端元提取技术在高光谱图像压缩中的应用

合集下载

优化端元提取方法的高光谱混合像元分解

优化端元提取方法的高光谱混合像元分解
高光谱混合像元分解是一种常用的方法，用于从高光谱遥感图像中提取端元信息。

但是在实际应用中，由于许多因素的影响，如光照变化、材质反射率等，混合像元分解结果可能存在一定的误差。

为了优化端元提取的效果，可以采取以下方法：
1. 数据预处理：在进行混合像元分解之前，对高光谱图像进行预处理，包括大气校正、辐射定标、大气矫正等，以降低噪声和光照变化对端元提取的影响。

2. 端元选择：根据具体应用需求，选择合适的端元库。

端元库是由已知材质的光谱响应函数构成，选择适当的端元可以更准确地反映实际场景中的材质组成，提高分解的准确性。

3. 混合像元分解算法选择：目前常用的混合像元分解算法有N-FINDR、PPI等。

根据具体情况选择合适的算法进行端元提取。

可以尝试多种算法并进行对比分析，选择效果较好的算法。

4. 约束条件引入：在混合像元分解过程中，可以引入额外的约束条件，如非负性约束、稀疏性约束等，以提高分解结果的稳定性和准确性。

5. 后处理方法：对提取的端元进行后处理，如噪声去除、光谱平滑、分类判别等，进一步提高分解结果的质量。

6. 结合其他数据源：结合其他遥感数据，如高分辨率光学影像、地面采样数据等，可以在一定程度上提高混合像元分解的准确性。

可以通过数据融合的方法，将不同数据源的信息相互补充，得到更可靠的端元提取结果。

通过上述优化方法的综合应用，可以提高高光谱混合像元分解的准确性和稳定性，从而更准确地获取端元信息。

需要根据具体应用场景和数据特点进行针对性的优化。

高光谱遥感影像端元提取方法对比

ＳＭＡＣＣＳ — ＶＭｔｏｎｈＶＭｔｏｌ３８％ａｄ８．６ｍｅｄａｄｔｅＳｈｍｅｄａｅｏｄ］ｙｅｐｃａＥｄｅｂｒＳｐｏｅｔａｈｅＳＭ）ＫｙｗｒｓＨｐｒｅｔ；ｎｍｍｅ；ｕｐｒｖｃｒｃｉ（Ｖｓｒｔｏｍｎ
ＪＮｅ－ｉｇＸＩＩＷｎｐｎＡＯ－ｅＫｅｋ
（ｃｏｌｆｅｓｉｎｅａｄＩｆ－ｈｓｓＣｎｒｌｏｔＳｈｏｏｏｃｅｃｎｏＰｙｉ，ｅｔａＳｕｈ删ｖｒｉ，ｈｎｓａＨｕａ，１０３Ｃｈｎ）ＧｎｃｅｓｙＣａｇｈｎｎ４０８，ｉａｔ
Ｏ・言引
高光谱遥感技术丰富的空间维、光谱维信息受到国际研
究者的广泛关注，具有广阔的发展应用前景【ｌ１。目前已在地质
计特征基础上的多变量正交线性变换。通过去掉那些相对较
小的变换系数而又不会损失太大的信息量达到有效地降低维数的目的，是对均方误差最小而言的最佳变换。特征提取
要】文在ＳＡＣ法和ＰＩ本ＭＣＰ法端元提取基础上，得到高光谱遥感影像端元丰度图，用ＳＭ法进行分类。通过分之后Ｖ
类结果精度来评价端元提取的优劣。实验结果表明，基于ＰＩＰ的线性混合像元分解得到的丰度图用ＳＭ分类效果最佳，Ｖ整体精
ｗｒｅｉｅｒｍｎｍｅｅｓｗｅｅｃａｓｆｄｂＶＭｔｏ．ａｔ，ｖ￣ｅｈｕｌｙｏｎｍｅｅｘｒｃｉｎｍｅｈｄｙｅｅｄｒｖｄｆｏｅｄｍｂｒｒｌｓｉｅｙＳｉｍｅｈｄＡｔｓｗｅｅＭｕｄｔｅｑａｉｆｅｄｍｂｒｅｔｔｔｏｓｂｌｔａｏｃａｓｆａｉｎｐｅｉｉｎＴｅｒｓｈｈｗｔａｈＰ－ＶＭｓｔｅｂｓｔｏｎｈｖｒｌｐｅｉｉｎｉ８．９ｗｈｌｈｔｆｔｅｌｓｉｃｔｒｃｓｏ．ｈｅｕｓｓｏｈｔｔｅＰＩＳｉｏｉｅｔｍｅｄａｄｔｅｏｅａｌｒｃｓｏｓ７５％ｈｈｉｔａｈｅｏ

