安卓版下载

端元

  • 生成对抗网络的无监督高光谱解混
    像素点是由若干个端元的谱线与其各自的丰度系数线性组合而成。其中基于几何以及统计的模型是传统解混的两大主流方法。基于几何的方法是将图像中的像元投影到若干子空间中，并将单形体的顶点看做为图像端元。顶点分量分析VCA（Vertex Component Analysis），N-FINDR 即为属于这一类的代表方法。这类方法简便快捷，但是需要光谱数据满足纯端元的假设。对于空间分辨率相对较低的高光谱数据，该类纯端元假设可能不成立。基于统计的解混模型框架不需满足图像中的

    遥感学报 2023年8期2023-09-09

  • 多端元模式下高光谱图像解混的不确定性问题
    明确,在已知光谱端元的情况下解混效率和精度均较高,故得到广泛使用[5]。在一般的解混过程中,一个端元用于代表一个类别的地物,即单端元解混,但由于真实的物理环境中高光谱数据的采集和接收会产生一些无法避免的干扰,以及成像地物本身存在类内光谱变化等特点,这种方式的不准确性导致解混误差过大[6]。多端元解混技术在一定程度上克服了单端元解混的不足之处。Roberts等提出的多端元光谱混合分析(MESMA)算法,通过寻找大量的多端元组合模型为每一个像元找出使其解混结果

    大连民族大学学报 2023年3期2023-07-13

  • 图正则重加权稀疏约束的深度非负矩阵分解算法用于高光谱图像解混
    分解成一组最纯的端元光谱和其对应的组成丰度的技术[6]。高光谱解混是解译高光谱图像的一种重要途径，因此对高光谱解混算法的研究变得格外重要。当前高光谱图像混合像元分解算法可以大致分为三类。第一类是无监督解混算法，这一类算法从图像中提取指定数目端元，然后再采用全约束最小二乘算法估计端元对应的丰度。典型的算法包括顶点成分分析法（vertex component analysis, VCA ）[7]，空间能量约束的最大单纯形体积法（spatial energy p

    中国测试 2022年12期2023-01-12

  • 全变差稀疏约束深度非负矩阵分解高光谱遥感影像解混方法
    成纯净物质组分(端元)及其所占比例(丰度)来提高信息提取精度。非负矩阵分解模型理论严谨，且易于与物理先验相结合，在高光谱解混中得到广泛应用。但由于目标函数的非凸性，导致解空间不唯一，降低了解混精度。故研究者们在目标函数中加入约束来提高算法精度。文献[8]将分段平滑度和稀疏性引入非负矩阵分解，同时保留了光谱数据的不连续性。文献[9]考虑本征流形结构，保持了原始影像和丰度图之间的紧密联系。文献[10]受到深度学习的启发，考虑了隐含信息的层次特征，解决了神经网络

    电子科技 2023年2期2023-01-04

  • 基于优化K-P-Means解混方法的高光谱图像矿物识别
    分分析、最小二乘端元提取算法等[6-9]。在前人工作的基础上，Roberts等[10]提出了经典的迭代光谱解混方法(MESMA)； Asner等[11]引入蒙特卡洛理论，将其与迭代解混理论有效结合起来，提出了AutoMUC方法； Song[12]介绍了一种基于贝叶斯决策的BSMA方法； 吴柯等[13]提出了基于神经网络的端元可变解混方法； 林红磊等[14]提出基于单次散射反照率的矿物高光谱稀疏解混方法。上述高光谱解混方法虽然反演精度有了很大的提高，但是经典

    自然资源遥感 2022年3期2022-09-20

  • 基于扩展线性模型的多端元高光谱图像分组寻优解混方法
    图像中混合像元的端元组成是以线性比例完成的，即到达成像光谱仪的光子在传播过程中只与成像区域中的一种地物发生作用，而不考虑光子在多种地物之间的多重散射作用。当光子在地物之间发生多重散射作用时，就需要考虑使用非线性光谱混合模型对像元进行建模。非线性光谱混合模型更符合实际的高光谱图像成像原理，但是与线性光谱混合模型相比，非线性光谱混合模型使用起来较为麻烦，因此在大多数高光谱图像混合像元解混文章中均使用线性光谱混合模型对混合像元进行建模。使用线性光谱混合模型对混合

    舰船电子对抗 2022年4期2022-08-30

  • 基于再权重稀疏和正交约束非负矩阵分解的高光谱图像解混
    像元分解时，关于端元和丰度都是未知的，而非负矩阵分解受初始的端元和丰度影响比较大，因此初始化所用的端元提取算法和丰度估计算法也是十分重要的。常用的端元提取算法有最大体积法N-Finder[1]和顶点成分分析(Vertex Component Analysis,VCA)[2]等。丰度估计较常用的算法有全约束最小二乘法(Fully Constrained Least Squares,FCLS)[3-4]等。非负矩阵分解(Nonnegative Matrix F

