大學(xué) 地球科學(xué)與信息物理學(xué)院, 湖南 長(zhǎng)沙 410083 2. 中南大學(xué) 有色金屬成礦預(yù)測(cè)與地質(zhì)環(huán)境監(jiān)測(cè)教育部重點(diǎn)實(shí)驗(yàn)室, 湖南 長(zhǎng)沙 410083高光譜影像混合像元分解技術(shù)將遙感分類(lèi)問(wèn)題深入到了亞像元級(jí)別，端元提取是混合像元分解中的重要步驟。本文選擇了基于體積的N-FINDER算法、基于投影和變換的VCA、OSP算法、基于最優(yōu)化的MVSA算法，結(jié)合SPP算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，利用模擬數(shù)
山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版） 2018年5期2018-10-22
- 粒子群空間優(yōu)化的端元提取算法
究如何有效地進(jìn)行端元提取具有重要的意義?；诰€性混合模型（Linear Mixing Model，LMM）的端元提取算法最為豐富[1]。過(guò)去幾十年中大量端元提取算法相繼被提出，其中比較流行的算法有純凈像元指數(shù)（Pixel Purity Index，PPI）[2]、頂點(diǎn)成分分析（Vertex Content Analysis，VCA）[3]、最小體積約束的非負(fù)矩陣因數(shù)分解算法（Minimum Volume Constraint Nonnegative Mat
計(jì)算機(jī)工程與應(yīng)用 2018年11期2018-06-01
- LSMA結(jié)合NDBI提取廣州市部分城區(qū)不透水面的方法
地表類(lèi)型分為4類(lèi)端元，并提出了線性光譜混合分析（LSMA），已成為廣泛應(yīng)用于中分辨率遙感影像中的不透水面反演方法[8-17]。遙感影像中不透水面基本表現(xiàn)為高反照率地表與低反照率地表的組合[18]，不透水面蓋度（ISC）是指某區(qū)域內(nèi)不透水面覆蓋面積與區(qū)域面積的比例[19]。LSMA可在亞像元尺度上提取ISC，端元選取是關(guān)鍵步驟[20]。因混合像元（如砂石和砂土等地物）與不透水面光譜差異較小，將影響端元精度，導(dǎo)致透水表面區(qū)域ISC較高。樊風(fēng)雷[21]等利用相關(guān)
地理空間信息 2018年3期2018-03-27
- 純凈像元指數(shù)改進(jìn)的N-FINDR高光譜端元提取算法
要的步驟之一就是端元提取，端元提取之后對(duì)各個(gè)端元比例的求解稱(chēng)為豐度反演[2]。目前，運(yùn)用最為廣泛的提取端元的算法主要有純凈像元指數(shù)(PPI)[3]、單形體最大體積法(N-FINDR)[4]、頂點(diǎn)成分分析(VCA)[5]、迭代誤差分析(IEA)[6]等。丁海勇[7]提出利用卡方分布改進(jìn)N-FINDR端元提取算法，在給定的概率水平下，利用卡方分布來(lái)構(gòu)造候選端元集合。楊可明等[8-9]提出了基于光譜最小信息熵改進(jìn)的N-FINDR端元提取算法，根據(jù)信息論的概念將信
測(cè)繪通報(bào) 2018年2期2018-03-07
- 馬爾可夫隨機(jī)場(chǎng)的空間相關(guān)模型在非負(fù)矩陣分解線性解混中的應(yīng)用
Sime)法估算端元數(shù)量，同時(shí)利用頂點(diǎn)成分分析(VCA)和全約束最小二乘法(FCLS)初始化端元矩陣與豐度矩陣；其次，利用MRF模型建立描述地物空間分布規(guī)律的能量函數(shù)，以此描述地物分布的空間相關(guān)特征；最后，將基于MRF的空間相關(guān)約束函數(shù)與NMF標(biāo)準(zhǔn)目標(biāo)函數(shù)以交替迭代的形式參與解混，得出高光譜數(shù)據(jù)的端元信息與豐度分解結(jié)果。理論分析和真實(shí)數(shù)據(jù)實(shí)驗(yàn)結(jié)果表明，在高光譜數(shù)據(jù)空間相關(guān)程度較低的情況下，相比最小體積約束的NMF(MVC-NMF)、分段平滑和稀疏約束的NM
