基于基模分析的高光谱混合像元分解

《基于基模分析的高光谱混合像元分解》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、综述基于基模分析的高光谱混合像元分解HyperspectralImagerunmixingbasedonarchetypalanalysis田树涛（甘肃建筑职业技术学院，甘肃兰州730050）摘要：基模分析被广泛地运用于机器学习与数据挖掘之中，其核心思想是通过寻找数据凸体的角点，这些角点通常是数据的主要成分。同时通过分配比例系数给这些角点，这样就能重构原始数据。本文据此出发，利用基模分析进行高光谱盲信号分离，分别分离出端元矩阵与各种物质的比例系数。在梯度下降算法的框架下，我们采用了一种快速初始化策略，利用基模分析的扩展模式-核方法进行端

2、元与比例系数的迭代。通过对真实高光谱遥感影像大量实验发现，此方法简单易行，且精度较高。关键词：高光谱混合像元分解；盲信号分离；梯度下降算法；基模分析Abstract：Thearchetypalanalysisiswidelyusedinmachinelearninganddatamining,anditscoreistofindthesecornersofdataconvex,andthesecornersareusuallythemaincomponentsofdatas.Ifweupdatethecoefficientmatrixo

3、fdatas,andthearchetypalanalysisbecometheblindsignalseparationalgorithm.Inthepaper,weusethearchetypalanalysisasblindsignalseparationtool,andseparatetheoriginalhyperspectralimagedatasintoendmembersandtheproportioncoefficientsmatrixesofvarioussubstances.Intheframeworkofgrad

4、ientdescentalgorithm,weuseafastinitializationstrategy-FURTHESTSUMalgorithm,andusetheextendedmodelofarchetypalanalysis-kernelalgorithmtoupdatethetwomatrixes.Agreatnumbersofexperimentsonrealhyperspectralimageshowthatarchetypalanalysisisanefficientblindsignalseparation,andt

5、healgorithmishavehighaccuracy.Keywords：hyperspectralimagemixedpixelsunmixing；blindsignalseparation；gradientdescentalgorithm；archetypalanalysis中图分类号：TP751.1文献标识码：B文章编号：1003-8965(2014)02-0072-05[15]高光谱混合像元分解通常分为两种模型，线性与非之中，传统的方法如奇异值分解与主成分变换，独立[16][17][18]线性。线性高光谱分解方法认为影像立方

6、体上每个像元光成分分析，稀疏编码,非负矩阵分解等被广泛地谱由端元线性构成，而非线性混合像元分解方法认为端元运用于数据分解。由于基模分析中对比例系数矩阵限制为之间存在辐射的交互，不只是满足线性混合条件，同时非负，其符合地物分布的物理意义，常被应用于端元提取[19]也满足非线性的因素。线性混合像元分解由于其实际优。本文利用基模分析对高光谱遥感影像进行盲信号分离，[1],[2],[3]点，大量算法被提出。最近几年，非线性解混算法同时获取端元与比例系数矩阵。由于缺乏验证数据，我们[20]也发展迅速，其中以A.Halimi与Y.Altman的工作

7、最为显这里通过稀疏回归解混算法SUNSAL与地面实测的光[4],[5]著，分别提出了GBM与NNPPM模型。通常在假定谱库进行解混遥感影像，以此作为验证数据。经过对比分纯净像元存在的前提下，混合像元分解要分为两步，首先析，我们发现基于基模分析的盲信号分离算法具有较高的[6][7]进行端元提取，主要算法有VCA，N-FINDR。在端元精度，同时能够提取到必要的信息。被识别之后，采用解混算法进行解混影像立方体，目前此[8]类算法主要有全约束混合像元分解(FCLS)，梯度下降算1算法描述[9]法。通常纯净像元存在的假定不一定与遥感影像相符，为

8、了解决此问题，大量的盲信号分离算法被提出，其中1.1基模分析的基本原理具有代表性的算法为独立成分分析(ICA)[10],非负矩阵分解[21]基模分析被Cutler与Breiman提出，其兼顾数据[11](N