第四次实验MNF与端元选取
基于代数余子式的N-FINDR快速端元提取算法
基于代数余子式的N-FINDR快速端元提取算法李琳;孟令博;孙康;赵永超【摘要】基于高光谱图像特征空间几何分布的端元提取方法通常可分为投影类算法和单形体体积最大类算法,通常前者精度不好,后者计算复杂度较高.该文提出一种基于代数余子式的快速N-FINDR端元提取算法(FCA),该算法融合了投影类算法速度快和单形体体积最大类算法精度高的优势,利用像元投影到端元矩阵元素的代数余子式构成的向量上的方法,寻找最大体积的单形体.此外,该算法在端元搜索方面较为灵活,每次迭代都可用纯度更高的像元代替已有端元,因此能保证用该端元确定的单形体,可以将特征空间中全部像元包含在内.仿真和实际高光谱数据实验结果表明,该文算法在精准提取出端元的同时,收敛速度非常快.【期刊名称】《电子与信息学报》【年(卷),期】2015(037)005【总页数】7页(P1128-1134)【关键词】图像处理;高光谱;端元提取;单形体;体积最大;代数余子式;投影【作者】李琳;孟令博;孙康;赵永超【作者单位】中国科学院电子学研究所北京100190;中国科学院大学北京100049;中国科学院电子学研究所北京100190;中国科学院大学北京 100049;中国科学院电子学研究所北京100190;中国科学院大学北京 100049;中国科学院电子学研究所北京100190【正文语种】中文【中图分类】TP751.1高光谱遥感图像空间分辨率通常相对较低，再加上自然界地物的复杂性、多样性，故混合像元普遍存在于高光谱遥感图像中。
而混合像元的存在正是像元级遥感分类和面积测量精度难以达到使用要求的主要原因。
因此，光谱解混是分析高光谱图像的关键所在［1］。
在光谱解混过程中，端元提取算法可以提取出图像中只包含一种特征地物的纯像元。
常见的端元提取算法通常是在线性混合模型成立条件下［2，3］，基于高光谱图像特征空间几何分布的。
该几何分布是指图像中的像元分布在以端元为顶点的单形体结构中［4］。
时间域混合像元分析在海冰密集度变化研究中的应用
作， 其穿透 云层 和不受光照条件影 响使其在极地 海冰研究 中 占据主导地位 。 虽然各种高分辨率雷达数据 已应 用于海冰监
测研究 ， 但其较窄 的幅宽 、较长的 回归周期 及昂贵 的费用 限
集度随时间变化端元波谱 曲线 ， 为研究海冰密集 度的季节变
化提供 了新的途径 。虽 然 Ｐｗｏ ｒ ］ ｉ ｗａ［ 利用 Ｔ ＭＡ 获取 了北 极不同类型的多年平 均海 冰密集度 随时 间变化 的端元波谱 曲
线。 但其提取方法效率低 ， 利用 线性 方程进 行｝合像 元分解 昆 端元选取数 目受使用数据的波段数 的限制 ， 且交 互式 的方法
了像元提纯 ， 来获取 纯净像 元 ，但是 这种 方法 有其 局 限性 ： 首先 ，ＭＮＦ本 质是 一种 经过 两 次主 成分 变换 的 线性 变换 。 通过数据轴 的旋转 ，对噪声协方差矩 阵进 行主成 分分析 ，以 实现对 噪声数据 的波段之 间去相关性 ， 将其重新 调整得到 并 单位方 差的噪声数据 。其次 ， 第二次 变换 使用 第一次变 化所 得 到数据进行 主成分分析 。通过对处理后 数据进行 特征值和 相应 的影像进行 检验 ， 确定数据 内在 维度 ，实现噪声 与信号
Ｏ２
２ ０
０
０
Ｏ
０２ ．
０４ ．
０６ ．
０８ ．
１０ ．
２
４
６
Ｍｏ ｔ ｎｈ
８
ｌ ０
ｌ ２
Ｊ ｎ ａ ｙ ｉｅｃ ｎ ｅ ｔ ｔ ｎ ａ ｕ ｒ ｃ ｏ ｃ ｎｒ ｉ ａｏ
ENVI高光谱数据处理流程
ENVI高光谱数据处理流程一、显示图像波谱1.打开文件：主菜单中，File→Open Image File→文件名.raw或者Window→Available Bands List→File →Open Image File→文件。
2.显示真彩色图像：波段列表（Available Bands Lis）中，右键→Load TrueColor。
3.*设置像素大小：主窗口（Display）中，右键→Pixel Locator。
4.绘制波谱：主窗口中，右键→Z Profile（Spectrum）。
5.收集任意点波谱：Spectral Profile中，Options→Collect Spectra，点击图像任6.光谱平滑：Spectral Profile中，Options→Set Z Profile Avg Window，将window7.部分光谱：主菜单→Basic Tools→Resize Data(Spatial/Spectral)→Spectral Subset，选择需要的光谱波段。
生成新的文件，右键→Load True Color to<new>。
显示新图像。
8.关闭所有文件：File→Close All Files。
二、标准波谱库主菜单→Spectral→Spectral Libraries→Spectral Library Viewer→安装文件夹下，ITT\IDL\IDL80\products\envi48\spec_lib。
共有usgs_min、veg _lib、jpl_lib、jhu_lib四个标准波谱库。
