高光谱遥感图像的解混和波段选择方法研究
高光谱遥感图像能够以纳米级的光谱分辨率提供海量数据信息,但是由于空间分辨率限制,图像中的一个像元可能包含有多种地物类型,形成混合像元,影响了对地表形态的精确测量和分析。因此,在实际应用时经常需要将混合像元进行分解,从中得到典型地物的光谱(端元)及这些地物所占比例(丰度),以便充分发掘数据中的光谱信息,研究目标物质。
如何快速有效地进行混合像元的分解,是近年来高光谱图像处理中的一个热点问题。本论文重点针对混合像元问题,分别从统计学和几何学的角度展开分析,并在此基础上提出相应的解混方法。
此外,针对数据的维数问题,我们还研究了复杂网络的方法,将其应用到高光谱波段选择问题中,用于数据的降维处理。本论文的主要工作和创新点包括以下几个方面：1.提出一种有约束独立分量分析的解混方法。
该方法通过设计新的目标函数,选择符合高光谱图像物理意义的约束条件,在根本上克服了传统ICA的独立性假设,使算法能够适用于遥感数据的分析。此外还设计了一种自适应的模型来描述数据的概率分布,能够利用蕴含在观测图像中的统计信息实现自动建模,在提高解混结果精度的同时,使算法对各种不同的遥感数据都表现出良好的适用性。
所提出的算法克服了基于独立分量分析的方法进行光谱解混时所出现的问题,能够得出更优的解。而且,算法即使在端元数估计错误的情况下仍能得到正确结果,作为一种无需光谱先验信息的算法,为混合像元分解问题提供了一种有效的解决手段。
2.提出一种基于三角分解的端元提取框架。这既是一种单形体类的几何方法,同时又建立在三角分解的代数原理之上。
我们通过最小化单形体体积寻找端元,在这一过程中引入了三角分解,利用递归操作,只需对数据做一轮体积比较便可完成端元提取任务,得到全局最优解。该算法能够在原始高维数据上快速而稳定地运行,在实时处理领域有着很好的应用前景。
降维处理不是必要步骤,所以在实际应用中可以根据具体情况选择是否进行降维,具有很好的灵活性。由于三角分解的算法多种多样,所以我们所提出的不只是一种单一的方法,而是一类端元提取的框架,这一框架能够具体推导出形式各异的实现算法,并且从理论上证明这些算法在运算复杂度和数值计算中的优劣,对研究端元提取问题有着重要意义。
高光谱解混 matlab
高光谱解混通常指的是对高光谱图像进行解混的技术，即通过一定的算法将高光谱图像中的不同光谱成分进行分离和识别。Matlab是一种常用的数学计算和编程语言，经常被用于进行高光谱图像的处理和分析。以下是一些高光谱解混的示例算法和软件工具：
1. 基于像素的解混方法：这种算法通过迭代更新每个像素的光谱成分，使得每个像素的光谱成分与其邻近像素的光谱成分相匹配。常见的算法包括基于梯度下降法的优化算法和基于统计模型的算法等。
2. 基于区域的解混方法：这种算法将高光谱图像划分为若干个区域，并对每个区域内的像素进行整体处理。常见的算法包括迭代收敛的优化算法、非负矩阵分解算法、正则化方法和机器学习方法等。
3. 基于深度学习的解混方法：这种算法利用深度学习技术对高光谱图像进行自动学习和特征提取，从而实现对高光谱图像的自动解混。常见的算法包括卷积神经网络（CNN）和生成对抗网络（GAN）等。
除了上述示例算法和软件工具，还有很多其他的高光谱解混方法，包括各种数学和物理模型以及多种统计学习方法等。
Matlab提供了一系列高光谱处理和分析工具箱，其中包括多种用于高光谱解混的工具和函数，可以方便地实现对高光谱图像的处理和分析。在Matlab中进行高光谱解混通常需要编写相应的程序或脚本，使用Matlab提供的函数和工具箱来实现各种解混算法和处理方法。
高光谱图像混合像元解混技术研究
高光谱图像混合像元解混技术研究
