- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
重加权局部协同稀疏回归用于高光谱解混
摘要： 稀疏解混基于这样一个假设：高光谱图像中的每个混合像元都可以表示为光谱库中已知纯端元光谱特征的线性组合。协同稀疏回归通过求解联合稀疏回归问题来提升解混效果，该方法对数据集中所有像元同时施加稀疏性约束。然而高光谱图像具有丰富的空间相关性，可被用于更精确地估计端元丰度。本研究基于迭代重加权算法和局部协同稀疏解混方法，提出了重加权局部协同稀疏解混（RLCSU）算法。通过同时运用迭代重加权最小化和局部协同稀疏解混（分别在模型中引入光谱信息和空间信息），显著提升了稀疏解混性能。该优化问题通过变量分裂与增广拉格朗日算法简易求解。我们采用模拟和真实高光谱数据集进行实验验证，结果表明：在所有考虑的信噪比（SNR）水平下，特别是低噪声情况下，所提RLCSU算法均获得优于LCSU和CLSUnSAL算法的信号重建误差比（SRE，单位dB）。当SNR=50dB时，针对模拟数据1，RLCSU算法取得30.01的SRE(dB)值，显著优于LCSU算法（20.08）和CLSUnSAL算法（17.28）。这证明本方法是有效且精确的光谱解混算法。
关键词： 高光谱解混、光谱解混、重加权局部协同、空间信息、稀疏回归
更新于2025-09-23 15:23:52
-
基于权值序列几何法的高光谱数据端元数量估计
摘要： 遥感器获取的地表反射或发射光谱以像素为单位记录。大多数情况下，单个像素通常包含多种地物类型，这类像素称为混合像素，其中每种地物类型被称为"端元"。估算端元数量是目标分类、端元提取等多项高光谱数据挖掘技术的关键步骤。本文提出一种基于权重序列几何的端元数量分离检测方法：首先通过特征值分解将光谱矩阵投影至正交子空间；继而基于归一化特征值序列，创新性地采用几何准则寻找主因子与次因子的分离点；最终根据"分离点"序列确定端元数量。经多组模拟与真实高光谱数据验证，该方法无需任何先验信息即可准确快速地检测高光谱数据中的端元数量。此外，该新方法也适用于未来超高分辨率遥感光谱数据。
关键词： 端元数量、高光谱数据、分离检测方法、高光谱解混
更新于2025-09-23 15:22:29
-
[2018年第三届IEEE信号与图像处理国际会议（ICSIP）- 中国深圳（2018.7.13-2018.7.15）] 2018年第三届IEEE信号与图像处理国际会议（ICSIP）- 高光谱解混的鲁棒非负局部坐标分解
摘要： 近年来，非负矩阵分解（NMF）在高光谱解混（HU）领域日益受到关注。由于NMF理论具有非凸特性，其对初始值和各类噪声较为敏感。为获得更精确、鲁棒的解混模型，本文提出一种名为鲁棒非负局部坐标分解（RNLCF）的新方法。该方法在融合经典NMF函数与相关熵诱导度量NMF函数的复合损失函数中引入局部坐标约束。针对RNLCF的求解，我们开发了乘法更新规则。合成数据与真实数据的实验结果表明，相较于代表性方法，RNLCF具有显著有效性。
关键词： 局部坐标，相关熵诱导度量，高光谱解混（HU），非负矩阵分解（NMF）
更新于2025-09-23 15:22:29
-
基于部分线性非负矩阵分解的城市高光谱遥感数据中光伏板检测与面积估算解混方法
摘要： 高光谱分辨率的高光谱数据由传感器采集，这些传感器从电磁波谱中数百个狭窄且连续的波段获取图像。这些数据为城市地区地表特征描述和精确识别提供了独特机遇。迄今为止，利用这些数据自动检测和估算光伏面板面积的研究较少，而光伏面板目前是发达国家城市地区可再生能源系统的重要组成部分。本文提出两种基于高光谱解混的光伏面板表面检测与估算方法。这些与线性光谱解混(LSU)技术相关的方法基于新型非负矩阵分解(NMF)算法，该算法利用已知面板光谱，属于部分NMF方法。第一种方法称为Grd-Part-NMF，是基于梯度的方法；第二种方法称为Multi-Part-NMF，采用乘法更新规则。为评估这些方法的性能，在城市区域获取的真实合成高光谱数据和机载高光谱数据上开展实验。对于合成数据，结果表明所提方法的整体性能显著优于现有文献中基于NMF解混的方法。对于真实数据，首先通过相同区域的高空间分辨率正射影像验证了检测和面积估算结果，随后与标准NMF解混方法及单类分类方法的结果进行对比。比较显示，本文方法优于现有文献方法。
关键词： 光伏板、检测与面积估算、城市区域、高光谱解混、高光谱成像、部分非负矩阵分解
更新于2025-09-16 10:30:52
-
基于双约束多层非负矩阵分解的高光谱解混方法