計(jì)算機(jī)應(yīng)用 2017年12期2018-01-08
- 基于譜線形狀與信息量差異的高光譜解混NMF初始化方法
解混應(yīng)用中，好的端元光譜矩陣初始化方法對(duì)于提高盲信號(hào)分解精度具有重要意義。針對(duì)空間分辨率較高的高光譜數(shù)據(jù)，提出了一種新的面向非負(fù)矩陣分解(non-negative matrix factorization，NMF)的初始化方法。該方法通過(guò)計(jì)算像元在譜線形狀和信息量差異等方面的參數(shù)，利用像元譜線峭度、KL散度和光譜角等參量，從眾多混合像元中識(shí)別出純像元； 并分辨出不同類(lèi)型純像元(或類(lèi)純像元)之間的差別，從中選擇最適合代表每一類(lèi)型端元的純像元(或類(lèi)純像元)作為
自然資源遙感 2017年4期2017-12-19
- 基于端元提取的滇中典型森林類(lèi)型識(shí)別研究
50224)基于端元提取的滇中典型森林類(lèi)型識(shí)別研究黃 田,張 超,吉一濤,余哲修,羅恒春,張 一(西南林業(yè)大學(xué),昆明 650224)端元波譜的選擇對(duì)森林類(lèi)型的識(shí)別精度和效率具有重要影響。以滇中地區(qū)典型森林植被為研究對(duì)象,基于Landsat8 OLI遙感影像數(shù)據(jù),結(jié)合二類(lèi)調(diào)查數(shù)據(jù),在影像融合的基礎(chǔ)上提取典型森林植被的感興趣區(qū),通過(guò)最小噪聲分離變換及n維散點(diǎn)圖提取滇中典型森林植被(云南松、華山松、藍(lán)桉、柏木和櫟類(lèi))的波譜曲線,利用提取出的端元波譜,采用波譜角填
林業(yè)資源管理 2017年4期2017-09-15
- 基于正交非負(fù)矩陣分解的高光譜遙感圖像混合像元分解
，進(jìn)而使分解所得端元光譜具有較大的獨(dú)立性。通過(guò)試驗(yàn)分析，利用正交非負(fù)矩陣分解，實(shí)現(xiàn)了對(duì)1997年機(jī)載可見(jiàn)光及紅外成像光譜儀(AVIRIS)高光譜圖像的混合像元分解，結(jié)果表明，增加約束條件后的正交非負(fù)矩陣分解，能成功分離出6種端元光譜，解混出的端元光譜與參考光譜的光譜角距離更小，與真實(shí)地物的豐度譜圖吻合度增強(qiáng)。非負(fù)矩陣分解;高光譜遙感圖像;混合像元分解高光譜遙感圖像由航天、航空載體上的高光譜成像儀獲得，它具有高光譜分辨力的特點(diǎn)，可在幾百、上千個(gè)連續(xù)光譜波段獲
山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版） 2017年2期2017-05-22
- 基于PCA-EMMA方法的多環(huán)芳烴來(lái)源解析
濃度對(duì)比分析法和端元混合分析(EMMA)法對(duì)研究區(qū)地下水中多環(huán)芳烴的來(lái)源分別進(jìn)行了定性和定量分析，在端元混合分析中給出了二維主成分空間和三維主成分空間中的端元個(gè)數(shù)和端元位置，樣品1、13、17為地下水中多環(huán)芳烴來(lái)源的3個(gè)端元，進(jìn)而解析了端元的水文地球化學(xué)特征。結(jié)果表明，研究區(qū)地下水中的多環(huán)芳烴主要來(lái)自垃圾滲濾液、大氣降水以及城市生活污水和工業(yè)廢水排放。有機(jī)污染源； 多環(huán)芳烴； 濃度對(duì)比分析； 端元混合分析0 引 言多環(huán)芳烴(Polycyclic Aroma