    计算机应用与软件 2022年7期2022-08-10

  • 基于子空间结构正则化的L21非负矩阵分解高光谱解混
    光谱的集合，称为端元，以及每种端元在该像元中的相应比例，称为丰度[3]。高光谱解混主要依赖于两种混合模型：线性混合模型(Linear Mixing Model, LMM)和非线性混合模型[4](Nonlinear Mixing Model, NMM)。非线性混合模型难以物理建模和恢复，而线性混合模型因其简单而有效的混合过程备受关注。基于LMM，像元分解技术通常可以分为基于几何、稀疏回归和统计3种方法[5]。几何算法假设高光谱数据存在于凸单形体中，端元精确地

    电子与信息学报 2022年5期2022-05-31

  • 最小体积和平滑性约束的非负矩阵分解高光谱解混算法
    各个物质(称之为端元)及其对应所占的比例(称之为丰度)[1-3]。近来,关于混合像元分解的方法层出不穷,总的来看,可以把这些分解方法分为两类。第一类,两步法(two step methods,TSM)；第二类,一步法(single step methods,SSM)。两步法首先从混合像元中提取出各个物质端元,然后反演计算出各端元所对应的丰度。常用的端元提取算法有顶点成分分析法[4](vertex component analysis,VCA)、纯像素指数[

    北京测绘 2022年4期2022-05-18

  • 空谱协同多尺度顶点成分分析的高光谱影像端元提取
    将混合像元分解为端元光谱和相应的丰度比例，从而为解决这一问题提供了重要的技术支撑。其中端元提取在整个解混过程中占据重要地位，对于确保解混结果的准确性具有重要的意义[4]。端元提取是从高光谱影像中提取纯净的地物光谱曲线。目前高光谱端元提取算法主要分为以下5大类[5]：几何单形体体积法、统计误差法、空间投影法、融合空间信息的端元提取算法、稀疏回归算法。几何单形体体积法基于图面几何体理论，利用高光谱点云数据在特征空间中呈现的凸面单形体结构，寻找顶点作为高光谱影像

    测绘学报 2022年4期2022-04-25

  • 基于约束误差不变的高光谱图像端元优化模型*
    一光谱特征(称为端元)的线性组合。在线性混合模型的假设下，端元提取算法可以分为端元选择和端元生成两类[1]。端元选择算法假设数据集中存在恰好为端元的像元，通过一定方法将最有可能成为单形体顶点的像元选择出来。比如纯像元指数算法(pixel purity index，PPI)[2]，NFINDR[3]，以光谱信息熵改进的NFINDR[4]，单形体膨胀算法(simplex growing algorithm, SGA)[5]，顶点分析法(vertex compo

    中国科学院大学学报 2022年1期2022-01-19

  • 基于Sentinel-2A和Landsat8的城市不透水面的提取
    该像元中所有地物端元反射率的线性组合[17]。首先从混合像元内各类端元的纯净像元获取端元的光谱信息，然后通过光谱解混计算，可以得到混合像元中高反射率和低反射率不透水面的面积比例，得到不透水面的面积比例，即不透水面盖度。由于环境影响，以及在特定波段上不透水面的光谱特征与其他地物相似，导致不透水面的提取精度较低[18]。在LSMA解混过程中，端元选择是至关重要的一步[19]，原因在于LSMA是基于某一端元光谱特性，判断混像元内该类端元的面积比例，因此，所选取端

    自然资源遥感 2021年2期2021-07-08

  • 基于L0稀疏约束的近似NMF高光谱解混
    相应的地物信息(端元)，及这些端元所占像元的比例(丰度)。如何精确而又方便的处理混合像元分解问题，这是高光谱遥感技术所要处理的关键问题。非负矩阵分解(NMF)旨在将非负矩阵X分解为非负矩阵A和S的乘积，即X≈AS，这种模型能够很好的描述高光谱解混的线性模型。高光谱数据解混通常还要加入两个限制项：端元丰度非负性约束(ANC)和丰度和为一约束(ASC)，但这两个限制项只是先验知识的一部分。由于NMF经典理论是基于整块数据进行分解，当数据很大时，计算量也非常大，

    南昌工程学院学报 2021年1期2021-03-29

  • 针对高光谱端元提取的空谱联合预处理方法
    是纯像元，又称为端元。因此，为了提高高光谱遥感应用的精度，就必须进行高光谱解混合，使高光谱遥感应用由像元级达到亚像元级[10-12]。高光谱解混合通常分为两个步骤：端元提取和丰度反演。即先从整个高光谱图像中提取含某一种地物的比例较高的像元作为端元，再针对每个像元求解对应各端元的丰度系数。其中如何从高光谱数据中准确提取端元是高光谱解混合的关键，也一直是国内外学者的热点研究问题。目前已经有不少成熟的端元提取方法被提出和引用，其中利用高光谱数据凸面几何特性的方法

    液晶与显示 2020年9期2020-09-09

  • 结合分层和ADMM 的高光谱图像解混方法
    高光谱图像中总的端元种类； sp表示第p 个端元，维度和像元的相同， apk表示第p 个端元在第k 个像元中所占的比例； ek表示噪声，维度也和像元相同。将式(1)运用到整幅图像则可以将其写成矩阵形式：考虑到实际场景中存在SV，可以将一种映射关系作用到端元向量上，那么式(1)可以重新写为这种映射关系表示成 fpk，作用到对应的端元上就表示端元产生了变异，传统的LMM 在描述高光谱数据时具有的特殊优点，同时考虑SV 和LMM时，令 fpk=ψksp，则式(2