在Spectral Library Viewer中，单击波谱名称，自动显示波谱。
三、自定义波谱库1.输入波长范围：在菜单中，Spectral Spectral Library→Spectral Library Builder2.波谱收集：以从影像数据中收集波谱为例：a)打开高光谱图像，收集任意点波谱。
实验一：高光遥感数据的获取及分析
实验一高光谱遥感数据获取评分姓名：石佳兴学号：20133032001031、分别使用AVIRIS 和Hyperion 数据，如何针对植被、水体等不同地物进行假彩色合成选择合适的波段？方法：1.(标准)假彩色合成：根据加色法和减色法原理，选择遥感影像的某三个波段，分别赋予红、绿、蓝三种颜色，就可以合成彩色影像。
由于选择的颜色与原来遥感波段所代表的真实颜色不同，因此生成的合成色不是地物的真实颜色，这种合成叫做假彩色合成。
当遥感影像的绿波段赋蓝，红波段赋绿，近红外波段赋红时，这一合成被称为标准假彩色合成。
过程：根据方法中所述的原理，对于AVIRI遥感影像，可以分别赋予第52、31、21波段红、绿、蓝，来识别植被、水体等不同地物；对于Hyperion遥感影像，则可以分别赋予第111、31、21波段红、绿、蓝。
结果：AVIRIS 数据Hyperion 数据分析1.植被在可见光波段（0.38-0.76um）有一个小的反射峰，位置在0.55um（绿）处，在近红外波段（0.7--0.8um）有一个反射的“陡坡”，至1.1um附近有一个峰值。
根据标准假彩色的合成原理，绿波段被赋予蓝，红外波段被赋予红，绿色与红色相加为品红，因而植被在影像中大致呈红色。
2.水体的反射主要在蓝绿光波段，其他波段吸收都很强，根据标准假彩色合成原理，绿波段被赋蓝，因此一般的湖泊水库等均呈蓝黑色。
水体呈现深蓝色，植被呈现红色，通过标准假彩色合成较好的区分了植被、水体、建筑物等不同地物。
2分别从ETM+，AVIRIS 和Hyperion 数据中分别选取5 种不同的地物，提取曲线。
从光谱剖面曲线上，比较分析多光谱数据和高光谱数据的各自特点。
方法：提取5种不同地物所在区域的平均光谱数据。
过程：提取区域平均光谱数据的方法（1）首先，利用ROI 工具选取区域；（2）然后，在ROI Tool 的窗口中选中区域，再点击下方的Stats 按钮；（3）最后，在ROI Statistics Results 窗口中，点击File|Save ROI Results to text file…菜单，按照提示保存为文本文件；（4）将文本文件导入Excel 或Matlab，其中Mean 对应的数据列即为该区域的平均光谱。
高光谱遥感岩矿端元提取与分析方法研究
Ｌ Ｉ Ｕ Ｈａ ｎ — ｈ ｕ 一． ＹＡ ＮＧ Ｗｕ — ｎ ｉ ａ ｎ 一ａ ｎ ｄ Ｙ ＡＮ Ｇ Ｒ ｏ ｎ ｇ — ｈ ａ ０ ２
（ １ ．Ｓ ｔ ａ ｔ ｅ Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｇ ｅ ｏ ｈ ａ ｚ ａ ｒ ｄ Ｐ ｒ ｅ ｖ ｅ ｎ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｇ ｅ ｏ ｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍｅ ｎ ｔ Ｐ ｒ ｏ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ，Ｃ ｈ ｅ ｎ ｇ ｄ ｕ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｃ ｈ ｅ ｎ ｇ ｄ ｕ
口
Ｉ ＿ ＿ －
刘 汉 湖 ， 一 ， 杨 武 年 一 ， 杨 容 浩２
（ １ ．成都理工大学 地质灾害防治与地质环境保护 国家重点实验室 ，四川 成都 ２ ． 成 都理 工大学 国土资源部地学空间信息技术重点实验室 ，四川 成都 摘 ６ １ ０ ０ ５ ９ ； ６ １ ０ ０ ５ ９ ）
ｎ ｏ ｉ ｓ ｅ ｆ ｒ ａ ｃ ｔ ｉ ｏ ｎ（ ＭＮＦ ）ａ ｎ ｄ ｐ ｉ ｘ ｅ １ ｐ ｕ ｒ ｉ ｔ ｙ ｉ ｎ ｄ ｅ ｘ（ Ｐ Ｐ Ｉ ）ａ ｎ ｄ ，ｏ ｎ ｓ ｕ ｃ ｈ ａ ｂ ａ ｓ ｉ ｓ ， ｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ｔ ｈ ｅ ｅ ｎ ｄ — ｍｅ ｍｂ ｅ ｒ ｓ ｐ ｅ ｃ ｔ ｒ ａ ｂ ｙ
ｕ ｓ ｉ ｎ ｇ ｔ ｗｏ － ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｓ ｃ ａ ｔ ｔ ｅ ｒ ｄ ｉ ａ ｇ ｒ ａ ｍ ａ ｎ ｄ ｔ ｈ ｒ ｅ ｅ — ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ｌ ａ ｓ ｃ ａ ｔ ｔ ｅ ｒ ｄ ｉ ａ ｇ ｒ ｍ ，ａ ａ ｎ ｄ ｃ ｏ ｎ ｄ ｕ ｃ ｔ ｅ ｄ ｔ ｈ ｅ ｒ ｅ ｓ ｅ ｒｃ ａ ｈ ｏ ｎ ｔ ｈ ｅ
高光谱解混方法研究