黑龍江科技大學(xué)學(xué)報(bào) 2017年1期2017-03-30
- 基于空間-光譜分析的高光譜遙感影像稀疏解混研究
異物和同物異譜(端元可變性)現(xiàn)象普遍存在、光譜庫(kù)端元數(shù)目遠(yuǎn)大于像元中含有的端元數(shù)目，再加上影像噪音的干擾，影像解混精度還亟待提高。本文的研究圍繞基于空間-光譜分析的高光譜遙感影像稀疏解混方法，分別從顧及端元可變性、像元的稀疏性表示和結(jié)合影像空間信息3個(gè)方面針對(duì)性地提出了提高解混精度的方法。主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)如下：(1) 系統(tǒng)地闡述了基于稀疏回歸的混合像元分解模型和相關(guān)算法，分析影響解混精度的因素及其規(guī)律。進(jìn)一步研究稀疏解混算法中稀疏性參數(shù)的優(yōu)化選擇。(2
測(cè)繪學(xué)報(bào) 2017年8期2017-03-28
- 基于混合像元分解的植被覆蓋度提取方法的研究
遙感 混合像元 端元提取1 引言遙感是以像元為單位記錄其傳感器接收到的地面發(fā)射或反射光譜信號(hào)，每個(gè)像元記錄了探測(cè)單元在瞬時(shí)視場(chǎng)內(nèi)對(duì)應(yīng)地面范圍所有目標(biāo)輻射能量的總和。地表覆蓋類(lèi)型一般是復(fù)雜多變的，因此影像中每個(gè)像元所記錄對(duì)應(yīng)的地物光譜響應(yīng)特征是相對(duì)獨(dú)立的。純凈像是指探測(cè)單元在瞬時(shí)視場(chǎng)角所對(duì)應(yīng)的地面范圍內(nèi)包含同一類(lèi)型相同性質(zhì)目標(biāo)，它記錄了該類(lèi)型地面目標(biāo)的光譜信號(hào)和光譜響應(yīng)特征。混合像元是指探測(cè)單元在瞬時(shí)視場(chǎng)角所對(duì)應(yīng)的地面范圍內(nèi)具有多種類(lèi)型不同性質(zhì)目標(biāo)，它記錄了
商情 2016年48期2017-03-12
- 兩種基于異常權(quán)重的N-FINDR端元提取算法
的N-FINDR端元提取算法王 杰，李衛(wèi)朋(西華師范大學(xué) 國(guó)土資源學(xué)院，四川 南充，637009)有效分離高光譜影像中的異常與干擾信息，提高端元提取的質(zhì)量，是當(dāng)前研究的熱點(diǎn)。N-FINDR算法通過(guò)降維獲取高光譜點(diǎn)云數(shù)據(jù)體積最大化，能夠準(zhǔn)確地的找出端元，但其中包含的異常目標(biāo)，不僅對(duì)后續(xù)工作沒(méi)有意義，而且會(huì)降低后期的解混精度。為了提高端元提取的質(zhì)量，降低異常端元的影響，基于N-FINDR算法，提出了兩種異常權(quán)重的N-FINDR端元提取算法。首先，運(yùn)用最小噪聲旋
- 一種正交子空間投影高光譜圖像端元提取算法
間投影高光譜圖像端元提取算法趙巖1,王東輝2，張春晶1，黃奕程3，于明華3(1. 黑龍江科技大學(xué) 電氣與控制工程學(xué)院，哈爾濱 150022；2. 哈爾濱工程大學(xué) 信息與通信工程學(xué)院，哈爾濱 150001；3. 齊齊哈爾車(chē)輛集團(tuán)，黑龍江 齊齊哈爾 161000)端元提取是高光譜圖像混合像元分解的關(guān)鍵問(wèn)題。針對(duì)正交子空間投影方法進(jìn)行端元提取需要端元先驗(yàn)知識(shí)的問(wèn)題，提出一種基于光譜最小信息熵的正交子空間投影高光譜圖像端元提取方法。以光譜最小信息熵判定最優(yōu)端元子集
黑龍江大學(xué)工程學(xué)報(bào) 2016年3期2016-10-15