高光谱图像混合像元分解算法

ｏｐｏｅｔａａｅｃｐｉＳＤｎｓｐｒｖｃｏｄｔｄｓｒｔｎ（ＹＤ）ｗｓｒｐｓｄｉｔｈｐｒｅｔａｅａｓｅｅｌｓｆｄｉｏｔｏａｓｉｕｔｒｉｏａｏｏｅ．Ｆｒ，ｙｅｓｃｒｉｇｔｒｃａｓｉｔｗｒ，ｐｓｐａｍｌｄａｗｉｅｎｐｔ．
２ＣｌｇｆｌｃｏｉＥｇｎｅｎ，ｅｏｇａｇＵｉｒｔ，ｒｉ１００，ｈｎ）．ｏｅｅｏｅｔｎｃｎｉｅｒｇＨｉｎｊｎｎｖｓｙＨａｎ５０１ＣｉｌＥｒｉｌｉｅｉｂａ
Ａｂｔａｔｈｒｄｔｎｌｈｐ￣ｐｃｒｌｉｇｎｘｎｌｏｔｍｎｏｖｓｔｅｅｔｃｉｎｏｎｍｅｅｎｈｓｉｔｎｓｒｃ：Ｔｅｔａｉｏａｙｅｅｔｍａｅｕｍｉｉｇａｇｒｈｉｖｌｅｈｘｒｔｆｅｄｍｂｒａｄｔｅｅｔｉａｉａｏｍａｉｏｏｂｎａｃａｕｓｆｒｅｃｎｍｅｅ．Ａｌｏｇｎｄｌｓａｌｒｖｄｃｅｔｂｅｕｍｉｉｇｒｓｌ，ｈｉｓｍａｆａｕｄｎｅｖｌｅａｈｅｄｍｂｒｏｔｕｈｍａｙｍｏｅｓｕｕｌｐｏｉｅａｃｐａｌｎｘｎｅｕｔｔｅｂａｙｈｙｓｂｒａｎｔｏｅｐｘｌｗｅｅａｎｎｗｎｍｅｅｘｓｓｈｒｆｒ，ａｈｐｒｐｃｒｌｉｇｎｘｎｇｒｈｂｓｄｅｇｅｔｉｈｓｉｅｓｈｒｎｕｋｏｎｅｄｍｂｒｅｉ．Ｔｅｅｏｅｙｅｓｅｔａｍａｅｕｍｉｉｇａｏｉｍａｅｔｌｔ

高光谱线性解混的理论与方法及应用研究

高光谱线性解混的理论与方法及应用研究高光谱遥感是遥感领域的重要前沿技术之一。

成像光谱仪能够测量散射在数百或数千个光谱通道的瞬时视场内所有物质的电磁能量,它比多光谱相机具有更高的光谱分辨率,覆盖了可见光、近红外光、短波红外线波段(波长范围在0.3~2.5?m之间)。

高光谱遥感已经广泛应用于资源、灾害、全球变化、极地、环境监测、生态、农业、水文和生物医学等领域。

高光谱解混是高光谱遥感图像分析的重要内容之一,是高光谱遥感领域十分关键而具有挑战性的任务。

高光谱成像光谱仪的空间分辨率不高,这一限制条件常导致高光谱图像混合像元的出现,即通常一个像元在瞬时视场内包含了多于一种地物类型的地面信息,形成了混合像元;同时,由于高光谱解混受模型不准确、观测噪声、环境条件、端元不确定以及数据规模等条件限制,使得高光谱解混是一个具有挑战性的不适定性反问题。