摘要： 高光谱解混（HU）是指将整幅高光谱图像分解为一组端元及其对应丰度分数的过程。非负矩阵分解（NMF）因其简单高效而被广泛应用于高光谱解混。由于传统NMF存在较大的解空间，学界也发展了许多NMF扩展方法。另一方面，多层结构在学习数据表征方面展现出显著优势。受此启发，本文在多层NMF结构中引入稀疏性和几何结构约束，提出了一种用于高光谱解混的双约束多层NMF（DCMLNMF）方法。该多层NMF结构通过迭代将目标矩阵分解为多个层级获得。为提升解混性能，每层均引入丰度矩阵的稀疏性约束项和图正则化项。此外，还进一步提出基于Nesterov最优梯度法的逐层优化方法来解决多因子NMF问题?；诤铣墒莺驼媸凳莸氖笛榻峁砻鳎梅椒ㄓ庞诙嘀窒钟邢冉惴?。
关键词： 稀疏性约束、高光谱解混、图正则化、多层结构、非负矩阵分解
更新于2025-09-10 09:29:36
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 用于稳健高光谱解混的约束非负矩阵分解
摘要： 高光谱解混（HU）是高光谱图像（HSI）分析的关键步骤。实际高光谱数据中常存在特定波段的异常波动，这类干扰可视为稀疏噪声。此类污染会严重破坏高光谱图像质量，导致解混过程面临额外困难。然而现有解混方法往往忽略稀疏噪声的影响，从而降低了解混任务的鲁棒性与准确性。为此，我们提出一种考虑噪声污染的新型解混模型。通过在非负矩阵分解（NMF）中设计并施加考虑噪声稀疏性、端元特性及丰度特性的约束条件，该方法能有效抑制稀疏噪声，获得更鲁棒精确的解混结果。我们在合成与真实高光谱数据上进行了充分实验，结果表明所提方法较现有先进方法具有显著优势。
关键词： 稀疏噪声，高光谱解混，非负矩阵分解，鲁棒性，约束
更新于2025-09-10 09:29:36
-
稀疏字典学习在盲高光谱解混中的应用
摘要： 字典学习（DL）因底层数学模型的相似性已成功应用于盲高光谱解混。两者均采用线性混合模型，且通常会引入稀疏性与非负性约束。然而主流稀疏DL算法受限于预设合适稀疏度的困难。为解决该问题，本文提出一种高效算法来寻找1-范数正则化问题的所有路径，并为最终丰度估计选择最优变量集?；诟盟惴ǎ颐巧杓屏擞糜诟吖馄捉饣斓腄L框架。实验结果表明，本方法在DL性能与高光谱数据重建方面均显著优于传统方法，更重要的是它缓解了稀疏度预设的难题。
关键词： 稀疏编码、字典学习（DL）、高光谱解混、1-正则化、路径算法
更新于2025-09-09 09:28:46
-
[IEEE 2018年第十届传感器阵列与多通道信号处理研讨会(SAM) - 谢菲尔德(2018.7.8-2018.7.11)] 2018年IEEE第十届传感器阵列与多通道信号处理研讨会(SAM) - 非适定高光谱混合像元解混新理论
摘要： 高光谱解混（HU）作为盲源分离问题，旨在从测量的高光谱混合数据中明确识别物质的光谱特征及其丰度。实际高光谱场景中常存在光谱特征高度相关的情况，这使得高光谱解混极具挑战性。尽管这种病态条件对有效解混至关重要，但现有高光谱解混文献往往忽视该问题。据我们所知，现有用于降低特征矩阵条件数的预处理技术均基于纯像素假设——而该假设在遥感应用中可能严重失效。本文针对比纯像素假设更宽松的纯度条件，提出了分解病态高光谱混合数据的新理论：通过分裂增广拉格朗日收缩算法（SALSA）精确识别约翰椭球体（即包含于高光谱数据向量凸包内的最大内接椭球），并将该椭球体转换为欧几里得球体。此转换将数据向量映射至新空间，其中对应的物质特征向量构成规则单纯形——这是一种极强的先验信息。基于该先验，我们设计了高光谱解混准则，并证明其在极温和的充分条件下具有完美可辨识性。随后论证了通过非凸优化实现该准则的可行性，并确?；竦米さ憬?。
关键词： 分裂增广拉格朗日收缩算法、高光谱解混、纯像素假设、非凸优化、约翰椭球体
更新于2025-09-09 09:28:46
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 用于高光谱图像解混的深度自编码器网络
摘要： 本文提出了一种深度自编码网络，用于处理含异常值且信噪比较低的高光谱数据解混问题。该深度自编码网络由两部分组成：第一部分采用堆叠非负稀疏自编码器学习光谱特征，从而为网络提供良好的初始化；第二部分使用变分自编码器执行解混，旨在获取端元光谱特征和丰度分数。通过合成数据集验证了所提方法的有效性，在与现有最先进解混方法的对比中，本方法展现出极具竞争力的性能。
关键词： 变分自编码器、高光谱解混、非负稀疏自编码器、深度学习
更新于2025-09-04 15:30:14