- 一種優(yōu)化的迭代誤差分析端元提取方法
化的迭代誤差分析端元提取方法秦學(xué)川吳子賓> （山東科技大學(xué)信息科學(xué)與工程學(xué)院，山東青島266590）以迭代誤差分析方法為依據(jù)，提出一種優(yōu)化的迭代誤差分析方法。該方法通過(guò)一個(gè)局部窗口對(duì)由迭代誤差分析方法獲得的端元光譜進(jìn)行優(yōu)化，從而獲得更加精確的端元光譜信息。真實(shí)的高光譜圖像試驗(yàn)結(jié)果說(shuō)明了該方法的有效性。高光譜圖像；端元提??；光譜權(quán)重；空間信息近年來(lái)，高光譜遙感影像的應(yīng)用范圍越來(lái)越廣。但受限于高光譜影像的空間分辨率以及影像中地物分布的多樣性，混合像元廣泛存在于
河南科技 2016年7期2016-08-18
- 基于端元子集優(yōu)選的高光譜解混算法研究
2000)?基于端元子集優(yōu)選的高光譜解混算法研究劉萬(wàn)軍1楊秀紅1曲海成1,2孟煜1姜慶玲31(遼寧工程技術(shù)大學(xué)軟件學(xué)院遼寧 葫蘆島 125105)2(哈爾濱工業(yè)大學(xué)電子與信息工程學(xué)院黑龍江 哈爾濱 150006)3(鐵嶺師范高等專(zhuān)科學(xué)校遼寧 鐵嶺 112000)摘要針對(duì)采用最大體積單體MVS(Maximization Volume Simplex)端元提取算法進(jìn)行端元初選時(shí)存在相似端元光譜問(wèn)題，提出一種光譜信息散度SID(Spectral Informat
計(jì)算機(jī)應(yīng)用與軟件 2016年7期2016-08-05
- 高光譜圖像端元提取方法研究
00）高光譜圖像端元提取方法研究■張文軍（甘肅省地圖院甘肅蘭州730000）隨著高光譜遙感廣泛推廣應(yīng)用，使得目標(biāo)探測(cè)由像元級(jí)達(dá)到亞像元級(jí)別成為現(xiàn)實(shí)?；旌舷裨纸獾氖滓獑?wèn)題是端元的確定。本文主要圍繞高光譜遙感數(shù)據(jù)在混合像元分解技術(shù)中的應(yīng)用展開(kāi)，簡(jiǎn)要介紹了混合像元產(chǎn)生的原因、混合像元分解技術(shù)流程及較為流行的N-FINDR提取算法，重點(diǎn)介紹了改進(jìn)的N-FINDR高光譜端元提取算法的原理及實(shí)現(xiàn)方法。高光譜遙感混合像元端元提取1 混合像元分解理論衛(wèi)星傳感器獲取的地面
地球 2016年8期2016-04-14
- 基于單體擴(kuò)張的端元提取算法
?基于單體擴(kuò)張的端元提取算法董安國(guó)，韓 雪，龔文娟（長(zhǎng)安大學(xué) 理學(xué)院，陜西 西安 710064）端元提取是高光譜混合像元分解的重要環(huán)節(jié)。為了提取高光譜圖像的端元，本文基于線性表示理論與凸錐模型理論，論證了：與單體共面的單體外向量被單體的頂點(diǎn)向量線性表示時(shí)，表示系數(shù)必有負(fù)值，從而給出了理想情形下判別端元的充要條件，并在此基礎(chǔ)上，針對(duì)非理想情形提出了一種提取端元的迭代算法。實(shí)驗(yàn)結(jié)果表明，算法提取端元的精度優(yōu)于VCA算法、效率高于搜索算法，算法穩(wěn)定性好，對(duì)噪聲的
紅外技術(shù) 2016年11期2016-03-27
- 數(shù)據(jù)約簡(jiǎn)化的高光譜影像端元提取
簡(jiǎn)化的高光譜影像端元提取徐 君1，宋 凱1，李 波1，蔡體健1，王彩玲2（1. 華東交通大學(xué)信息工程學(xué)院，江西 南昌 330013；2. 西安石油大學(xué)計(jì)算機(jī)學(xué)院，陜西 西安 710065）提出一種利用圖像的空間結(jié)構(gòu)信息在特征空間中設(shè)計(jì)大小適宜的超球，將單形體的頂點(diǎn)分隔在超球外部，剔除超球內(nèi)部的數(shù)據(jù)，只保留超球外部的少量數(shù)據(jù)參與端元提取算法。經(jīng)過(guò)分析，該方法可以大大減少端元提取算法的運(yùn)算量。通過(guò)實(shí)驗(yàn)對(duì)比，用相關(guān)端元提取算法對(duì)簡(jiǎn)化后的數(shù)據(jù)進(jìn)行端元提取的結(jié)果精度
