基于波段选择与学习字典的高光谱图像异常探测

针对高光谱影像数据中存在大量冗余,传统异常探测算法应用高光谱所有波段进行探测计算量巨大的问题,提出一种基于波段相似性线性预测与学习字典的异常探测算法。该算法首先通过对波段的相似性进行线性预测,找到最不相似的波段子集;然后,利用学习字典算法获得能够表征图像背景信息的背景字典,并通过低秩分解的算法将影像分解为低秩矩阵与稀疏矩阵;最后,使用经典RXD(Reed-X detector)探测算法对稀疏影像进行异常探测。实验结果表明,该算法可以在减少计算代价、保持波段原始信息不被破坏的同时,能够较好地实现了高光谱影像的异常探测。     

利用稀疏自表达实现高光谱影像波段选择

提出一种稀疏自表达方法来研究高光谱影像分类中的波段选择问题。该方法利用字典矩阵等于测量矩阵的条件来改进多观测向量的稀疏表达模型,将波段子集看作高光谱影像波段集合中的代表子集。稀疏自表达方法将波段选择转换为寻求多观测向量中稀疏系数矩阵的非零行向量问题,通过引入混合范数来限定非零元素行向量的个数,利用快速交替方向乘子方法求解稀疏系数矩阵,并聚类非零行向量,实现波段的有效选择。基于两个公开高光谱影像数据集并对比其他4种波段选取方法来验稀疏自表达方法。实验结果证明,稀疏自表达方法能够在计算效率明显优于基于波段相关性的线性限制最小方差方法的同时,取得与该方法和非负稀疏矩阵分解方法相匹甚至略高的总体分类精度。     

小样本的高光谱图像降噪与分类

在样本数目稀少情况下实现高光谱图像精细分类是个挑战性的问题。高光谱图像信噪比提高比较困难,噪声大小对分类结果有最直接的影响。利用高光谱图像相邻波段之间的相关性和相邻像素之间的相关性,提出多级降噪滤波的高光谱图像分类方法,通过改进的两阶段稀疏与低秩矩阵分解方法,去除高光谱图像中能量较高的噪声,利用主成分分析方法去除高光谱图像中能量较低的噪声,引导滤波方法去除分类结果图中的"椒盐噪声"。选取两幅真实高光谱图像进行实验,结果表明,两阶段稀疏与低秩矩阵分解法和主成分分析法两种降噪方法具有较强的互补性;引导滤波方法使得分类图更加平滑且分类精度更高。与其他光谱空间分类方法相比,本文方法分类精度更高,且在样本极少时能获得很高的分类精度。     

高光谱影像子空间分析孤立森林异常目标探测方法

复杂的背景信息和高维冗余波段是影响高光谱遥感影像异常目标检测精度的重要因素.本文针对高光谱影像异常目标提取提出了一种子空间分析孤立森林探测方法.该方法不对背景做高斯分布假设,通过正交子空间分析增强输入特征影像中潜在异常目标与背景之间的对比度,通过主成分分析法降维来降低孤立森林算法带来的不确定性,运用了全局和局部结合的思想实现异常目标检测.在停机坪、海滩、港口和草地4个不同场景的高光谱影像上的试验结果表明,本方法的异常目标提取精度较经典方法取得了更好的结果.该方法不仅有效地处理了高光谱遥感影像的复杂背景和高维问题,还有效地利用了空间信息.     

应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择

针对高光谱影像数据高维性、高度相关性和冗余性等特点,提出应用稀疏非负矩阵分解聚类实现高光谱影像波段的优化选择。通过稀疏非负矩阵分解方法对高光谱影像进行稀疏化表示,同时顾及其可聚类的特性,在保留所选波段物理意义的基础上,得到波段选择后的高光谱影像降维数据。通过该方法对PHI-3高光谱影像进行波段选择的试验分析,应用聚类特征有效性分析波段聚类结果,并采用波段子集的信息量、相关性和可分性3类评价指标来验证方法的效果。最终,从运行效率和分类精度两方面证明了基于无监督聚类的稀疏非负矩阵分解对高光谱影像的波段选择的实用性。     

高光谱数据截断加权核范数稀疏解混

受仪器和观测条件限制,高光谱数据易受噪声污染,给数据解译带来挑战。针对传统稀疏解混模型抗噪性能差的问题,本文提出一种截断加权核范数稀疏解混方法,利用高光谱图像像元之间的相关性减轻噪声对丰度估计的干扰。该方法借助低秩表示在挖掘数据内在低维结构方面的优势,在稀疏解混中加入基于截断加权核范数的低秩约束,并结合加权稀疏技术,在稀疏正则项中引入空间邻域权重。截断加权核范数对丰度矩阵的奇异值向量分段处理,可以更好地实现丰度矩阵的低秩逼近,使丰度图像保持空间一致性并保留更多细节信息,空间加权策略则增强了丰度图像的空间连续性。模拟高光谱数据、Cuprite矿区真实数据和红树林高光谱数据实验表明,与其他先进的稀疏解混方法相比,所提方法具有更好的抗噪性,能够提高解混精度。     