    应用科技 2020年3期2020-08-31

  • 结合局部空谱信息的高光谱图像多端元提取
    组组分光谱，称为端元，与相应组分所占的比例，称为丰度，是解决混合像元的有效方法[2]。提取混合像元中基本组成成分特征光谱的过程称为端元提取，而计算各个端元在混合像元中所占比例的过程称为丰度反演。端元提取是混合像元分解的必要前提，端元提取的好坏是混合像元分解效果的关键。当前研究中，基于光谱数据在其特征空间中呈凸面单体的几何特性，从特征空间搜索单体顶点是端元提取最成功、最广泛的方法。典型方法包括：像元纯度指数(PPI)[3]、自动目标生成(ATGP)[4]、顶

    沈阳理工大学学报 2020年2期2020-08-01

  • 基于丰度分布约束的NMF端元生成方法*
    型的纯像元(称为端元)光谱的线性组合。基于LMM的端元提取方法主要分为端元识别类方法和端元生成类方法。端元识别类方法包括纯像元指数法(pixel purity index, PPI)[1]、正交子空间投影法(orthogonal subspace projection, OSP)[2]、顶点成分分析法(vertex component analysis, VCA)[3]、高斯消元法(Gaussian elimination method,GEM)[4]、N

    中国科学院大学学报 2020年4期2020-07-13

  • 基于线性解混的高光谱图像目标检测研究
    不是图像中的主要端元，在解混过程中很有可能被视作误差而忽略[10]，为了达到识别小目标以及伪装目标的目的，本文中提出通过去端元的方法进行目标检测。1 混合模型的建立1.1 复杂背景下的光谱混合模型根据遥感成像原理，可以建立起植被覆盖情况下传感器接收的像元线性光谱混合模型:X(λ)=KLj(λ)=(1)将植被看作一种端元，混合像元光谱率反射信号X(λ)可以表示为：(2)式中,ej(λ)为其它地物光谱的辐射亮度，eveg(λ)为植被光谱的辐射亮度，αj为第j种

    激光技术 2020年2期2020-04-09

  • 改进鲸群优化子空间匹配追踪的稀疏解混算法
    种单一特征地物(端元提取)，并估计其所占混合像元的比例(丰度系数).目前，高光谱混合模型分为线性混合模型和非线性混合模型[2].线性高光谱模型物理原理简单以及计算量小，是目前备受青睐的高光谱图像解混模型[3].传统线性高光谱图像解混方法是在没有包含任何先验知识下假设纯像元的存在.为摆脱此局限，近年来，随着压缩感知以及稀疏表示理论的快速发展，有学者将稀疏性约束引入到高光谱图像处理中，以期更好地挖掘先验信息[4].由于光谱库中的端元数远大于混合像元中的实际端元

    深圳大学学报（理工版） 2020年1期2020-01-06

  • 分组寻优的多端元高光谱图像解混方法
    线组成一个完整的端元集；最后将得到的端元集作用于图像中的像元。经过上述几个步骤之后，将会得到端元集中的每种地物光谱曲线在像元中所占的比例。端元可以从对应的光谱库中提取或经过实地测量得到，还可以利用 N−FINDR、PPI、IEA等端元提取算法从指定的高光谱图像中提取。在没有考虑端元光谱曲线的变异之前，代表某种地物的端元光谱曲线一般只有一条，然后利用这些端元光谱曲线组成的端元集去处理混合像元。但是这样做会对分解结果造成不良的影响。由于成像光谱仪所覆盖的实际地

    应用科技 2019年6期2019-12-19

  • 南昌地区不透水面遥感估算研究
    统与手动方法选取端元，使用Landsat 8 OLI数据对研究区不透水面覆盖度（Impervious Surface Coverage，ISC）进行提取，并对初步提取的不透水面采用NDVI阈值法进行优化处理。对于模型的分解精度，RMS平均值为0.008 812，达到精度要求。提取结果经精度验证，提取的不透水面盖度的均方根误差为0.139 8，平均绝对误差为0.080 9，具有较高的精度。最后，对南昌部分地区进行不透水面盖度统计，并对其进行空间分布分析。研究

    安徽农业科学 2019年14期2019-08-27

  • 结合空间信息选取最优端元组合的混合像元分解
    像元都包含全部的端元光谱，对每个端元给出一个对应的丰度估计，但这往往与实际情况并不相符[1-4]。实际上混合像元并不一定包含所有端元，而是由其中的一小部分端元混合而成，即混合像元只包含一个端元子集。混合像元中实际所包含的端元也互不相同，因此混合像元所包含的端元是可变的。常用的线性混合模型在混合像元分解过程中将所有的端元都纳入考虑范围，对每个端元向量都进行丰度估计，因此存在过拟合的分解误差。为了解决混合像元端元可变问题，国内外一些学者对如何选择混合像元的最优

    测绘通报 2019年7期2019-08-07

  • 深度学习自编码结合混合蛙跳算法提取农田高光谱影像端元
    取农田高光谱影像端元韩立钦1,2，张耀南1※，秦其明3（1. 中国科学院西北生态环境资源研究院，兰州 730000；2. 中国科学院大学，北京 100049； 3. 北京大学地球与空间科学学院，北京 100871）针对农田高光谱遥感影像端元提取和混合像元分解精度不高的问题，该文提出了利用深度学习自编码结合混合蛙跳算法的农田高光谱影像端元提取方法。首先，利用深度学习的栈式自编码模型对高光谱影像进行光谱特征提取，优选出备选端元集合；然后将影像端元提取问题转化为