紅外技術(shù) 2016年6期2016-03-15
- 基于線性光譜模型的城市不透水面遙感估算
理論模型，采用多端元優(yōu)化的提取方法，依據(jù)研究區(qū)實(shí)際土地覆被特點(diǎn)，選取了高反照度、低反照度、植被、裸土、耕地等五個(gè)端元，利用線性光譜模型求算長(zhǎng)春市不透水面,利用高分辨率遙感影像高分一號(hào)對(duì)估算結(jié)果進(jìn)行驗(yàn)證，并對(duì)其空間分布格局進(jìn)行分析。結(jié)果表明：基于幾何頂點(diǎn)的端元提取方法得到的城市不透水面比例的RMSE為0.126，誤差范圍在-0.366—0.387，而基于多端元優(yōu)化提取方法獲取結(jié)果的RMSE為0.079，誤差范圍在-0.319—0.265，且超過(guò)80%樣本的絕
地球環(huán)境學(xué)報(bào) 2016年1期2016-03-06
- 一種改進(jìn)的頂點(diǎn)成分分析端元提取算法
進(jìn)的頂點(diǎn)成分分析端元提取算法袁博1，張杰林2（1.中國(guó)礦業(yè)大學(xué)（北京），地球科學(xué)與測(cè)繪工程學(xué)院，北京100083；2.核工業(yè)北京地質(zhì)研究院，遙感信息與圖像分析技術(shù)國(guó)家級(jí)重點(diǎn)實(shí)驗(yàn)室，北京100029）頂點(diǎn)成分分析算法需要預(yù)先提供端元數(shù)目，端元數(shù)目正確與否對(duì)結(jié)果會(huì)產(chǎn)生較大影響，其算法在實(shí)際應(yīng)用中多次運(yùn)行的結(jié)果不穩(wěn)定。針對(duì)上述缺點(diǎn)提出了一種改進(jìn)的頂點(diǎn)成分分析端元提取算法。該方法在n維光譜空間中生成n個(gè)彼此正交的單位向量，在此基礎(chǔ)上生成與之具有一定夾角的單位向量，
世界核地質(zhì)科學(xué) 2016年1期2016-02-17
- 基于Gram行列式的快速端元提取方法
am行列式的快速端元提取方法孫 康1，2，帥 通1，陳金勇1(1.中國(guó)電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081；2.武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079)高光譜圖像端元提取往往涉及到高維空間中單形體體積的計(jì)算，使用無(wú)需降維的體積公式能夠避免信息損失，但卻具有極大的計(jì)算復(fù)雜度。針對(duì)這一缺點(diǎn)進(jìn)行了研究，提出了基于Gram行列式快速的端元提取算法。該算法不需要計(jì)算單形體體積，而是利用了體積公式的遞推關(guān)系，大大降低了
無(wú)線電工程 2016年11期2016-02-07
- 基于豐度劃分的高光譜遙感圖像解混
合像元內(nèi)純地物（端元）光譜及每種地物面積占比（豐度）［2］。然后從地物光子響應(yīng)到圖像采集過(guò)程之間的光學(xué)原理和作用過(guò)程非常復(fù)雜，同時(shí)受到時(shí)間、空間、環(huán)境等不確定性因素影響。同一類(lèi)地物在不同的場(chǎng)景下，其端元光譜表現(xiàn)通常會(huì)有一定差異。如果端元不具有足夠代表性，會(huì)解混精度嚴(yán)重影響解混精度。這種端元光譜可變性，對(duì)解混過(guò)程中的端元選擇方法提出了更高的要求。為了解釋光譜可變性，Robets等人提出了多端元光譜混合分析（MESMA），該方法為每個(gè)端元選取一組純像元光譜，在
