留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于回溯优化的非线性高光谱图像解混

陈雷 甘士忠 孙茜

陈雷, 甘士忠, 孙茜. 基于回溯优化的非线性高光谱图像解混[J]. 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
引用本文: 陈雷, 甘士忠, 孙茜. 基于回溯优化的非线性高光谱图像解混[J]. 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
Chen Lei, Gan Shizhong, Sun Qian. Nonlinear unmixing using backtracking optimization for hyperspectral images[J]. Infrared and Laser Engineering, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
Citation: Chen Lei, Gan Shizhong, Sun Qian. Nonlinear unmixing using backtracking optimization for hyperspectral images[J]. Infrared and Laser Engineering, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001

基于回溯优化的非线性高光谱图像解混

doi: 10.3788/IRLA201746.0638001
基金项目: 

国家自然科学基金(61401307);中国博士后科学基金(2014M561184);天津市应用基础与前沿技术研究计划项目(15JCYBJC17100)

详细信息
    作者简介:

    陈雷(1980-),男,副教授,博士后,主要从事高光谱图像处理和仿生智能计算方面的研究。Email:chenleitjcu@139.com

  • 中图分类号: TP751

Nonlinear unmixing using backtracking optimization for hyperspectral images

  • 摘要: 为了进一步提升高光谱图像的解混精度,提出一种基于回溯优化的高光谱图像后非线性解混算法。在后非线性混合模型的基础上,以观测图像与重构图像之间的重构误差为目标函数,使用回溯搜索算法在解空间搜索使目标函数取得极小值的最优解。在搜索过程中,利用回溯搜索算法的边界控制机制有效保证了高光谱图像解混过程中的约束条件,进而有效实现了对解混丰度值和非线性参数的精确估计。针对合成高光谱图像和真实高光谱遥感图像的解混实验表明,文中算法具有优异的解混性能,所达到的解混精度显著优于现有非线性高光谱图像解混算法。
  • [1] Li J, Bioucas-Dias J M, Plaza A, et al. Robust collaborative nonnegative matrix factorization for hyperspectral unmixing [J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(10): 6076-6090.
    [2] Guerra R, Santos L, Lopez S, et al. A new fast algorithm for linearly unmixing hyperspectral images [J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(12): 6752-6765.
    [3] He W, Zhang H, Zhang L. Sparsity-regularized robust non-negative matrix factorization for hyperspectral unmixing [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 13(5): 686-690.
    [4] Dobigeon N, Tourneret J Y, Richard C, et al. Nonlinear unmixing of hyperspectral images: models and algorithms [J]. IEEE Signal Processing Magazine, 2014, 31(1): 82-94.
    [5] Fan W Y, Hu B X, Miller J, et al. Comparative study between a new nonlinear model and common linear model for analysing laboratory simulated-forest hyperspectral data [J]. International Journal of Remote Sensing, 2009, 30(11): 2951-2962.
    [6] Halimi A, Altmann Y, Dobigeon N, et al. Nonlinear unmixing of hyperspectral images using a generalized bilinear model [J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(11): 4153-4162.
    [7] Altmann Y, Halimi A, Dobigeon N, et al. Supervised nonlinear spectral unmixing using a postnonlinear mixing model for hyperspectral imagery [J]. IEEE Transactions on Image Processing, 2012, 21(6): 3017-3025.
    [8] Dobigeon N, Tits L, Somers B, et al. A comparison of nonlinear mixing models for vegetated areas using simulated and real hyperspectral data [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(6): 1869-1878.
    [9] Yang X S, Cui Z H, Xiao R B, et al. Swarm Intelligence and Bio-Inspired Computation: Theory and Applications [M]. USA: Elsevier Inc, 2013.
    [10] Bermejo E, Cordn O, Damas S, et al. A comparative study on the application of advanced bacterial foraging models to image registration [J]. Information Sciences, 2015, 295: 160-181.
    [11] Mao Haicen, Liu Aidong, Wang Liang. Star recognition method based on hybrid particle swarm optimization algorithm[J]. Infrared and Laser Engineering, 2014, 43(11): 3762-3766. (in Chinese)毛海岑, 刘爱东, 王亮. 采用混合粒子群算法的星图识别方法[J]. 红外与激光工程, 2014, 43(11): 3762-3766.
    [12] Ahirwal M K, Kumar A, Singh G K. Adaptive filtering of EEG/ERP through bounded range artificial bee colony (BR-ABC) algorithm [J]. Digital Signal Processing, 2014, 25(1): 164-172.
    [13] Wang S Y, Wang L. An estimation of distribution algorithm-based memetic algorithm for the distributed assembly permutation flow-shop scheduling problem [J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2016, 46(1): 139-149.
