排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
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
2.
一种基于最大距离的纯像元指数端元提取算法 总被引：1，自引：0，他引：1
在高光谱混合像元分解中,PPI算法是一种比较成熟的算法,但PPI算法中每次投影向量的生成都是随机的,多次执行PPI算法后端元提取的结果并不稳定。本文以线性光谱混合模型的凸面几何学描述为基础,利用端元在高光谱图像特征空间中所形成的凸面单形体端点的特点,提出了一种区别于PPI算法的最大距离纯像元指数方法。选取特征空间中所有样本点的光谱均值作为超球的球心,计算所有样本点到球心的欧氏距离,以等于或大于这个最大距离的长度作为半径,在特征空间中设计一个包围所有样本点的超球面,并在超球面上均匀地选取参考点,针对每一个参考点,在样本点中找出与它距离最远的一个,记录每个样本点成为距离最大点的次数,将其作为评价该像元是否为端元的纯像元指数,从而使得每次端元提取的精度得到保证。最后,利用美国内华达州Cuprite获取的AVIRIS数据对算法进行了验证。实验结果表明,采用本文算法提取的端元精度优于N-FINDR算法和VCA算法,而且鲁棒性较好,克服了PPI算法由于随机生成投影向量所带来的端元提取不稳定性。 相似文献
1