現(xiàn)代計(jì)算機(jī) 2015年8期2015-09-28
- 一種改進(jìn)迭代誤差分析端元提取算法
改進(jìn)迭代誤差分析端元提取算法趙春暉，崔士玲，趙艮平，鐘衛(wèi)（哈爾濱工程大學(xué)信息與通信工程學(xué)院，黑龍江哈爾濱150001）迭代誤差分析（IEA）算法是應(yīng)用比較廣泛的端元提取算法之一，針對(duì)IEA端元提取算法計(jì)算量大的缺點(diǎn)，從減少參與迭代過(guò)程中的像元數(shù)目進(jìn)行改進(jìn)。根據(jù)凸面幾何理論，混合像元位于其端元構(gòu)成子空間內(nèi)部，這部分像元到其端元正交子空間（OSP）投影值理論上為零，在迭代求下一個(gè)端元過(guò)程中，可以將這部分無(wú)用像元去除，從而減少每步迭代過(guò)程像元數(shù)目。采用模擬數(shù)據(jù)和
哈爾濱工程大學(xué)學(xué)報(bào) 2015年2期2015-06-24
- 基于Hyperion的錫林郭勒草原光合植被、非光合植被覆蓋度估算
了估算，并對(duì)不同端元選擇方法(最小包含端元特征法、純凈象元指數(shù)法和實(shí)測(cè)法)對(duì)估算結(jié)果的影響進(jìn)行了比較分析。研究結(jié)果表明，NDVI-CAI三元線性混合模型是同時(shí)估測(cè)錫林郭勒草原fPV和fNPV的有效方法，且估算的fPV和fNPV的季節(jié)變化與牧草的物候發(fā)育特征相吻合。不同端元選擇方法對(duì)估算精度具有一定的影響，其中基于最小包含端元特征法提取端元進(jìn)行估算的精度最高，fPV估算的均方根誤差RMSE=4.57，估算精度EA=91.2%；fNPV估算的RMSE=5.90
生態(tài)學(xué)報(bào) 2015年11期2015-02-07
- 基于代數(shù)余子式的N-FINDR快速端元提取算法
-FINDR快速端元提取算法李 琳*①②孟令博①②孫 康①②趙永超①①（中國(guó)科學(xué)院電子學(xué)研究所 北京 100190）②（中國(guó)科學(xué)院大學(xué) 北京 100049）基于高光譜圖像特征空間幾何分布的端元提取方法通常可分為投影類(lèi)算法和單形體體積最大類(lèi)算法，通常前者精度不好，后者計(jì)算復(fù)雜度較高。該文提出一種基于代數(shù)余子式的快速N-FINDR端元提取算法（FCA），該算法融合了投影類(lèi)算法速度快和單形體體積最大類(lèi)算法精度高的優(yōu)勢(shì)，利用像元投影到端元矩陣元素的代數(shù)余子式構(gòu)成的
電子與信息學(xué)報(bào) 2015年5期2015-02-05
- 基于HJ-1A高光譜的黃河口堿蓬和檉柳蓋度反演模型研究
，基于現(xiàn)場(chǎng)測(cè)量的端元光譜和從遙感影像中使用順序最大角凸錐法(SAMCC)自動(dòng)提取的端元光譜，應(yīng)用線性光譜分解法(LSU)、正交子空間投影法(OSP)、匹配濾波法(MF)、最小能量約束法(CEM)和自適應(yīng)一致估計(jì)法(ACE)5種不同光譜解混方法進(jìn)行混合像元光譜解混，對(duì)比兩種方法得到的端元光譜分別對(duì)堿蓬和檉柳蓋度的反演能力，并給出相應(yīng)的反演模型。結(jié)果顯示: (1)現(xiàn)場(chǎng)測(cè)量端元光譜取得了較好的堿蓬和檉柳蓋度反演結(jié)果，其中應(yīng)用LSU方法的光譜解混結(jié)果與現(xiàn)場(chǎng)測(cè)量蓋度
海洋學(xué)報(bào) 2015年9期2015-01-05
- 基于頂點(diǎn)成分分析的高光譜圖像端元提取算法?