因此,能否发展具有鲁棒性、稳定性、可行性和准确性的高光谱解混算法,解决高光谱混合像元分解问题,是高光谱图像分析的核心内容。

本文研究高光谱线性解混的理论与方法,以及其在地物识别中的应用。

首先综述了高光谱线性解混的国内外研究背景和现状,论文内容、创新点,以及全文的结构安排;然后研究了高光谱线性混合模型与子空间辨识,包括:线性混合模型、高光谱解混的处理流程、高光谱解混的思路与问题、高光谱解混反问题的刻画,以及信号子空间辨识;针对最小误差的高光谱信号辨识(HySime)方法的可靠性,我们进一步研究了特征值子集、特征子空间与相关矩阵之间的关系问题,即约束特征值反问题及相关的最佳逼近问题,给出了由特征值和特征向量恢复相关矩阵的一个充分必要条件,以及最佳逼近问题的解的表达式和求解算法;第三部分总结了几种基于几何的高光谱线性解混算法,包括:N-Finder、PPI、VCA、SISAL、AVMAX和SVMAX,并比较了这些方法在仿真的高光谱数据端元提取中的应用。

在非负矩阵分解的理论与方法基础上,第四部分总结了三种高光谱线性解混算法,即含复杂度约束的NMF算法(CC-NMF)、含最小体积约束的NMF算法(MVC-NMF)和同时含复杂度和最小体积约束的NMF算法(CMVC-NMF),以及这些算法在城市高光谱数据解混中的应用。

高光谱图像处理技术的前沿技术和发展趋势

高光谱图像处理技术的前沿技术和发展趋势高光谱图像处理技术是一种利用高光谱图像数据进行信息提取和分析的方法，其在遥感、医学影像、食品安全等领域具有广泛的应用前景。

随着传感器技术的不断进步和计算机处理能力的提升，高光谱图像处理技术呈现出一系列新的前沿技术和发展趋势。

1. 高光谱图像目标检测与识别：高光谱图像可以提供丰富的光谱信息，因此在目标检测和识别方面具有独特的优势。

前沿技术主要包括基于像素级分析的目标检测算法、基于多特征融合的目标识别算法等。

2. 高光谱图像超分辨率重构：高光谱图像的空间分辨率通常较低，因此超分辨率重构成为一种重要的研究方向。

前沿技术包括基于稀疏表示的重构算法、基于深度学习的超分辨率重构算法等。

3. 高光谱图像去卷积与反卷积：高光谱图像由于受到传感器系统和大气等因素的影响，通常呈现出模糊和失真的特点。

研究高光谱图像的去卷积和反卷积算法具有重要意义。

前沿技术包括基于稀疏表示的去卷积算法、基于深度学习的反卷积算法等。

4. 高光谱图像降维与特征选择：高光谱图像包含大量的光谱信息，但其中往往包含冗余和噪声。

为了提取有效的特征并降低计算复杂度，需要进行降维和特征选择处理。

前沿技术包括基于主成分分析的降维算法、基于L1范数的特征选择算法等。

1. 多源数据集成：将高光谱图像与其他光学、雷达、激光等传感器的数据进行集成，融合不同源的数据，可以提供更全面、准确的信息，进一步推动高光谱图像处理技术的发展。

2. 深度学习方法的应用：深度学习在图像处理领域取得了很多突破性的成果，可以有效解决高光谱图像处理中的一些难题。

未来，深度学习方法将更广泛地应用于高光谱图像的目标检测、分类、超分辨率重构等方面。

3. 视频高光谱图像处理：随着高光谱传感器技术的发展，获取高光谱视频图像的能力也得到了提高。

视频高光谱图像处理将成为一个新的研究方向，有望为动态目标检测、跟踪等提供更多的解决方案。

4. 高光谱图像处理算法的实时性：目前，高光谱图像处理算法大都面临着处理效率低、计算复杂度高的问题。

基于深度图像先验的高光谱图像超分辨率重建方法[发明专利]

(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202210147859.X(22)申请日 2022.02.17(71)申请人西安电子科技大学地址 710000 陕西省西安市雁塔区太白南路2号(72)发明人王楠楠　宫朝日　辛经纬　程德　姜馨蕊　(74)专利代理机构西安嘉思特知识产权代理事务所(普通合伙) 61230专利代理师刘长春(51)Int.Cl.G06T 3/40(2006.01)G06T 7/11(2017.01)G06N 3/04(2006.01)G06N 3/08(2006.01)(54)发明名称基于深度图像先验的高光谱图像超分辨率重建方法(57)摘要本发明提供的一种基于深度图像先验的高光谱图像超分辨率重建方法，通过在现有的主体学习网络中加入不基于训练的自动处理网络，通过设计输入处理模块来充分根据网络主体结构调整网络输入，使输入与网络结构产生共鸣，从而充分利用图像先验信息，利用DCNN的内在特征先捕获图像，然后再恢复图像。

