基于差分搜索的高光谱图像解混算法_张立毅

13线性光谱解混

对于一个固定的像元来讲，各种端元的丰度是否随波段变化？
丰度在各个波段都有相同值
5
武汉大学龚龑
《高光谱遥感》
一、线性混合模型的数学表达
1.3模型未知参数的估计 B.从平差的角度考虑问题
Fw 0.6 0.7 0.5 0.3 Fv Fs
• 在一个波段，可列出一个观测方程
x N=? 3
29
武汉大学龚龑
《高光谱遥感》
三、提取几何顶点的端元提取方法
3.3 N-FINDR方法 (３). 特点分析 • 由于要对E进行求行列式运算，所以E应为方阵，所以端元的光谱特征维数是N-1.（降维）
N个端元
• 由于可以形成单形体的数据点的组合数量庞大，因此有研究人员进行了搜索策略研究。
半限制性方法半限制性方法
15
武汉大学龚龑
《高光谱遥感》
二、混合像元分解关键问题
2.2丰度求解方法
• 限制性方法
特点
• 具有较高精度
• 解算结果不会违背物理意义
• 解算过程较为复杂
最小二乘条件 + 拉格朗日条件
尤其是全限制型分析方法，难以找到解析方法，通常只有数值方法。解算过程涉及数值分析知识，一般需要迭代运算。
如何找顶点？
20
武汉大学龚龑
《高光谱遥感》
三、提取几何顶点的端元提取方法
3.1基本思想几种经典方法： • 纯像元指数法 • N-FINDR方法 • 最大距离法
21
武汉大学龚龑
《高光谱遥感》
三、提取几何顶点的端元提取方法
3.2纯像元指数法纯像元指数法又称PPI(pure pixel index)方法，由Boardman等人与1995年提出。

高光谱图像处理与信息提取前沿

3
3.1 3.1.1
高光谱图像处理与信息提取方法
噪声评估与数据降维方法噪声评估典型地物具有的诊断性光谱特征是高光谱遥
感目标探测和精细分类的前提，但是由于成像光谱仪波段通道较密而造成光成像能量不足，相对于全色图像，高光谱图像的信噪比提高比较困难。在图像数据获取过程中，地物光谱特征在噪声的影响下容易产生“失真”，如对某一吸收特征进行探测，则要求噪声水平比吸收深度要低至少一个数量级。因此，噪声的精确估计无论对于遥感器性能评价，还是对于后续信息提取算法的支撑，都具有重要意义。
张兵：高光谱图像处理与信息提取前沿
1063
得新的突破。高光谱图像处理与信息提取技术的研究主要包括数据降维、图像分类、混合像元分解和目标探测等方向(张兵和高连如，2011)。本文首先从上述4个方向梳理高光谱图像处理与信息提取中的关键问题，然后分别针对每个方向，在回顾相关经典理论和模型方法的基础上，介绍近年来取得的新的代表性成果、发展趋势和未来的研究热点。此外，高性能计算技术的发展显著提升了数据处理与分析的效率，在高光谱图像信息提取中也得到了广泛而成功的应用，因此本文还将介绍高光谱图像高性能处理技术的发展状况。
题制图的基础数据，在土地覆盖和资源调查以及环境监测等领域均有着巨大的应用价值。高光谱图像分类中主要面临Hughes现象(Hughes，1968)和维数灾难 (Bellman ， 2015) 、特征空间中数据非线性分布等问题。同时，传统算法多是以像元作为基本单元进行分类，并未考虑遥感图像的空间域特征，从而使得算法无法有效处理同物异谱问题，分类结果中地物内部易出现许多噪点。 (4) 高光谱图像提供的精细光谱特征可以用于区分存在细微差异的目标，包括那些与自然背景存在较高相似度的目标。因此，高光谱图像目标探测技术在公共安全和国防领域中有着巨大的应用潜力和价值。高光谱图像目标探测要求目标具有诊断性的光谱特征，在实际应用中受目标光谱的变异性、背景信息分布与模型假设存在差异、目标地物尺寸处于亚像元级别等问题影响，有时存在虚警率过高的问题，需要发展稳定可靠的新方法。此外，高光谱遥感观测的目的是获取有用的目标信息，而不是体量巨大的高维原始数据，传统图像处理平台和信息提取方式难以满足目标信息快速获取的需求。尽管高性能处理器件的迅猛发展，为亟待解决的高光谱图像并行快速处理和在轨实时信息提取提供了实现途径，但也面临着一系列的关键技术问题。并行处理和在轨实时处理都需要对算法架构进行优化，同时要依据处理硬件的特点考虑编程方面的问题，此外，在轨实时处理还对硬件在功耗等方面提出了特殊的要求。

一种双正则项全变差高光谱图像去噪算法

数据可以更好地适应多种应用需求。
目前很多已存在的去噪算法中，高光谱图过程等２去］效为空间域逐波段图像去噪（小波阈值ｌｊ如３、维纳滤波等）或光谱域逐条光谱曲线去噪（中值滤波、加权平均等）如，高
一
种双正则项全变差高光谱图像去噪算法
李婷，陈小梅，陈刚。，薛博，国强。倪
１．北京理工大学光电学院，京１０８北００１
２．北京理工人学光电成像技术与系统教育部重点实验审，京１０８北００１
个重要特点：１（）高光谱图像是具有两个空间维和一个光谱维的数据立方体，噪声在整个数据立方体的各维度都有表现；（）２受传感器特性及实际成像物理过程影响，高光谱图像中的噪声在空间域与光谱域表现出不问的特征［。因此，１］与传统遥感图像去噪相比，高光谱图像去噪需要考虑的因素
更多、更复杂，已成为研究的热点之一。也
变差的高光谱图像去噪算法。该算法将经典二维图像全变差
（ｏａｖｒｔｎＴ算法推广到三维的情况，可作用于整个ｔｔｌａｉｉ，Ｖ）ａｏ
高光谱图像数据遗方体，充分利用了原始数据空间域及光谱域的有效信息；通过双调整项及相应调整系数的引入，使得空间域和光谱域噪声可以同时很好地被去除，而使得结果从
３ＰｙｔｃｎｉＩｓｉｕｅｏｗｒｉｅｓｔ，Ｂｒｏｌｎ，ＮＹ，ＵＳＡ２．ｏｌｅｈｃｎｔｔｔｆＮｅＹｏｋＵｎｖｒｉｙｏｋｙ１０１１

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。