    农业工程学报 2019年6期2019-05-11

  • 基于解混预处理的高光谱目标检测方法*
    光谱图像中隐藏的端元信息。Chang在文献[3]中首次提出利用NCLS（Nonnegative Constrained Least Squares）算法来进行目标探测，文献验证了利用解混进行目标探测的可行性，并得出在目标能被当作端元提取时，利用解混目标探测算法的探测效果优于传统的目标探测算法。本文在文献[3]的基础上提出了一种新的利用解混的目标探测算法，改进的NCLS算法（I-NCLS），解决了文献[3]中如果目标不能当作端元，提取探测效果差这一问题，并利

    火力与指挥控制 2018年12期2019-01-14

  • 高光谱解混方法研究
    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]。高光谱像元解混主要分为线性和非线性解混，线性光谱解混相对简单易行，非线性解混考虑了物体的二次散射效应，更符合实际光谱采集情况，但情况相对复杂，相关因素众多，导致解混难度大，仍处于研究初期[3-4]。本文中主要介绍线性光谱解混，经过线性光谱解混,得到混合像元中各个端元在每个像元中所占的比例，该比例称为丰度，该过程称为丰度反演。高光谱线性解混

    激光技术 2018年5期2018-11-01

  • 高光谱影像端元提取算法研究与分析
    敏华高光谱影像端元提取算法研究与分析田珊珊1,2,杨敏华11. 中南大学 地球科学与信息物理学院, 湖南 长沙 410083 2. 中南大学 有色金属成矿预测与地质环境监测教育部重点实验室, 湖南 长沙 410083高光谱影像混合像元分解技术将遥感分类问题深入到了亚像元级别，端元提取是混合像元分解中的重要步骤。本文选择了基于体积的N-FINDER算法、基于投影和变换的VCA、OSP算法、基于最优化的MVSA算法，结合SPP算法对数据进行预处理，利用模拟数

    山东农业大学学报（自然科学版） 2018年5期2018-10-22

  • 粒子群空间优化的端元提取算法
    究如何有效地进行端元提取具有重要的意义。基于线性混合模型（Linear Mixing Model，LMM）的端元提取算法最为丰富[1]。过去几十年中大量端元提取算法相继被提出，其中比较流行的算法有纯净像元指数（Pixel Purity Index，PPI）[2]、顶点成分分析（Vertex Content Analysis，VCA）[3]、最小体积约束的非负矩阵因数分解算法（Minimum Volume Constraint Nonnegative Mat

    计算机工程与应用 2018年11期2018-06-01

  • LSMA结合NDBI提取广州市部分城区不透水面的方法
    地表类型分为4类端元，并提出了线性光谱混合分析（LSMA），已成为广泛应用于中分辨率遥感影像中的不透水面反演方法[8-17]。遥感影像中不透水面基本表现为高反照率地表与低反照率地表的组合[18]，不透水面盖度（ISC）是指某区域内不透水面覆盖面积与区域面积的比例[19]。LSMA可在亚像元尺度上提取ISC，端元选取是关键步骤[20]。因混合像元（如砂石和砂土等地物）与不透水面光谱差异较小，将影响端元精度，导致透水表面区域ISC较高。樊风雷[21]等利用相关

    地理空间信息 2018年3期2018-03-27

  • 纯净像元指数改进的N-FINDR高光谱端元提取算法
    要的步骤之一就是端元提取，端元提取之后对各个端元比例的求解称为丰度反演[2]。目前，运用最为广泛的提取端元的算法主要有纯净像元指数(PPI)[3]、单形体最大体积法(N-FINDR)[4]、顶点成分分析(VCA)[5]、迭代误差分析(IEA)[6]等。丁海勇[7]提出利用卡方分布改进N-FINDR端元提取算法，在给定的概率水平下，利用卡方分布来构造候选端元集合。杨可明等[8-9]提出了基于光谱最小信息熵改进的N-FINDR端元提取算法，根据信息论的概念将信

    测绘通报 2018年2期2018-03-07

  • 马尔可夫随机场的空间相关模型在非负矩阵分解线性解混中的应用
    Sime)法估算端元数量，同时利用顶点成分分析(VCA)和全约束最小二乘法(FCLS)初始化端元矩阵与丰度矩阵；其次，利用MRF模型建立描述地物空间分布规律的能量函数，以此描述地物分布的空间相关特征；最后，将基于MRF的空间相关约束函数与NMF标准目标函数以交替迭代的形式参与解混，得出高光谱数据的端元信息与丰度分解结果。理论分析和真实数据实验结果表明，在高光谱数据空间相关程度较低的情况下，相比最小体积约束的NMF(MVC-NMF)、分段平滑和稀疏约束的NM