本发明所提出的网络结构充分利用了高光谱图像的空间信息和光谱波段之间的相关性学习图像特征，并且此本发明的自动处理网络中的输入处理模块可以自动调整输入结构，可以大大扩展DIP算法的应用，使DIP方法更适合于高光谱超分任务，可以进一步提高了构图像的质量。

权利要求书2页说明书9页附图2页CN 114677271 A 2022.06.28C N 114677271A1.一种基于深度图像先验的高光谱图像超分辨率重建方法，其特征在于，包括：步骤1：获取待超分的图像以及主体学习网络；步骤2：对所述待超分的图像进行边缘裁剪，得到中心区域图像；步骤3：在所述中心区域图像的第一位置区域进行均匀划分，获得非重叠的测试图像样本以及在第二位置区域进行提取，获得待超分的子图像块；其中，所述第一位置区域与所述第二位置区域不存在重叠；步骤4：将已构建的自动处理网络的输出连接所述主体学习网络的输入，以组成超分辨率重建网络；其中，所述自动处理网络包括：输入处理模块以及主体恢复模块，所述输入处理模块内部按照输入在前输出在后，依次包括与输入图像像素数相同的第一卷积层、三个第二卷积层以及一个上采样层，所述主体恢复模块内部按照输入在前输出在后，依次包括一个第二卷积层、一个上采样层、一个注意力模块以及四个第二卷积层，所述自动处理网络包括主干道、参差跳跃通道以及组合通道，主干道由所述输入处理模块的输出连接所述主体恢复模块输入直至所述主体恢复模块输出组成，所述组合通道由输入处理模块的第一卷积层输出直接连接主体恢复模块的输入组成，所述参差跳跃通道由输入处理模块的第一卷积层直接连接所述主体恢复模块的最后一个第二卷积层的输出组成；步骤5：将与所述待超分的子图像块大小相同的白噪声输入超分辨率重建网络中，通过反向传播调整所述超分辨率重建网络的参数降低损失函数直至最佳迭代次数，以使超分辨率重建网络根据所述待超分的子图像块的空间信息与光谱波段的相关性学习所述待超分的子图像块的特征，得到重构后的高光谱图像。

