排序方式： 共有6条查询结果，搜索用时 15 毫秒
1
1.
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
2.
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
3.
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
4.
NMF应用于混合像元分解时具有不满足丰度"和为一"约束和结果不具有唯一性的问题。MVCNMF将凸面单形体的体积作为约束条件引入到NMF中。从理论上看,当端元光谱中存在形状相似的光谱时,单形体的体积接近于零,此时MVCNMF实际上变为NMF,且凸面单形体的体积计算比较复杂,影响算法的效率。针对此问题,提出一种端元之间最大距离之和约束的NMF混合像元分解算法MSMDCNMF,将其引入到非负矩阵分解中。利用计算所有端元之间的最大距离之和作为约束条件来控制凸面单形体的大小,简化了约束条件,减小了计算复杂度。通过对比发现,所提方法在端元提取精度方面优于MVCNMF算法,与MOCCNMF算法接近,但在算法运行效率上,MSMDCNMF算法效率最高。 相似文献
5.
从高分辨率遥感图像数据中准确检测多类目标的任务对于检测速度和模型训练时间提出了较高的要求.文章提出了一种MKL_mRVM方法:该方法采用基于快速边缘似然最大算法直接计算mRVM分类器的决策函数,避免了传统RVM重复计算目标函数Hessian矩阵的过程,并且因为不需要构造一系列两类分类器,缩短了多类模型的训练时间;同时,将多个基础核引入多类模型,训练过程中采用交叉验证方法确定基础核权重,在随机分出的确认集上检验分类器的精度,选取使得分类模型精度最高的值作为权重的优化结果.实验结果表明,该方法能够在保持解的稀疏性的前提下,有效地缩短模型训练时间. 相似文献
6.
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