高光谱解混方法研究严阳;华文深;刘恂;崔子浩【摘要】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.【期刊名称】《激光技术》【年(卷),期】2018(042)005【总页数】7页(P692-698)【关键词】光谱学;高光谱图像;线性解混;端元提取【作者】严阳;华文深;刘恂;崔子浩【作者单位】陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003;陆军工程大学石家庄校区电子与光学工程系,石家庄 050003【正文语种】中文【中图分类】TP751引言高光谱图像通过光谱仪采集，能同时获得光谱信息和图像信息，具有图谱合一的优点[1]，使得其在军事目标检测、农作物分类、矿物探测等多个领域都得到广泛应用。
高光谱图像的光谱分辨率在不断提高，但是空间分辨率仍旧较低。
由于高光谱遥感图像在采集图像时，是以像元为单位来获取地面物体的光谱信息，高光谱图像中的每一个像元都对应着具有一定面积的地表区域，而区域的大小由光谱仪的空间分辨率决定。
因此，当空间分辨率较低时，图像中将会出现大量混合像元，导致目标的分类精度降低。
若一个像元里仅仅包含一种物体，则该像元是纯净像元，包含纯净的光谱信号的像元称之为端元;当光谱仪空间分辨率较低时，一个像元里含有多种物质混合，则包含混合光谱信号的像元称作混合像元[2]。
对nmf原理及应用的心得
对NMF原理及应用的心得1. 引言Non-negative Matrix Factorization（NMF），中文翻译为非负矩阵分解，是一种在机器学习和数据分析领域中常用的技术。
NMF通过将一个非负矩阵分解为两个非负矩阵的乘积，从而实现低维表示或特征提取。
在本文中，我将分享我对NMF原理及应用的一些心得和体会。
2. NMF原理2.1 矩阵分解NMF的核心思想是将一个非负的高维矩阵V近似分解为两个非负低维矩阵W和H的乘积，即：V ≈ WH。
其中，矩阵V是一个m行n列的非负矩阵，W是一个m行k列的非负基矩阵，H是一个k行n列的非负系数矩阵。
通过这种分解，可以实现对矩阵V的压缩表示和特征提取。
2.2 NMF的目标函数在NMF中，常用的目标函数是平方误差损失函数。
即，最小化V与WH之间的欧氏距离：$$E = \\| V - WH \\|_F^2 = \\sum_{i,j} (V_{i,j} - WH_{i,j})^2$$其中，$\\| \\cdot \\|_F$表示Frobenius范数。
NMF的优化问题即求解使得目标函数最小的非负矩阵W和H。
3. NMF应用NMF具有广泛的应用场景，下面列举了几个常见的应用领域：• 3.1 图像处理NMF可以用于图像压缩、图像去噪、图像分割等领域。
通过对图像矩阵的NMF分解，可以得到基矩阵和系数矩阵，其中基矩阵表示图像的特征，系数矩阵表示图像中每个像素对于特征的贡献程度。
通过调整特征的选取和系数的权重，可以实现图像的压缩和去噪等功能。
• 3.2 文本挖掘NMF可以进行主题提取和文本分类等任务。
对于一个包含大量文档的矩阵，NMF可以将每个文档表示为基矩阵和系数矩阵的乘积。
基矩阵表示不同主题或语义特征，系数矩阵表示每个文档对于各个主题的权重。
通过调整主题的选取和权重的分配，可以实现文本的主题提取和分类。
• 3.3 音频处理NMF可以用于音频信号的分离和降噪。
对于一个包含多个音频信号的矩阵，NMF可以将每个信号表示为基矩阵和系数矩阵的乘积。
基于随机NMF理论的高光谱端元抽取
第39卷第1期2020年2月南昌工程学院学报Journal of Nanchang Institute of TechnologyVol.39No.1Feb.2020文章编号：1674-0076(2020)01-0086-07基于随机NMF理论的高光谱端元抽取刘雪松，谭文群，彭天亮(南昌工程学院江西省水信息协同感知与智能处理重点实验室，江西南昌330099)摘要：高光谱端元抽取是光谱解混的一部分。
非负矩阵分解(NMF)理论由于其能够很好的保持数据的非负特性,被广泛的应用于光谱解混。
随着高光谱设备的提高，摄像机的光谱频带数也从几百个频带扩展到几千个频带。
从而使光谱数据也越来越大。
经典NMF理论是块处理法，数据越大，计算量也大幅增加。
为了加快光谱解混速度，提出了基于随机L1/2NMF理论的端元抽取方法，与经典NMF相比，该方法能够快速提升算法速度，并且能够保证很好的解混精度。
最后，用真实仿真数据验证了随机NMF理论的有效性。
