1 中国科学院遥感应用研究所，北京 100101
2 中国科学院研究生院，北京 100049
光谱信息是遥感识别地物的依据，而目前已发展的典型地类的光谱指数模型有限，波谱库中的标准地物类型及其普适性也是有限的.鉴于此，提出一种端元匹配的地物自适应光谱表征方法，通过选取贴合影像本身的端元，并综合光谱角和距离度量对影像和端元光谱进行综合匹配.通过ETM+(Enhanced Thematic Mapper)影像上对植被、水体与美国地质调查局(United States Geological Survey,USGS)波谱库及归一化植被/水体指数的对比实验，及阴影、裸地等的验证实验，证实了该方法的有效性和普适性.
遥感 光谱表征 自适应 端元选取 remote sensing spectral representation adaptive endmember selection
哈尔滨工程大学 信息与通信工程学院, 黑龙江 哈尔滨150001
提出了基于支持向量机(SVM)的单纯形增长算法(SGA)新实现方法, 该方法无需降维预处理, 且采用低复杂度的距离尺度代替复杂的体积尺度；证明了线性SVM与传统线性光谱混合模型(LSMM)在光谱解混中的等效性, 并探索了前者在信息的扩展利用和模型的非线性推广两方面的优势.实验结果表明, 基于SVM的SGA实现方法在保证选择结果不变的前提下复杂度大大降低,SVM模型下解混精度明显提高.
高光谱图像 端元选择 支持向量机 单纯形增长算法 光谱解混 hyperspectral imagery endmember selection support vector machine simplex growing algorithm spectral unmixing
哈尔滨工程大学信息与通信工程学院, 黑龙江 哈尔滨 150001
光谱端元选择是高光谱数据解混分析的重要前提。 在各种端元选择算法中, N-FINDR算法因其自动性和高效性受到广泛欢迎。 然而, 该算法需要进行数据降维预处理, 且包含大量的体积计算导致该算法的运算速度较慢, 限制了该算法的应用。 为此提出基于线性最小二乘支持向量机的N-FINDR改进算法, 该算法无需降维预处理, 且采用低复杂度的距离尺度代替复杂的体积尺度来加速算法。 此外还提出对野值点施加有效控制以赋予算法鲁棒性,以及利用像素预排序方法来降低算法的迭代次数。 实验结果表明, 基于线性最小二乘支持向量机的改进N-FINDR算法在保证选择效果的前提下复杂度大大降低, 鲁棒性方法和像素预排序方法则进一步提高了算法的选择效果和选择速度。Vector Machines
高光谱图像 光谱端元选择 线性最小二乘支持向量机 N-FINDR算法 Hyperspectral imagery(HSI) Endmember selection Linear least square
1 武汉大学测绘遥感信息工程国家重点实验室， 湖北 武汉 430079
2 武汉大学遥感信息工程学院, 湖北 武汉 430079
3 中国船舶重工集团公司第七二二研究所, 湖北 武汉 430079
4 北京大学数学科学学院, 北京 100871
提出了利用贝叶斯推理选择混合像元内端元的模型。考虑到端元光谱的不确定性, 基于贝叶斯推理和线性光谱混合模型得到了像元内端元集合的后验概率表达式。在获得端元共存的先验知识基础上, 结合端元光谱的正态分布函数, 通过最大后验概率得到最佳的端元集合。通过对包含147431个像元的ETM+影像试验表明, 相对于IDRISI软件的MRES和PG算法,该算法可削减至少70%的冗余端元, 使端元选择错误导致的分解误差降低至少28%。结果表明, 由于充分考虑端元光谱的不确定性和端元的共存性, 通过贝叶斯推理可以大幅度提高端元选择的正确率, 从而改善混合像元的分解精度。
遥感 端元选择 贝叶斯推理 混合像元 端元集合 线性光谱混合模型