独立成分分析的高光谱异常变化检测

遥感探测到的小目标信号一般是弱信号,利用传统的高光谱异常变化检测方法直接抑制背景来突出异常变化目标,往往导致小目标弱信号同时被抑制,造成目标探测率低、虚警率高。基于独立成分分析方法,研究了弱信号小目标的高光谱变化检测模型,该模型首先通过投影寻踪将异常变化影像投影到独立成分,突出异常变化目标,然后再抑制背景,从而达到异常变化目标和背景的有效分离。该模型可以有效降低虚警率,提高探测率。利用模拟数据和真实数据进行了精度验证,结果表明,利用模拟数据得到的探测精度为99%,利用真实数据得到的检测精度为86%,与传统异常变化检测算法相比,精度最高提高了9%。本文研究方法适用于弱信号小目标的高光谱异常变化检测。     

PCA联合字典的稀疏系数NMF融合

为了减少混合像元对字典建立的影响,结合在线字典学习法与主成分分析(principal component analysis,PCA)法提取全色与各分解影像字典的第一主成分分量构成PCA联合稀疏字典。该字典包括多光谱影像特征与高空间分辨率影像特征,同时考虑到了混合像元问题。使用PCA联合稀疏字典进行正交匹配追踪法(orthogonal matching pursuit,OMP)计算,分别得到全色与多光谱影像的稀疏系数,采用非负矩阵分解(nonnegative matrix factor,NMF)融合算法得到融合影像的稀疏系数,进行重构生成融合影像。对字典矩阵大小的研究,考虑到重构图像的均方根误差与计算机运算的限制,最终确定稀疏字典矩阵大小为64像元×480像元。采用5种定量融合评定指标对本文方法与联合字典NMF方法、小波方法和PCA方法的影像融合结果进行分析比较,结果表明本文方法既可提高融合影像的纹理细节信息,也能较好地保持多光谱信息,获得更好的融合效果。     

奇异矩阵分解的记录列方法及其应用

本文首次提出了奇异矩阵分解的记录列方法。该方法可以容易地将任一奇异矩阵A分解为一列满秩阵与一行满秩阵的乘积,因而能直接得到一个恰好包含A的全体非零特征值的非奇异阵D,使特征矩阵的行列式计算降至最低阶,以减少计算工作量。最后将该方法推广到列不满秩的高矩阵(即行数大于列数)的情形,给出了亏秩平差计算中的一个实例。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

张量组稀疏表示的高光谱图像去噪算法

提出了一种基于张量组稀疏表示的高光谱遥感影像降噪。高光谱影像数据可视为三阶张量。首先,高光谱图像被划分为小的张量分块,然后,对相似的张量分块进行聚类,并对聚类分组进行稀疏表示。基于高光谱图像的空间非局部自相似性和光谱相关性,将张量组稀疏表示模型分解为一系列无约束低秩张量的近似问题,进而通过张量分解进行求解。对模拟和真实高光谱数据进行试验,验证了该算法的有效性。     

显著性权重RX高光谱异常点检测

高光谱图像异常点检测中,传统RX异常点检测算法忽略了空间相关性,背景估计不准确。本文提出了一种基于图像局部邻域光谱显著性分析的加权RX算法。该算法通过引入图像显著性分析,对基于概率密度为权重的图像背景建模进行改进,建立光谱显著性权重图,重新定义RX算法中的均值向量和协方差矩阵,并给不同的目标赋予不同的权值,达到优化背景估计的目的。利用合成高光谱数据和真实高光谱数据进行异常点检测实验,结果表明,对于同一组数据,本文算法检测到的异常点数比传统算法多,虚警率较低,有效地提高了检测率。     

Nonorthogonal Tensor Matricization for Hyperspectral Image Filtering

A generalized multidimensional Wiener filter for denoising is adapted to hyperspectral images (HSIs). multidimensional wiener filtering (MWF) uses the signal subspace of each n-mode flattening matrix of the HSI, which is a third-order tensor. However, in the HSI case, the n-mode ranks are close to the n-mode dimensions. Thus, the signal subspace dimension can be underestimated. This leads to a loss of spatial resolution-edge blurring-and artifacts in the restored HSI. To cope with the underestimation while preserving edges, a new method is proposed. It estimates the relevant directions of flattening that may not be parallel to HSI dimensions. We adapt the bidimensional straight line detection algorithm that estimates the HSI main directions, which are used to flatten the HSI tensor. We also generalize the quadtree decomposition to tensors in order to adapt the filtering to the local image characteristics. Comparative studies with MWF, principal component analysis-stationary wavelet transform, and channel-by-channel Wiener filtering show that our algorithm provides better performance while restoring impaired HYDICE HSIs.     