高光谱图像的压缩处理技术研究

高光谱图像的压缩处理技术研究随着遥感技术的快速发展，高光谱图像成为了研究领域的热门话题。

高光谱图像包含了更多丰富的光谱信息，但也带来了数据处理和存储的挑战。

压缩处理技术可以有效地减少高光谱图像的存储和传输成本，同时保持图像质量和信息完整性。

本文将详细探讨高光谱图像的压缩处理技术，包括压缩原理、压缩方法和压缩评测等方面的研究成果。

一、高光谱图像压缩的原理高光谱图像压缩的原理是通过减少冗余信息和利用图像的统计特性来实现数据的压缩。

高光谱图像中的冗余信息主要包括光谱和空间冗余。

光谱冗余是指光谱通道之间存在相关性，可以通过差分编码、预测编码和变换编码等方法实现压缩。

空间冗余是指图像中邻近像素之间存在的相关性，可以通过像素间差分编码、预测编码和小波变换等方法实现压缩。

压缩算法的核心在于如何选择合适的压缩方法来最大程度地减少冗余信息，保证图像质量和信息的完整性。

二、高光谱图像压缩的方法1. 无损压缩方法无损压缩方法是指在压缩过程中不丢失任何图像信息，可以完全恢复原始图像。

无损压缩方法常用的有预测编码方法和基于小波变换的方法。

预测编码方法包括差分编码和预测误差编码，利用图像预测和差分编码的思想来减少冗余信息。

基于小波变换的无损压缩方法通过对图像进行分解和重构，利用小波系数的编码来实现压缩。

无损压缩方法在高光谱图像传输和存储方面具有重要意义，但压缩率相对较低。

2. 有损压缩方法有损压缩方法是指在压缩过程中会有信息丢失，无法完全恢复原始图像，但在保持图像主要特征的前提下实现更高的压缩率。

有损压缩方法常用的有基于变换的方法和基于预测的方法。

基于变换的方法包括小波变换和离散余弦变换等，通过对图像进行变换，将能量集中在少数系数上，再通过量化和编码来实现压缩。

基于预测的方法通过对图像像素进行建模和预测，利用预测误差的编码来实现压缩。

有损压缩方法在高光谱图像处理中被广泛使用，可以实现较高的压缩率，并在一定程度上保持图像质量。

高光谱遥感岩矿端元提取与分析方法研究

ＬＩＵＨａｎ — ｈｕ一．ＹＡＮＧＷｕ — ｎｉａｎ一ａｎｄＹＡＮＧＲｏｎｇ — ｈａ０２
（１．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｅｏｈａｚａｒｄＰｒｅｖｅｎｔｉｏｎａｎｄＧｅｏｅｎｖｉｒｏｎｍｅｎｔＰｒｏｔｅｃｔｉｏｎ，ＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｃｈｅｎｇｄｕ
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６１００５９；６１００５９）
ｎｏｉｓｅｆｒａｃｔｉｏｎ（ＭＮＦ）ａｎｄｐｉｘｅ１ｐｕｒｉｔｙｉｎｄｅｘ（ＰＰＩ）ａｎｄ，ｏｎｓｕｃｈａｂａｓｉｓ，ｅｘｔｒａｃｔｅｄｔｈｅｅｎｄ — ｍｅｍｂｅｒｓｐｅｃｔｒａｂｙ
ｕｓｉｎｇｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌｓｃａｔｔｅｒｄｉａｇｒａｍａｎｄｔｈｒｅｅ — ｄｉｍｅｎｓｉｏｎｌａｓｃａｔｔｅｒｄｉａｇｒｍ，ａａｎｄｃｏｎｄｕｃｔｅｄｔｈｅｒｅｓｅｒｃａｈｏｎｔｈｅ