    [14] Zhong Y, Zhang L. Remote sensing image subpixel mapping based on adaptive differential evolution [J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 2012, 42(5): 1306-1329.
    [15] Zhong Y, Zhao L, Zhang L. An adaptive differential evolution endmember extraction algorithm for hyperspectral remote sensing imagery [J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(6): 1061-1065.
    [16] Gao L, Gao J, Li J, et al. Multiple algorithm integration based on ant colony optimization for endmember extraction from hyperspectral imagery [J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(6): 2569-2582.
    [17] Civicioglu P. Backtracking search optimization algorithm for numerical optimization problems [J]. Applied Mathematics and Computation, 2013, 219(15): 8121-8144.
    [18] Nascimento J M, Bioucas-Dias J M. Vertex component analysis: A fast algorithm to unmix hyperspectral data [J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(4): 898-910.
    [19] Keshava N, Mustard J F. Spectral unmixing [J]. IEEE Signal Processing Magazine, 2002, 19(1): 44-57.
    [20] Dobigeon N, Tourneret J Y, Chang C I. Semi-supervised linear spectral unmixing using a hierarchical bayesian model for hyperspectral imagery [J]. IEEE Transactions on Signal Processing, 2008, 56(7): 2684-2695.
    [21] Heinz D C, Chang C I. Fully constrained least-squares linear spectral mixture analysis method for material quantification in hyperspectral imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(3): 529-545.
  • [1] 汤毅, 粘永健, 何密, 王倩楠, 许可.  L1/2正则化的逐次高光谱图像光谱解混 . 红外与激光工程, 2019, 48(7): 726003-0726003(9). doi: 10.3788/IRLA201948.0726003
    [2] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [3] 甘士忠, 肖志涛, 陈雷, 南瑞杰.  基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
    [4] 王忠良, 冯文田, 粘永健.  结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
    [5] 潘斌, 张宁, 史振威, 谢少彪.  基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
    [6] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [7] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [8] 刘博, 常俊德, 忻向军.  高非线性光纤中并行交叉相位调制的偏振膜色散监测方法 . 红外与激光工程, 2016, 45(9): 934001-0934001(5). doi: 10.3788/IRLA201645.0934001
    [9] 康子建, 谷一英, 朱文武, 范峰, 胡晶晶, 赵明山.  利用DFB激光器非线性的高线性射频光传输链路 . 红外与激光工程, 2016, 45(8): 806004-0806004(5). doi: 10.3788/IRLA201645.0806004
    [10] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [11] 吴静珠, 刘倩, 陈岩, 刘翠玲.  高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
    [12] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [13] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [14] 赵慧洁, 李明康, 李娜, 丁昊, 蔡辉.  一种基于改进子空间划分的波段选择方法 . 红外与激光工程, 2015, 44(10): 3155-3160.
    [15] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [16] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [17] 尹继豪, 孙建颖.  基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
    [18] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [19] 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志.  基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
    [20] 高陈强, 阎兵早, 李强.  基于非线性映射模型的红外弱小目标图像仿真 . 红外与激光工程, 2013, 42(11): 2919-2924.
  • 加载中
计量
  • 文章访问数:  348
  • HTML全文浏览量:  40
  • PDF下载量:  107
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-10-10
  • 修回日期:  2016-11-20
  • 刊出日期:  2017-06-25

基于回溯优化的非线性高光谱图像解混

doi: 10.3788/IRLA201746.0638001
    作者简介:

    陈雷(1980-),男,副教授,博士后,主要从事高光谱图像处理和仿生智能计算方面的研究。Email:chenleitjcu@139.com

基金项目:

国家自然科学基金(61401307);中国博士后科学基金(2014M561184);天津市应用基础与前沿技术研究计划项目(15JCYBJC17100)

  • 中图分类号: TP751

摘要: 为了进一步提升高光谱图像的解混精度,提出一种基于回溯优化的高光谱图像后非线性解混算法。在后非线性混合模型的基础上,以观测图像与重构图像之间的重构误差为目标函数,使用回溯搜索算法在解空间搜索使目标函数取得极小值的最优解。在搜索过程中,利用回溯搜索算法的边界控制机制有效保证了高光谱图像解混过程中的约束条件,进而有效实现了对解混丰度值和非线性参数的精确估计。针对合成高光谱图像和真实高光谱遥感图像的解混实验表明,文中算法具有优异的解混性能,所达到的解混精度显著优于现有非线性高光谱图像解混算法。

English Abstract

参考文献 (21)

目录

    /

    返回文章
    返回