    计算机应用 2017年12期2018-01-08

  • 基于谱线形状与信息量差异的高光谱解混NMF初始化方法
    解混应用中，好的端元光谱矩阵初始化方法对于提高盲信号分解精度具有重要意义。针对空间分辨率较高的高光谱数据，提出了一种新的面向非负矩阵分解(non-negative matrix factorization，NMF)的初始化方法。该方法通过计算像元在谱线形状和信息量差异等方面的参数，利用像元谱线峭度、KL散度和光谱角等参量，从众多混合像元中识别出纯像元； 并分辨出不同类型纯像元(或类纯像元)之间的差别，从中选择最适合代表每一类型端元的纯像元(或类纯像元)作为

    自然资源遥感 2017年4期2017-12-19

  • 基于端元提取的滇中典型森林类型识别研究
    50224)基于端元提取的滇中典型森林类型识别研究黄 田,张 超,吉一涛,余哲修,罗恒春,张 一(西南林业大学,昆明 650224)端元波谱的选择对森林类型的识别精度和效率具有重要影响。以滇中地区典型森林植被为研究对象,基于Landsat8 OLI遥感影像数据,结合二类调查数据,在影像融合的基础上提取典型森林植被的感兴趣区,通过最小噪声分离变换及n维散点图提取滇中典型森林植被(云南松、华山松、蓝桉、柏木和栎类)的波谱曲线,利用提取出的端元波谱,采用波谱角填

    林业资源管理 2017年4期2017-09-15

  • 基于正交非负矩阵分解的高光谱遥感图像混合像元分解
    ，进而使分解所得端元光谱具有较大的独立性。通过试验分析，利用正交非负矩阵分解，实现了对1997年机载可见光及红外成像光谱仪(AVIRIS)高光谱图像的混合像元分解，结果表明，增加约束条件后的正交非负矩阵分解，能成功分离出6种端元光谱，解混出的端元光谱与参考光谱的光谱角距离更小，与真实地物的丰度谱图吻合度增强。非负矩阵分解;高光谱遥感图像;混合像元分解高光谱遥感图像由航天、航空载体上的高光谱成像仪获得，它具有高光谱分辨力的特点，可在几百、上千个连续光谱波段获

    山东农业大学学报（自然科学版） 2017年2期2017-05-22

  • 基于PCA-EMMA方法的多环芳烃来源解析
    浓度对比分析法和端元混合分析(EMMA)法对研究区地下水中多环芳烃的来源分别进行了定性和定量分析，在端元混合分析中给出了二维主成分空间和三维主成分空间中的端元个数和端元位置，样品1、13、17为地下水中多环芳烃来源的3个端元，进而解析了端元的水文地球化学特征。结果表明，研究区地下水中的多环芳烃主要来自垃圾渗滤液、大气降水以及城市生活污水和工业废水排放。有机污染源； 多环芳烃； 浓度对比分析； 端元混合分析0 引 言多环芳烃(Polycyclic Aroma

    黑龙江科技大学学报 2017年1期2017-03-30

  • 基于空间-光谱分析的高光谱遥感影像稀疏解混研究
    异物和同物异谱(端元可变性)现象普遍存在、光谱库端元数目远大于像元中含有的端元数目，再加上影像噪音的干扰，影像解混精度还亟待提高。本文的研究围绕基于空间-光谱分析的高光谱遥感影像稀疏解混方法，分别从顾及端元可变性、像元的稀疏性表示和结合影像空间信息3个方面针对性地提出了提高解混精度的方法。主要研究内容和创新点如下：(1) 系统地阐述了基于稀疏回归的混合像元分解模型和相关算法，分析影响解混精度的因素及其规律。进一步研究稀疏解混算法中稀疏性参数的优化选择。(2

    测绘学报 2017年8期2017-03-28

  • 基于混合像元分解的植被覆盖度提取方法的研究
    遥感 混合像元 端元提取1 引言遥感是以像元为单位记录其传感器接收到的地面发射或反射光谱信号，每个像元记录了探测单元在瞬时视场内对应地面范围所有目标辐射能量的总和。地表覆盖类型一般是复杂多变的，因此影像中每个像元所记录对应的地物光谱响应特征是相对独立的。纯净像是指探测单元在瞬时视场角所对应的地面范围内包含同一类型相同性质目标，它记录了该类型地面目标的光谱信号和光谱响应特征。混合像元是指探测单元在瞬时视场角所对应的地面范围内具有多种类型不同性质目标，它记录了

    商情 2016年48期2017-03-12

  • 两种基于异常权重的N-FINDR端元提取算法
    的N-FINDR端元提取算法王 杰，李卫朋(西华师范大学 国土资源学院，四川 南充，637009)有效分离高光谱影像中的异常与干扰信息，提高端元提取的质量，是当前研究的热点。N-FINDR算法通过降维获取高光谱点云数据体积最大化，能够准确地的找出端元，但其中包含的异常目标，不仅对后续工作没有意义，而且会降低后期的解混精度。为了提高端元提取的质量，降低异常端元的影响，基于N-FINDR算法，提出了两种异常权重的N-FINDR端元提取算法。首先，运用最小噪声旋