高光谱图像处理技术的前沿技术和发展趋势

高光谱图像处理技术的前沿技术和发展趋势高光谱图像处理技术是指对多光谱或高光谱图像进行处理，以提取和分析图像中的信息和特征。

随着高光谱遥感技术的发展，高光谱图像处理技术也得到了广泛应用，并取得了许多重要的研究成果。

本文将从前沿技术和发展趋势两个方面对高光谱图像处理技术进行详细介绍。

一、前沿技术1. 高光谱图像分类算法高光谱图像具有较高的光谱和空间分辨率，可以提供丰富的信息，因此在分类算法方面有较大的发展空间。

传统的高光谱图像分类算法主要包括最大似然分类算法、支持向量机分类算法等。

近年来，随着深度学习技术的兴起，基于深度学习的高光谱图像分类算法也取得了较好的效果，如卷积神经网络、循环神经网络等。

2. 高光谱图像压缩算法高光谱图像数据量庞大，传输和存储需要较大的开销。

高光谱图像压缩算法是高光谱图像处理技术中重要的研究方向之一。

传统的高光谱图像压缩算法主要包括无损压缩和有损压缩。

无损压缩算法主要通过数据压缩和编码来降低数据的冗余性，有损压缩算法则在保持图像质量的前提下，通过舍弃一部分信息来减少数据量。

近年来，基于稀疏表示和压缩感知的高光谱图像压缩算法受到了广泛关注。

3. 高光谱图像超分辨率重建算法高光谱图像的空间分辨率较低，存在着不同程度的模糊和失真。

高光谱图像超分辨率重建算法是高光谱图像处理技术中的重要内容。

传统的高光谱图像超分辨率重建算法主要是通过利用多帧或多波段的信息来提高图像的空间分辨率。

近年来，基于深度学习的高光谱图像超分辨率重建算法取得了较好的效果，如生成对抗网络。

二、发展趋势1. 高光谱图像处理技术与人工智能的结合高光谱图像数据具有较高的维度和复杂性，传统的高光谱图像处理技术往往需要人工进行特征提取和分类。

随着人工智能技术的快速发展，高光谱图像处理技术也逐渐与人工智能技术相结合，如深度学习、机器学习等。

人工智能技术可以通过学习和训练自动提取高光谱图像中的特征和信息，进一步提高高光谱图像处理的效果和速度。

一种无监督高光谱图像分类算法概要

第13卷第6期 2008年6月中国图象图形学报Journal of Image and GraphicsV01.13,No.6 June,2008一种无监督高光谱图像分类算法余红伟h2’ 张艳宁2’ 袁和金2’(西北工业大学理学院,西安7100722’(西北工业大学计算机学院,西安710072摘要为了实现对无任何先验知识的高光谱遥感数据的全自动分类,提出了一种关于高光谱图像的无监督分类算法。

该算法将高光谱图像的凸面几何特征与光谱特征相结合,通过自动提取端元,并利用所提取的端元进行类别识别来实现高光谱图像的自动分类。

此算法的特点是原理简单、易于实现、适应性广,而且不需要任何辅助支持和人工干预。

实验结果表明,该算法能够获得较好的分类效果。

关键词高光谱图像无监督分类端元凸面几何原理中图法分类号:TP751文献标识码:A 文章编号:1006-8961(200806-1123.05An Unsupervised Classification Algorithm for Hyperspectral ImagerySHE Hong.wel’1・”,ZHANG Yah—ning”,YUAN He-jin2’”(School ofScience,Nonhwestern Polytechnical University,。

Xi'an 710072”(School ofCompeer Science,Nonhwes阳m Polytechnical University,Xi'an 710072 Abstract In order to classify the data of Hyperspectral remotesensing images automaticallywithout prior knowledge,an unsupervised classification algorithm is presented based On the conception of convex geometry and spectral features in this paper.The endmembers are selected step by step during processing and each endmember can be identified as one class.The advantages of this algorithm are simple in theory,easy to accomplish,widely used,and withoutanymanual assistance. The experiment shows that the classifying result of this algorithm is satisfied.Keywords hyperspectral image,unsupervised classification,endmember,conception of convex geometry1引言高光谱图像处理是一个新兴的研究领域,也是当前图像处理的前沿。

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。

8专题高光谱数据的处理与分析

1.2 大气校正（一、起源）
• 太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器
• 原始影像包含物体表面，大气，以及太阳的信息 • 如果想了解某一物体表面的光谱属性，就必须将它的反射信息从
大气和太阳的信息中分离出来。
示意图
大气散射
邻接反射
直接反射
1.2 大气校正（二、校正方法）
• 遥感图像的大气校正方法很多。这些校正方法按照校正后的结果可以分为2种： - 绝对大气校正方法：将遥感图像的DN(Digital Number)值转换为地表反射率、地表辐射率、地表温度等的方法。 - 相对大气校正方法：校正后得到的图像，相同的DN值表示相同的地物反射率，其结果不考虑地物的实际反射率。
称SMACC）的端元自动提取。
4、高光谱图像物质识别
4 物质识别
• ENVI提供许多波谱分析方法，包括：二进制编码、波谱角分类、线性波段预测（LS-Fit）、线性波谱分离、光谱信息散度、匹配滤波、混合调谐匹配滤波（MTMF）、包络线去除、光谱特征拟合、多范围光谱特征拟合等
4 物质识别
• 专题内容： - 用波谱角分析方法从高光谱图像中识别物质
• ENVI下FLAASH大气校正工具 - 基于MODTRAN4+辐射传输模型 - 支持高光谱和多光谱数据
1.2 大气校正（三、练习）
• 专题内容： - 用FLAASH对AVIRIS航空高光谱数据进行大气校正
• 数据： - “18-高光谱数据的处理与分析\1-大气校正”
2、波谱库
2.1 标准波谱库（一）
• 步骤 - 输入波长范围 - 波谱收集 - 保存波谱库
2.3 波谱库交互
•波谱库浏览器提供很多的交互功能，包括设置波谱曲线的显示样式、添加注记、优化显示曲线等