关键词:端元抽取;光谱解混;非负矩阵分解;随机中图分类号:TP751文献标志码:AHyperspectral endmember extraction based on random NMF theoryLlUXuesong,TAN Wenqun,PENG Tianliang(Jiangxi Province Key Lab o£Water Information Cooperative Sensing and Intelligent Processing,Nanchang Institute of Technology,Nanchang330099,China)Abstract:Hyperspectral endmember extraction is part of spectral unmixing.The non-negative matrix factorization(NMF) theory is widely used in spectral unmixing because it can well maintain the non-negative properties of data.As hyperspectral devices increase,the number o£spectral bands in a camera also extends from hundreds o£bands to thousands of bands.As a result,the spectral data is also growing.The classical NMF theory is a block processing method.The larger the data,the larger the calculation amount.In order to speed up the spectral unmixing speed,this paper proposes an endmember extraction method based on random L1/2NMF pared with the classical NMF,this method can quickly improve the algorithm speed and ensure good unmixing precision.Finally,we validate the validity of the random NMF theory with real simulation data.Key words:endmember extraction；spectral unmixing；non-negative matrix factorization；random高光谱图像通常是包含了几百个波段的图像的集合。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第四次实验 MNF与端元选取
寻找一幅高光谱遥感影像，按照上述过程寻找端元。
观察端元光谱的差异，并分析光谱混合的原因。
图一.加载高光谱遥感影像
进行下列操作：Transform->MNF Rotation->Forward MNF->Estimate Noise Statistics From Data
选择cup95eff.int文件，默认Spatial
Subsetting ,Spectral Subsetting,和Masking，点击OK，打开Forword MNF Transfrom Parameters对话框
图二.指定文件名和参数
图三.ENVI运行完毕，出现MNF Eigenvalues的绘图窗口
在Available Bandsaw List窗口中选择cup95mnf.dat，选择第一个波段，选择Gray Scale，点击Display#1，选择New Display和load Band，打开灰度图像。
图四.按照灰度图像的方式打开
在cup95mnf的窗口上选择Tools->2D Scatter Plots,在Scatter Plots Band Choice对话框中选择不同的两个编号差异比较大的波段band1和band25.
图五. band1 MNF散点图
在Scatter Plot窗口中，选择Options->Change Bands,打开Band Choice对话框，X和Y分别对应选择MNF Band1和MNF Band2，点击OK。
选择Options->Image:ROI,在窗口中点云的拐角或者延伸出去的位置选择部分数据点。
图六. 在点云的拐角数据点
图七.在MNF的Image window可以看到相应的像素点
图八.保存ROI结果
在cup95eff 窗口的菜单中选择Overlay → Region of Interest，将保存的ROI 调入到cup95eff 的显示窗口。
在ROI Tool 的窗口中选择Stats,选择所有的ROI 显示统计结果的窗口，在其中选择Plot 和Mean for all ROIs ，就可以得到每一个ROI 的表面平均反射光谱。
用Z profile观察每个端元的光谱。
图九.每一个ROI 的表面平均反射光谱
观察端元光谱的差异：通过观察，可以发现，在2.0-2.1um 和2.2-2.4um范围内，第二次选择的端元（绿色部分）的反射率要高于第一次选择的端元（红色部分），在2.125um-2.175um 部分第二次选择的端元（绿色部分）的反射率要低于第一次选择的端元（红色部分）。
分析光谱混合的原因：一是传感器的空间分辨率较低，不同的地物可能存在于一个像元内，这种情况一般发生在遥感平台处于比较高的位置或者拥有宽视角；二是不同的地物组合形成同质均一化的地表类型，这种情况的发生不依赖于传感器的空间分辨率。