    西华师范大学学报（自然科学版） 2016年4期2017-01-09

  • 一种正交子空间投影高光谱图像端元提取算法
    间投影高光谱图像端元提取算法赵岩1,王东辉2，张春晶1，黄奕程3，于明华3(1. 黑龙江科技大学 电气与控制工程学院，哈尔滨 150022；2. 哈尔滨工程大学 信息与通信工程学院，哈尔滨 150001；3. 齐齐哈尔车辆集团，黑龙江 齐齐哈尔 161000)端元提取是高光谱图像混合像元分解的关键问题。针对正交子空间投影方法进行端元提取需要端元先验知识的问题，提出一种基于光谱最小信息熵的正交子空间投影高光谱图像端元提取方法。以光谱最小信息熵判定最优端元子集

    黑龙江大学工程学报 2016年3期2016-10-15

  • 一种优化的迭代误差分析端元提取方法
    化的迭代误差分析端元提取方法秦学川吴子宾> （山东科技大学信息科学与工程学院，山东青岛266590）以迭代误差分析方法为依据，提出一种优化的迭代误差分析方法。该方法通过一个局部窗口对由迭代误差分析方法获得的端元光谱进行优化，从而获得更加精确的端元光谱信息。真实的高光谱图像试验结果说明了该方法的有效性。高光谱图像；端元提取；光谱权重；空间信息近年来，高光谱遥感影像的应用范围越来越广。但受限于高光谱影像的空间分辨率以及影像中地物分布的多样性，混合像元广泛存在于

    河南科技 2016年7期2016-08-18

  • 基于端元子集优选的高光谱解混算法研究
    2000)基于端元子集优选的高光谱解混算法研究刘万军1杨秀红1曲海成1,2孟煜1姜庆玲31(辽宁工程技术大学软件学院辽宁 葫芦岛 125105)2(哈尔滨工业大学电子与信息工程学院黑龙江 哈尔滨 150006)3(铁岭师范高等专科学校辽宁 铁岭 112000)摘要针对采用最大体积单体MVS(Maximization Volume Simplex)端元提取算法进行端元初选时存在相似端元光谱问题，提出一种光谱信息散度SID(Spectral Informat

    计算机应用与软件 2016年7期2016-08-05

  • 高光谱图像端元提取方法研究
    00）高光谱图像端元提取方法研究■张文军（甘肃省地图院甘肃兰州730000）随着高光谱遥感广泛推广应用，使得目标探测由像元级达到亚像元级别成为现实。混合像元分解的首要问题是端元的确定。本文主要围绕高光谱遥感数据在混合像元分解技术中的应用展开，简要介绍了混合像元产生的原因、混合像元分解技术流程及较为流行的N-FINDR提取算法，重点介绍了改进的N-FINDR高光谱端元提取算法的原理及实现方法。高光谱遥感混合像元端元提取1　混合像元分解理论卫星传感器获取的地面

    地球 2016年8期2016-04-14

  • 基于单体扩张的端元提取算法
    基于单体扩张的端元提取算法董安国，韩 雪，龚文娟（长安大学 理学院，陕西 西安 710064）端元提取是高光谱混合像元分解的重要环节。为了提取高光谱图像的端元，本文基于线性表示理论与凸锥模型理论，论证了：与单体共面的单体外向量被单体的顶点向量线性表示时，表示系数必有负值，从而给出了理想情形下判别端元的充要条件，并在此基础上，针对非理想情形提出了一种提取端元的迭代算法。实验结果表明，算法提取端元的精度优于VCA算法、效率高于搜索算法，算法稳定性好，对噪声的

    红外技术 2016年11期2016-03-27

  • 数据约简化的高光谱影像端元提取
    简化的高光谱影像端元提取徐 君1，宋 凯1，李 波1，蔡体健1，王彩玲2（1. 华东交通大学信息工程学院，江西 南昌 330013；2. 西安石油大学计算机学院，陕西 西安 710065）提出一种利用图像的空间结构信息在特征空间中设计大小适宜的超球，将单形体的顶点分隔在超球外部，剔除超球内部的数据，只保留超球外部的少量数据参与端元提取算法。经过分析，该方法可以大大减少端元提取算法的运算量。通过实验对比，用相关端元提取算法对简化后的数据进行端元提取的结果精度

    红外技术 2016年6期2016-03-15

  • 基于线性光谱模型的城市不透水面遥感估算
    理论模型，采用多端元优化的提取方法，依据研究区实际土地覆被特点，选取了高反照度、低反照度、植被、裸土、耕地等五个端元，利用线性光谱模型求算长春市不透水面,利用高分辨率遥感影像高分一号对估算结果进行验证，并对其空间分布格局进行分析。结果表明：基于几何顶点的端元提取方法得到的城市不透水面比例的RMSE为0.126，误差范围在-0.366—0.387，而基于多端元优化提取方法获取结果的RMSE为0.079，误差范围在-0.319—0.265，且超过80%样本的绝

    地球环境学报 2016年1期2016-03-06

  • 一种改进的顶点成分分析端元提取算法
    进的顶点成分分析端元提取算法袁博1，张杰林2（1.中国矿业大学（北京），地球科学与测绘工程学院，北京100083；2.核工业北京地质研究院，遥感信息与图像分析技术国家级重点实验室，北京100029）顶点成分分析算法需要预先提供端元数目，端元数目正确与否对结果会产生较大影响，其算法在实际应用中多次运行的结果不稳定。针对上述缺点提出了一种改进的顶点成分分析端元提取算法。该方法在n维光谱空间中生成n个彼此正交的单位向量，在此基础上生成与之具有一定夹角的单位向量，