一种高光谱遥感影像端元自动提取方法

ｅａｌｆＯＭＩｙｅｓｅｔａｍａｅａｄｔｅｅｐｒｍｅｔｌｒｓｌｉｄｃｔｓｔａｈｌｏｉｍｆｅｔｖｎａｉｈｄｇｅｘｍｐｅｏＳｈｐｒｐｃｒｌｉｇ，ｎｈｘｅｉｎａｅｕｔｎｉａｅｈｔｔｅａｇｒｈｉｅｆｃｉｅａｄｈｓｈｇｅｒｅｔｓ
ＡｎＡｕｏｔｃＥｎｍｅｂｒＥｘｒｃｉｎＡｌｏｉｍｒｍｐｒｐｃｒｌＩｇｔｍａｉｄｍｅｔａｔｏｇｒｔｈｆｏＨｙｅｓｅｔａｍａｅ
ＷＡＮＧａｑｉｇＸｉｏｎ。～，ＤＵｅ－ｕ０，ＰｉｎＴＡＮｎ，ＡＯｅ ① ｊＫｕ０ＣＷｎ
ｏｔｆａｕｏｍａｔｏ．ｉｎ
Ｋｅｒｓ１ｅｐｃｒｌｍｉｔｒｄｌｃｎｅｉｌｘ；ｎｍｅｅｙｗｏｄ：ｉｒｓｅｔａｘｕｅｍｏｅ；ｏｖｘｓｍｐｅｅｄｍｂｒｎ
１引言
高光谱遥感影像波段多、信息量大，提供更丰富的地物信息，利用高光谱进行目标检测、影像分类和参数反演是当前遥感科学技术领域的研究热点。由于传感器的空间分辨率以及地面的复杂多样性，混合像元普遍存在于遥感图像中。有效提取纯净像元
（ＣｉａＵｉｅｓｙｏｎｎｎｅｈｏｏｙ，ｅｂｒｔｒｏｎｖｒｎｅｔｎ ① ｈｎｎｖｒｉｆＭｉｉｇａｄＴｃｎｌｇｋｙｌｏａｏｙｆｒａｄＥｎｉｏｍｎｄｔａｌａ

联合解混及自适应端元提取的高光谱图像分类方法[发明专利]

专利名称：联合解混及自适应端元提取的高光谱图像分类方法专利类型：发明专利
发明人：张艳宁,魏巍,孟庆洁,张磊
申请号：CN201310240655.1
申请日：20130617
公开号：CN103310230A
公开日：
20130918
专利内容由知识产权出版社提供
摘要：本发明公开了一种联合解混及自适应端元提取的高光谱图像分类方法，用于解决现有基于光谱解混的高光谱图像分类方法误差大的技术问题。

技术方案是首先对图像进行粗分类，继而利用混淆矩阵实现各类别的端元集提取。

通过获得的端元集对各类别中的训练样本进行线性光谱解混，利用其丰度值优化基于多元逻辑回归的概率分类器，获得较优分类结果。

根据分类结果实现类别的端元集更新。

迭代此过程，不断优化分类器，提高了分类精度。

本发明在模拟数据集和两个真实高光谱数据集AVIRIS Indian Pine数据和ROSIS Pavia University数据上的测试结果表明，平均精度分别为81.98%，62.19%，82.38%。