大量的混合像元。端元提取就是從存在混合像元的高光譜圖像中提取出場(chǎng)景的基本組成成分，它是高光譜解混的重要步驟。當(dāng)物質(zhì)之間的混合方式屬于非致密混合時(shí)，光子在物質(zhì)內(nèi)部之間的相互作用可以忽略，可用線性混合模型來(lái)描述混合像元的形成機(jī)理［2］。近十年來(lái)，學(xué)者們?cè)诰€性混合模型的基礎(chǔ)上提出了多種端元提取算法，例如純像元指數(shù)（Pure Pixel Index，PPI）［3］、頂點(diǎn)成分分析算法（Vertex Component Analysis，VCA）［4］、N－FINDR
艦船電子工程 2014年8期2014-11-28
- 壓縮感知和萬(wàn)有引力模型相結(jié)合的高光譜混合像元分解
要研究?jī)?nèi)容,包括端元提取和端元豐度反演兩部分。本文以壓縮感知(CS)理論為基礎(chǔ),結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)提出了一種端元提取模型——基于CS的高光譜影像端元提取模型。同時(shí),將經(jīng)典的萬(wàn)有引力模型(UGM)引入端元豐度反演中,提出基于UGM的端元豐度反演算法。最后,以Hyperion高光譜影像為試驗(yàn)數(shù)據(jù)在Matlab中對(duì)模型和算法進(jìn)行編程實(shí)現(xiàn),并對(duì)其結(jié)果進(jìn)行精度評(píng)定。試驗(yàn)結(jié)果表明,本文提出的提取模型與反演算法無(wú)論在理論上還是在實(shí)際操作中,都具有一定的可行性,同時(shí)精度也滿
測(cè)繪學(xué)報(bào) 2014年10期2014-07-05
- 基于端元優(yōu)化的非線性高光譜分解算法
計(jì)組成混合像元的端元比例(豐度)?；旌舷裨庾V分解模型可分為兩類(lèi):線性光譜混合模型和非線性光譜混合模型。線性光譜混合模型假設(shè)一個(gè)光子只看到一種物質(zhì)，像元的光譜是各個(gè)端元的線性組合［3］。雙線性光譜混合模型在線性模型的基礎(chǔ)上做了改進(jìn)，將兩種物質(zhì)之間的散射作為乘積項(xiàng)加入線性模型［4－5］，提高了模型的精度。對(duì)于非線性混合模型的光譜分解是個(gè)很具挑戰(zhàn)性的問(wèn)題。幾乎所有的基于非線性模型的解混算法都是采用最小二乘估計(jì)［4，6］。近來(lái)一些學(xué)者提出了基于支撐向量回歸［7］
激光與紅外 2014年9期2014-03-20
- 應(yīng)用混合像元分解提取胡楊覆蓋度信息1)
像。2.2 終端端元的確定選取合適的端元是混合像元分解成功的關(guān)鍵［8－9］。端元選取包括確定端元數(shù)量以及各端元光譜。理論上，只要端元數(shù)量m 小于等于L +1(L 表示波段數(shù))，線性方程組就可以求解。然而，由于波段間存在相關(guān)性，選取過(guò)多的端元雖然會(huì)使殘差減少［10］，但會(huì)導(dǎo)致分解結(jié)果產(chǎn)生更大的誤差。因此，在能夠描述一個(gè)場(chǎng)景內(nèi)光譜的大部分方差的前提下，越少的端元數(shù)量是越好的選擇［11］。在線性混合像元分解模型的一般應(yīng)用中，選擇3～4 個(gè)端元較為適宜。本研究選擇
東北林業(yè)大學(xué)學(xué)報(bào) 2014年11期2014-03-08
- 分層變端元混合像元分解的新疆北部積雪分量制圖研究
，指混合像元中各端元間相互獨(dú)立互不影響時(shí)，混合像元光譜是該像元內(nèi)各端元光譜的線性疊加［2］；2）和3）為非線性效應(yīng)，它是由于端元（純像元）間的散射傳輸路徑和遙感儀器的混合效應(yīng)所引入的光譜非線性疊加［2］。大氣校正可以對(duì)2）進(jìn)行修正，而傳感器本身的混合效應(yīng)可以通過(guò)儀器校準(zhǔn)、定標(biāo)加以部分克服。根據(jù)混合像元光譜的產(chǎn)生機(jī)理，研究人員建立了許多分解模型，主要包括線性、非線性分解模型、模糊監(jiān)督和神經(jīng)網(wǎng)絡(luò)等。線性分解模型因物理含義明確、建模簡(jiǎn)單，得到了廣泛應(yīng)用［4－9］
