共查询到10条相似文献，搜索用时 15 毫秒
1.
2.
提出一个在N-FINDR算法基础上结合空间信息进行端元提取的方法,该方法从空间预处理、提取端元候选集、新的体积算法三个方面对N-FINDR方法进行了优化,通过人工模拟数据和实际高光谱数据两种类型三组数据验证改进方法的有效性。实验结果表明,结合空间信息的端元提取方法有效提高了端元提取的准确性,取得更好的效果。但是限于几何模型的假设,寻找最大体积单形体的顶点并不能对所有复杂的数据都有效,容易产生端元光谱混淆的高光谱图像并不能很好的提取所有的纯正端元。 相似文献
3.
由于数据量大,目前大多数端元提取算法均需较长的计算时间,限制了这些算法的有效应用。本文提出了以光谱梯度特征为搜索条件的快速端元提取方法,其核心包括基于光谱梯度特征的候选端元快速筛选和基于光谱解混误差的端元识别两部分。由于能够从影像中快速筛选出少量的像元光谱作为候选端元,故具有较好的计算性能;同时由于避免了非端元光谱参与端元识别,使得识别的结果具有更高的精度。试验表明,相比经典的IEA算法和ECHO算法,该算法不仅能大幅度提高端元提取速度,而且具有更准确的端元识别能力。同时,基于该算法原理,也可对现有各种算法进行改进,提升现有的各种端元提取算法的运算速度。 相似文献
4.
传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分,但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响,采用全部端元对混合像元进行分解,会使得混合像元中实际并不存在的端元的丰度估计值不为零,分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处,基于此,本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素,从混合像元的附近邻域开始搜索,将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比,并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况,逐步扩大结构元素的大小,不断调整搜索范围,直至得到最优端元组合。模拟数据和真实数据的试验结果表明,该方法相比传统的全端元光谱分解方法,在总体上获得了更好的分解效果。 相似文献
5.
传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。 相似文献
6.
纯净像元指数改进的N-FINDR高光谱端元提取算法 总被引：2，自引：0，他引：2
为了有效解决遥感影像中普遍存在的混合像元导致遥感影像定量解译精度低的问题,对两种不同混合像元端元提取算法进行了比较分析。纯净像元指数算法随着迭代次数的增加时间效率大大降低,而经典的N-FINDR算法初始端元数目选择的任意性会导致像元解混的精度不一,因此本文提出了一种基于纯净像元指数改进的N-FINDR算法。改进的N-FINDR算法相较于传统的N-FINDR算法能够准确构建候选端元集合并求得最优解。该算法结合高光谱影像数据的特点,首先利用纯净像元指数求取备选端元数目;然后以此为基础运用经典的N-FINDR算法求解最大的单形体顶点,将求解后顶点作为纯净像元,并完成丰度反演;最后使用ENVI产品中自带的经过大气校正的航空高光谱数据cup95eff.int对算法进行验证。试验结果表明,以纯净像元指数改进的N-FINDR算法在整体精度方面优于传统的N-FINDR算法。 相似文献
7.
利用卡方分布改进N-FINDR端元提取算法 总被引：3，自引：0，他引：3
针对N-FINDR算法计算速度慢、搜索范围较大的特点,提出改进的快速N-FINDR算法,通过提供一个像元个数较少的候选端元集合,为N-FINDR算法提供一个较小的搜索范围。在N-FINDR算法中,所有的端元被认为是处于所有像元构成的单形体的顶点位置,表示这些像元远离像元聚类中心。因此,利用卡方分布的分位点可以分离出这些像元,形成数量较少的候选端元集合。利用合成的和真实的高光谱数据对该算法的性能进行了验证。实验表明,在与N-FINDR算法有相同的端元提取精度的前提下,该算法计算速度更快。 相似文献
8.
自动形态学端元提取(automated morphological endmember extraction,AMEE)算法将结构元素内最纯像元与混合度最大的像元之间的光谱角距离定义为形态学离心率指数(morphological eccentricity index,MEI)来定量化地表示像元的纯净度。然而作为参考标准的混合度最大的像元在不同的结构元素内也是不同的,尤其是当结构元素内的纯净像元占大多数时,像元的均值光谱将更接近纯像元,此时像元的MEI越高,纯度反而越低。针对这一问题,本文提出一种像元纯度指数(pure pixel index,PPI)算法与AMEE算法相结合的端元提取算法PPI-AMEE。在结构元素内,利用PPI指数代替AMEE算法中的MEI指数来寻找最纯像元。变换结构元素时,只有最纯净的像元始终能够投影到随机生成的直线的两端,其PPI值会不断累计增大,而其他像元的PPI值则无法持续增大。累计记录每个像元的PPI值,直至满足迭代终止条件,最终形成一幅PPI图像,端元将在PPI值较大的像元中选取。PPI-AMEE算法只在相对较小的结构元素内运行PPI算法,然后再结合数学形态学中的膨胀操作对整幅图像进行处理,其同时兼顾了图像的光谱信息和空间信息。最后,采用模拟数据及美国内华达州Cuprite地区的机载可见光/红外成像光谱仪(airborne visible infrared imaging spectrometer,AVIRIS)高光谱数据对提出的PPI-AMEE算法进行试验验证。试验结果表明,PPI-AMEE算法的端元提取精度总体上优于AMEE算法和PPI算法。 相似文献
9.
高光谱图像中混合像元的存在直接影响基于遥感影像的地物识别精度,光谱解混算法可以有效地解决混合像元问题.最小体积限制的非负矩阵分解算法(MVC-NMF)不需要假定纯像元的存在;并且在自动提取端元的同时,能够获取每种端元所对应的丰度图;然而该方法并没有考虑丰度矩阵的稀疏特性.提出了将平滑L0模稀疏约束引入MVC-NMF算法中,用于进一步提高算法的精度.实验结果表明:改进后的算法在相同的实验环境条件下比MVC-NMF算法解混的精度更高. 相似文献
10.
高光谱端元自动提取的迭代分解方法 总被引：8，自引：2，他引：8
混合像元线性分解技术是进行高光谱影像处理的常用方法,应用这种方法的一个主要问题是难以有效、自动地确定影像的端元光谱。利用非监督的方法快速自动提取高光谱遥感图像的端元光谱是解决这个问题的主要技术手段。根据迭代误差分析思路,通过对线性混合像元模型分解的误差传播分析后,得到了端元选择的约束条件。结合端元存在的空间信息,自动提取出端元光谱并进行了混合像元分解。利用不同地区、不同传感器的高光谱数据实例测试了该文的方法,分析和讨论了选择迭代初始值与参数阈值的敏感性问题。研究结果表明此方法可以自动提取端元光谱,并且精度较高。 相似文献