申请人：西北工业大学
地址：710072 陕西省西安市友谊西路127号
国籍：CN
代理机构：西北工业大学专利中心
代理人：王鲜凯
更多信息请下载全文后查看。

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)。

在对地观测、事侦察和深空探测等方面有广泛的应用前军
景，：美国利用高光谱技术实现空一如空导弹目标自文采取有损压缩技术和端元提取技术相结合的数据压
缩方法。系统流程框图如图１所示。
法存在大压缩比与光谱特性信息准确保留的矛盾，即使现有最优有损压缩方法也不能够得到令人满意的结果。文章基于混合像元分解的思想提出基于端元提取技术的数据有损压缩方法来解决该矛盾，首先用顶点
成分分析（Ｃ方法提取场景中地物的端元光谱，据各端元与观测像元之间的光谱间余弦角相似性度量ＶＡ）根
Ｊｌｕｙ，２００８
端元提取技术在高光谱图像压缩中的应用
张立燕，谌德荣，鹏陶
北京理工大学宇航科学技术学院航天测试测控实验室，北京１０８００１
摘
要
高光谱图像海量数据如何实现大比例有效压缩是限制其应用的主要问题之一，而现有有损压缩方
秀有损压缩方法（ＪＥ２０）不能够得到令人满意的结如ＰＧ００也
果。
Ｉ丰及广］
本系统主要包括端元提取及丰度估计和数据压缩两部分。端元提取及丰度估计首先将提取出场景中主要组成成分
高光谱图像空间分辨率较低，像元往往是包含多种地物的混合像元，用端元光谱对有损压缩造成的光谱信息损失进行弥补是有效且可行的方法，尤其对于地物构成简单而几何
关键词高光谱图像；端元提取技术；有损压缩
中图分类号：７１１ＴＰ５．文献标识码：Ａ文章编号：１０ —５３２０）７１４ —４０００９（０８０ —４５０
分布零散的图像信息。因此本文提出了结合端元提取技术的
引言
损缩厂压ｌ兰竺Ｉ
端元 — — —、无损
像
提Ｉ元谱ｌ缩Ｉ缩端取端光压压后
而，信息恢复准确性的要求不能够降低，目前的通用有损压缩方法不能够保证光谱维信息的有效保留。另外，高光谱图像的应用主要是为目标探测和识别服务，而为视觉服务的优
Ｉ孺啊
统的研究专利Ｌ。高光谱图像的应用主要是借助其光谱测量】］特性，：于光谱特征实现高光谱遥感影像的检索Ｌ。因如基２］
此，在存储、传输和处理中，光谱曲线数据的准确保留是重要的评价指标。
海量数据的大比例压缩与光谱数据准确恢复的矛盾随着
方法估计各端元的丰度，接着对端元光谱及丰度数据进行无损压缩，最后利用ＪＥ００有损压缩方法对高ＰＧ２０
光谱图像的所有单波段图像进行空间维大比例有损压缩。ＡＶＩＩＲＳ高光谱图像的仿真结果表明，压缩比得到大幅度提高，光谱信息得到有效恢复。在实现压缩比为５１，０：时大部分像元的光谱角误差在２％左右。
维普资讯
１４４６
利于在地面实现数据恢复。１１端元提取技术．
光谱学与光谱分析
第２卷８
Ｉ）Ｗ是零均值随机高斯向量，ｐ，协方差是Ｉ；ｐｆ是正交于由ＦＩｌ张成的子空间的向量。Ａ］Ｉ：将（）３式得到的超平面上的数据投影到（）４式给定的方向上，到下式得
维普资讯
第２卷，７８第期２００８年７月
光
谱
学
与
光
谱
分
析
Ｖｏ．８Ｎｏ７ｐ１４ — ４８１２，．，ｐ４５１４
ＳｅｔｏｃｐｎｐｃｒｌＡｎｌｓｓｐｃｒｓｏｙａｄＳｅｔａａｙｉ
光谱分辨率的不断提高而加剧。目前无损压缩技术高光谱图
高光谱图
像压缩还是研究和应用的主要方法，但是许多应用（：目如
标自动识别系统）需要图像数据实时传输，无损压缩的压缩比不能满足需要，使得有损压缩技术的研究引起关注；然
收稿日期：２０ —５１。修订日期：２０ —８２０７０ —００７０ —０
及每个像元中各成分所占的比例（丰度）数据压缩包括端元；
光谱及丰度的无损压缩和立方体的空间维有损压缩。方法该
基金项目：国防基础科研项目资助作者简介：张立燕，，１７女９７年生，北京理工大学宇航科学技术学院国家重点实验室博士研究生ｅｍａｌｚａｇｉａ００２．ｏ－ｉｈｎｌｎ１＠１６ｃｍ：ｙ
一
端元提取技术是将光谱混合分解得到的端元中感兴趣的端元提取出来的技术。顶点成分分析（Ａ）ＶＣ是一种光谱解混
高光谱图像具有图谱合一的特性，不仅可以对地物的物理特性进行光谱测量，还能够对场景的空间结构进行成像。
数据有损压缩方法，首先用顶点成分分析（ｅｔｘｃｎｅｔｖｒｅｏｔｎａａｓ，ＶＡ）。方法提取场景中地物的端元光谱，用光谱ｎｌｉＣ［ｙｓ间相似性估计其丰度，接着对端元光谱及丰度数据进行无损压缩，最后对整个数据立方体进行大比例有损压缩。