草業(yè)學(xué)報(bào) 2014年4期2014-01-02
- 基于OSP與NMF的光譜混合像元分解方法
存在，并且在提取端元的同時(shí)可以獲取每種端元對(duì)應(yīng)的豐度圖。然而NMF的目標(biāo)函數(shù)具有明顯的非凸性，因而存在大量局部極小。對(duì)于NMF問(wèn)題V≈WH，（V，W，H均為非負(fù)矩陣），可以找到大量的非負(fù)可逆矩陣D及其逆矩陣D-1，有WH=(WD)(D-1H)成立，這樣可以得到很多對(duì)解WD和D-1H，這是NMF存在的最大的問(wèn)題。本文首先通過(guò)正交子空間投影（orthogonal subspace projection，OSP）技術(shù)估計(jì)端元的個(gè)數(shù)[9]，然后通過(guò)改進(jìn)的外包單形體
華東交通大學(xué)學(xué)報(bào) 2013年1期2013-07-05
- 簡(jiǎn)析高光譜圖像解混技術(shù)及算法
像元為純像元或者端元;若該像元包含兩種以上地表物質(zhì)，則稱(chēng)此像元為混合像元?；旌舷裨男纬稍蚝軓?fù)雜，歸納起來(lái)主要有兩方面原因:1)傳感器本身的原因和大氣環(huán)境的影響;2)由于地表物質(zhì)分布的復(fù)雜性，很容易發(fā)生不同特性的地物混合在一起的情況。例如沙土中混合了粘土。高光譜圖像中混合像元的存在，使得傳統(tǒng)的基于像元級(jí)高光譜圖像的分類(lèi)、壓縮和目標(biāo)檢測(cè)等應(yīng)用受到限制。所以，需要解決混合像元的分解問(wèn)題［1］。圖1給出了光譜解混的示意圖?；诰€性混合模型的高光譜解混主要包括兩
大慶師范學(xué)院學(xué)報(bào) 2012年6期2012-05-25
- 湖泊沉積物中風(fēng)成和水成組分定量判據(jù)的初步研究
——以青海湖為例
黃土作為風(fēng)成組分端元，以青海湖表層沉積物作為水成組分端元，首次利用已知端元的粒度分布特征對(duì)青海湖沉積物中典型粒度分布進(jìn)行擬合，進(jìn)而估算了其中風(fēng)成和水成組分的比例。結(jié)果表明，青海湖沉積物粒度分布特征可分為三大類(lèi):1.水成組分占主導(dǎo);2.風(fēng)成組分占主導(dǎo) (風(fēng)成黃土主導(dǎo));3.兩者以不同比例混合。希望此方法能成為未來(lái)湖泊沉積物中不同組分的定量判據(jù)和古環(huán)境的解讀提供新途徑。青海湖;粒度;風(fēng)成組分;定量判據(jù);聚類(lèi)分析沉積物的粒度特征記錄了沉積環(huán)境、搬運(yùn)動(dòng)力等信息，因
地質(zhì)力學(xué)學(xué)報(bào) 2010年4期2010-12-07
- 生物熒光譜分離端元提取算法的實(shí)現(xiàn)與比較
如如何有效地提取端元[1-3]。在遙感成像的高光譜場(chǎng)景中，各個(gè)像元的信息大都是由不同組分混合而成的，所謂端元提取就是提取出不同組分純指紋光譜的一個(gè)處理過(guò)程?；谶@些不同組分物質(zhì)的純指紋光譜，通過(guò)譜分離算法再把遙感場(chǎng)景分解成不同豐度(abundance fraction)的多種物質(zhì)。近年來(lái)，隨著生命科學(xué)技術(shù)的發(fā)展，生物熒光成像譜分離領(lǐng)域[4]也有極大的發(fā)展。生物熒光成像大都利用檢測(cè)目標(biāo)熒光蛋白的方法，觀察活體小動(dòng)物體內(nèi)單細(xì)胞水平的生物學(xué)演變過(guò)程。由于動(dòng)物組織
中國(guó)醫(yī)療器械雜志 2010年4期2010-08-08