随着高光谱遥感技术不断发展,高光谱图像具有显著特点:光谱分辨高,图谱合一,并广泛应用到各个领域。但遥感技术向定量化方向进一步发展的主要障碍是广泛存在着混合像元。
为了突破遥感图像空间分辨率低的障碍与地物具有复杂多样性的影响,多种类型的地物常包含于独立的单个像元中,要在亚像元级别的精度上得到混合像元的真实属性信息,提高图像分类精度。在高光谱图像中,关键问题之一是如何有效地对混合像元进行分解已经得到了广泛关注,并一直进行着深入地研究。
本文首先对其所研究内的相关技术及应用进行了叙述,并阐述了高光谱解混的研究现状,混合像元分解存在的问题,如解混效果不理想,算法的目标函数收敛速度慢,图像分类不精确,耗时多等。针对以上问题,本文在NMF算法的基础上,提出了3种混合像元分解算法:(1)基于图正则和稀疏约束半监督NMF的混合像元分解算法。
该算法加入了拉普拉斯图正则化约束和部分样本的类别信息,并对丰度矩阵施加稀疏约束,最后融合到同一目标函数中,能够改善解混效果;(2)基于图正则和稀疏约束的INMF高光谱解混。该算法将稀疏非负矩阵分解与增量型学习相结合,既能降低平均运行时间又能提高图像分类精度;(3)基于双图正则的半监督NMF混合像元解混。
该算法不仅考虑了高光谱数据流形与特征流形的几何结构,还将已知的标签类别信息施加于非负矩阵分解中,极大加快了目标函数的收敛速度,改善效果得到进一步提高,耗时少。本文分别对提出的3种算法在真实遥感数据集上进行仿真实验,在解混性能评价指标均方根误差和光谱角度距离上与NMF和改进的NMF
算法作比较,实验结果表明本文提出的3种算法解混可靠性和有效性高。
最后,对3种解混算法进行比较,得到基于双图正则的半监督NMF混合像元解混算法耗时最少,解混效果最优。
高光谱遥感图像高效分类与解混方法研究
高光谱遥感兴起于20世纪80年代,是一种融合光谱学理论与成像技术的前沿技术。高光谱遥感图像包含几十至几百个窄波段的光谱信息,能够为人类社会提供丰富且精细的观测数据。
地物识别与分析作为高光谱遥感图像的研究热点,是高光谱遥感图像处理的重要组成部分,主要可通过地物分类与像元解混两种技术实现。地物分类技术是一种像元级处理技术,通过对观测像元进行类别标定与识别来完成对地物的分析与识别;而像元解混技术是一种亚像元级处理技术,通过对观测像元中所包含的不同纯地物进行分析并计算其含量来完成对地物的识别与分析。
虽然,高光谱图像具有光谱分辨率高及图谱合一的特点,可以为地物分类与像元解混处理提供丰富的细节信息,但同时给这两种技术带来了巨大的挑战和难度,主要原因有:(1)高光谱图像容易受到高光谱传感器在空间分辨率上的限制以及光照、大气、云层厚度等自然环境因素的影响,出现“同物异谱”和“异物同谱”的现象,这两种现象不同程度地增加了地物分类与像元解混的难度。(2)高光谱图像光谱维度高,由小样本引起“Hughes”现象的出现,使高光谱图像地物识别性能呈现先增加后下降趋势。
(3)高光谱图像的大数据量给高光谱图像处理带来了极大的计算量。针对上述高光谱图像在地物分类与像元解混中存在的问题,本文深入研究了基于人工神经网络的地物分类技术与基于稀疏回归的像元解混技术,提出了高效的地物分类方法和像元解混方法。
具体工作概括如下:一、基于优化极限学习机的高光谱图像分类方法研究针对高光谱图像数据量大,导致分类方法计算复杂度高、样本训练时间长等问题,本文开创性的将极限学习机方法应用在高光谱图像分类中,并提出了一种基于优化极限学习机的高效高光谱图像分类方法。该方法研究并发掘出训练样本数目与隐层神经元数目之间存在一种经验的线性关系,且这种线性关系可从小样本数据集延伸至大样本数据集,因此避免了大样本数据集所带来的大计算量。