融合数据内部变化信息的丰度估计算法

丰度估计(AE)是从高光谱图像中识别地物的关键预处理技术。由于线性模型的可解释性以及数学上的可操作性,基于该模型的线性回归技术CLR(Constrained Linear Regression)在丰度估计中受到了广泛关注。目前,该方法仅仅考虑到了估计数据与被估计数据之间的能量相似性,没有考虑数据内部的变化信息之间的相似性,比如一阶梯度之间的相似性以及二阶梯度之间的相似性。为了提高丰度估计精度,本文提出了融合数据内部变化信息的稀疏低秩丰度估计算法。首先通过增加一阶梯度和二阶梯度的约束项改进传统的丰度估计的数学模型。其次,通过采用范数不等式和优化理论证明了在约束条件下,该模型的有效性及该模型在相关领域的可拓展性。接着,采用辅助变量将改进的数学模型变为增强拉格朗日函数。最后,采用交替双向乘子技术ADMM(Alternating Direction Method of Multipliers)求解该模型并估计高光谱图像的丰度。经仿真实验和实际高光谱图像的实验证明该方法能够改善仿真数据和实际高光谱数据的丰度估计的效果,特别是当端元的丰度存在丰富的变化细节时,丰度估计的精度和抗噪性能均优于当前较流行的丰度估计算法。     

Kernel Eigenspace Separation Transform for Subspace Anomaly Detection in Hyperspectral Imagery

This letter proposes a nonlinear version of the eigenspace separation transform (EST) for subspace anomaly detection in hyperspectral imaging. The EST is defined in terms of the eigenvectors of the difference correlation matrix (DCOR) obtained using the data from the two classes. Using ideas found in the machine learning literature (i.e., the kernel trick), a nonlinear version-kernel EST (KEST)-is achieved by expressing the DCOR in terms of dot products in feature space and replacing all dot products with a Mercer kernel function that is defined in terms of input data space. Experimental results indicate that KEST outperforms many other commonly used subspace anomaly detection algorithms.     

基于多孔径映射的高光谱异常检测算法

针对高光谱遥感异常检测中复杂背景与异常目标之间光谱特征相关性导致背景模型难以准确估计的问题,提出了一种基于多孔径映射的高光谱遥感异常检测算法。首先,不同于背景建模提取背景特征的方法,多孔径映射从不同角度提取数据特征,通过构建基集合表征高光谱数据的光谱特性,获得用于衡量统计差异的异常显著性指标。其次,为了实现对具有适中及低异常显著性像素的精细分析,本文基于模糊逻辑理论构建隶属度函数获得关于像素异常显著性的连续性属性标记,并将隶属度值作为权重,通过加权迭代过程实现多孔径映射的自适应收敛。最后,借鉴模糊逻辑理论中的去模糊机制,对多孔径检测结果进行融合,获得最终的检测结果。本文仿真试验采用高光谱遥感数据,从稳健性及对低显著度目标敏感性方面对算法进行验证。     

Recent advances in hyperspectral image processing

Hyperspectral images (HSI) provide a new way to exploit the internal physical composition of the land scene. The basic platform for acquiring HSI data-sets are airborne or spaceborne spectral imaging. Retrieving useful information from hyperspectral images can be grouped into four categories. (1) Classification: Hyperspectral images provide so much spectral and spatial information that remotely sensed image classification has become a complex task. (2) Endmember extraction and spectral unmixing: Among images, only HSI have a complete model to represent the internal structure of each pixel where the endmembers are the elements. Identification of endmembers from HSI thus becomes the foremost step in interpretation of each pixel. With proper endmembers, the corresponding abundances can also be exactly calculated. (3) Target detection: Another practical problem is how to determine the existence of certain resolved or full pixel objects from a complex background. Constructing a reliable rule for separating target signals from all the other background signals, even in the case of low target occurrence and high spectral variation, comprises the key to this problem. (4) Change detection: Although change detection is not a new problem, detecting changes from hyperspectral images has brought new challenges, since the spectral bands are so many, accurate band-to-band correspondences and minor changes in subclass land objects can be depicted in HSI. In this paper, the basic theory and the most canonical works are discussed, along with the most recent advances in each aspect of hyperspectral image processing.     

空-谱协同正则化稀疏超图嵌入的高光谱图像分类

传统依据图嵌入的高光谱图像维数约简算法多数仅利用光谱信息表征像元间单一关系，忽视了数据间的多元几何结构。本文提出了一种面向高光谱图像分类的空-谱协同正则化稀疏超图嵌入算法（SSRSHE）。该算法首先利用稀疏表示揭示像元之间的相关性，自适应选择近邻，并构建稀疏本征超图和惩罚超图，以有效表征像元间的复杂多元关系，并进行正则化处理。然后利用遥感图像空间一致性原则，计算局部空间邻域散度来保持样本局部邻域结构，并引入样本总体散度来保持高光谱数据的整体结构。在低维嵌入空间中，尽可能使类内数据聚集、类间数据远离，提取鉴别特征用于分类。在Indian Pines和PaviaU高光谱遥感数据集上试验结果表明，本文算法总体分类精度分别达到86.7%和92.2%。相比传统光谱维数约简算法，该算法可有效改善高光谱图像地物分类性能。