    世界核地质科学 2016年1期2016-02-17

  • 基于Gram行列式的快速端元提取方法
    am行列式的快速端元提取方法孙 康1，2，帅 通1，陈金勇1(1.中国电子科技集团公司第五十四研究所，河北 石家庄 050081；2.武汉大学 测绘遥感信息工程国家重点实验室，湖北 武汉 430079)高光谱图像端元提取往往涉及到高维空间中单形体体积的计算，使用无需降维的体积公式能够避免信息损失，但却具有极大的计算复杂度。针对这一缺点进行了研究，提出了基于Gram行列式快速的端元提取算法。该算法不需要计算单形体体积，而是利用了体积公式的递推关系，大大降低了

    无线电工程 2016年11期2016-02-07

  • 基于丰度划分的高光谱遥感图像解混
    合像元内纯地物（端元）光谱及每种地物面积占比（丰度）［2］。然后从地物光子响应到图像采集过程之间的光学原理和作用过程非常复杂，同时受到时间、空间、环境等不确定性因素影响。同一类地物在不同的场景下，其端元光谱表现通常会有一定差异。如果端元不具有足够代表性，会解混精度严重影响解混精度。这种端元光谱可变性，对解混过程中的端元选择方法提出了更高的要求。为了解释光谱可变性，Robets等人提出了多端元光谱混合分析（MESMA），该方法为每个端元选取一组纯像元光谱，在

    现代计算机 2015年8期2015-09-28

  • 一种改进迭代误差分析端元提取算法
    改进迭代误差分析端元提取算法赵春晖，崔士玲，赵艮平，钟卫（哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001）迭代误差分析（IEA）算法是应用比较广泛的端元提取算法之一，针对IEA端元提取算法计算量大的缺点，从减少参与迭代过程中的像元数目进行改进。根据凸面几何理论，混合像元位于其端元构成子空间内部，这部分像元到其端元正交子空间（OSP）投影值理论上为零，在迭代求下一个端元过程中，可以将这部分无用像元去除，从而减少每步迭代过程像元数目。采用模拟数据和

    哈尔滨工程大学学报 2015年2期2015-06-24

  • 基于Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算
    了估算，并对不同端元选择方法(最小包含端元特征法、纯净象元指数法和实测法)对估算结果的影响进行了比较分析。研究结果表明，NDVI-CAI三元线性混合模型是同时估测锡林郭勒草原fPV和fNPV的有效方法，且估算的fPV和fNPV的季节变化与牧草的物候发育特征相吻合。不同端元选择方法对估算精度具有一定的影响，其中基于最小包含端元特征法提取端元进行估算的精度最高，fPV估算的均方根误差RMSE=4.57，估算精度EA=91.2%；fNPV估算的RMSE=5.90

    生态学报 2015年11期2015-02-07

  • 基于代数余子式的N-FINDR快速端元提取算法
    -FINDR快速端元提取算法李 琳*①②孟令博①②孙 康①②赵永超①①（中国科学院电子学研究所 北京 100190）②（中国科学院大学 北京 100049）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

    电子与信息学报 2015年5期2015-02-05

  • 基于HJ-1A高光谱的黄河口碱蓬和柽柳盖度反演模型研究
    ，基于现场测量的端元光谱和从遥感影像中使用顺序最大角凸锥法(SAMCC)自动提取的端元光谱，应用线性光谱分解法(LSU)、正交子空间投影法(OSP)、匹配滤波法(MF)、最小能量约束法(CEM)和自适应一致估计法(ACE)5种不同光谱解混方法进行混合像元光谱解混，对比两种方法得到的端元光谱分别对碱蓬和柽柳盖度的反演能力，并给出相应的反演模型。结果显示: (1)现场测量端元光谱取得了较好的碱蓬和柽柳盖度反演结果，其中应用LSU方法的光谱解混结果与现场测量盖度

    海洋学报 2015年9期2015-01-05

  • 基于顶点成分分析的高光谱图像端元提取算法❋
    大量的混合像元。端元提取就是从存在混合像元的高光谱图像中提取出场景的基本组成成分，它是高光谱解混的重要步骤。当物质之间的混合方式属于非致密混合时，光子在物质内部之间的相互作用可以忽略，可用线性混合模型来描述混合像元的形成机理［2］。近十年来，学者们在线性混合模型的基础上提出了多种端元提取算法，例如纯像元指数（Pure Pixel Index，PPI）［3］、顶点成分分析算法（Vertex Component Analysis，VCA）［4］、N－FINDR

    舰船电子工程 2014年8期2014-11-28

  • 压缩感知和万有引力模型相结合的高光谱混合像元分解
    要研究内容,包括端元提取和端元丰度反演两部分。本文以压缩感知(CS)理论为基础,结合神经网络技术提出了一种端元提取模型——基于CS的高光谱影像端元提取模型。同时,将经典的万有引力模型(UGM)引入端元丰度反演中,提出基于UGM的端元丰度反演算法。最后,以Hyperion高光谱影像为试验数据在Matlab中对模型和算法进行编程实现,并对其结果进行精度评定。试验结果表明,本文提出的提取模型与反演算法无论在理论上还是在实际操作中,都具有一定的可行性,同时精度也满

    测绘学报 2014年10期2014-07-05

  • 基于端元优化的非线性高光谱分解算法
    计组成混合像元的端元比例(丰度)。混合像元光谱分解模型可分为两类:线性光谱混合模型和非线性光谱混合模型。线性光谱混合模型假设一个光子只看到一种物质，像元的光谱是各个端元的线性组合［3］。双线性光谱混合模型在线性模型的基础上做了改进，将两种物质之间的散射作为乘积项加入线性模型［4－5］，提高了模型的精度。对于非线性混合模型的光谱分解是个很具挑战性的问题。几乎所有的基于非线性模型的解混算法都是采用最小二乘估计［4，6］。近来一些学者提出了基于支撑向量回归［7］

    激光与红外 2014年9期2014-03-20

  • 应用混合像元分解提取胡杨覆盖度信息1)
    像。2.2 终端端元的确定选取合适的端元是混合像元分解成功的关键［8－9］。端元选取包括确定端元数量以及各端元光谱。理论上，只要端元数量m 小于等于L +1(L 表示波段数)，线性方程组就可以求解。然而，由于波段间存在相关性，选取过多的端元虽然会使残差减少［10］，但会导致分解结果产生更大的误差。因此，在能够描述一个场景内光谱的大部分方差的前提下，越少的端元数量是越好的选择［11］。在线性混合像元分解模型的一般应用中，选择3～4 个端元较为适宜。本研究选择

    东北林业大学学报 2014年11期2014-03-08

  • 分层变端元混合像元分解的新疆北部积雪分量制图研究
    ，指混合像元中各端元间相互独立互不影响时，混合像元光谱是该像元内各端元光谱的线性叠加［2］；2）和3）为非线性效应，它是由于端元（纯像元）间的散射传输路径和遥感仪器的混合效应所引入的光谱非线性叠加［2］。大气校正可以对2）进行修正，而传感器本身的混合效应可以通过仪器校准、定标加以部分克服。根据混合像元光谱的产生机理，研究人员建立了许多分解模型，主要包括线性、非线性分解模型、模糊监督和神经网络等。线性分解模型因物理含义明确、建模简单，得到了广泛应用［4－9］

    草业学报 2014年4期2014-01-02

  • 基于OSP与NMF的光谱混合像元分解方法
    存在，并且在提取端元的同时可以获取每种端元对应的丰度图。然而NMF的目标函数具有明显的非凸性，因而存在大量局部极小。对于NMF问题V≈WH，（V，W，H均为非负矩阵），可以找到大量的非负可逆矩阵D及其逆矩阵D-1，有WH=(WD)(D-1H)成立，这样可以得到很多对解WD和D-1H，这是NMF存在的最大的问题。本文首先通过正交子空间投影（orthogonal subspace projection，OSP）技术估计端元的个数[9]，然后通过改进的外包单形体

    华东交通大学学报 2013年1期2013-07-05

  • 简析高光谱图像解混技术及算法
    像元为纯像元或者端元;若该像元包含两种以上地表物质，则称此像元为混合像元。混合像元的形成原因很复杂，归纳起来主要有两方面原因:1)传感器本身的原因和大气环境的影响;2)由于地表物质分布的复杂性，很容易发生不同特性的地物混合在一起的情况。例如沙土中混合了粘土。高光谱图像中混合像元的存在，使得传统的基于像元级高光谱图像的分类、压缩和目标检测等应用受到限制。所以，需要解决混合像元的分解问题［1］。图1给出了光谱解混的示意图。基于线性混合模型的高光谱解混主要包括两

    大庆师范学院学报 2012年6期2012-05-25

  • 湖泊沉积物中风成和水成组分定量判据的初步研究 ——以青海湖为例
    黄土作为风成组分端元，以青海湖表层沉积物作为水成组分端元，首次利用已知端元的粒度分布特征对青海湖沉积物中典型粒度分布进行拟合，进而估算了其中风成和水成组分的比例。结果表明，青海湖沉积物粒度分布特征可分为三大类:1.水成组分占主导;2.风成组分占主导 (风成黄土主导);3.两者以不同比例混合。希望此方法能成为未来湖泊沉积物中不同组分的定量判据和古环境的解读提供新途径。青海湖;粒度;风成组分;定量判据;聚类分析沉积物的粒度特征记录了沉积环境、搬运动力等信息，因

    地质力学学报 2010年4期2010-12-07

  • 生物荧光谱分离端元提取算法的实现与比较
    如如何有效地提取端元[1-3]。在遥感成像的高光谱场景中，各个像元的信息大都是由不同组分混合而成的，所谓端元提取就是提取出不同组分纯指纹光谱的一个处理过程。基于这些不同组分物质的纯指纹光谱，通过谱分离算法再把遥感场景分解成不同丰度(abundance fraction)的多种物质。近年来，随着生命科学技术的发展，生物荧光成像谱分离领域[4]也有极大的发展。生物荧光成像大都利用检测目标荧光蛋白的方法，观察活体小动物体内单细胞水平的生物学演变过程。由于动物组织

    中国医疗器械杂志 2010年4期2010-08-08

热门标签

关于参考网