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

基于高阶非线性模型的多目标高光谱图像解混算法

甘士忠,  肖志涛,  陈雷,  南瑞杰

downloadPDF
文章导航 > 红外与激光工程  > 2019 >  48(10): 1026002-1026002(7)
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[J]. 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
引用本文: 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[J]. 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
shu
Gan Shizhong, Xiao Zhitao, Chen Lei, Nan Ruijie. Multi-objective hyperspectral unmixing algorithm based on high-order nonlinear mixing model[J]. Infrared and Laser Engineering, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
Citation: Gan Shizhong, Xiao Zhitao, Chen Lei, Nan Ruijie. Multi-objective hyperspectral unmixing algorithm based on high-order nonlinear mixing model[J]. Infrared and Laser Engineering, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
shu

基于高阶非线性模型的多目标高光谱图像解混算法

doi: 10.3788/IRLA201948.1026002
  • 1.

    天津工业大学 电子与信息工程学院,天津 300387;

  • 2.

    天津商业大学 信息工程学院,天津 300134

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:

    甘士忠(1994-),男,硕士生,主要从事高光谱图像处理和仿生智能计算方面的研究。Email:gan_shizhong@163.com

    通讯作者: 陈雷(1980-),男,教授,硕士生导师,主要从事高光谱图像处理与盲信号处理方面的研究。Email:chenlei@139.com

  • 中图分类号: TP751

Multi-objective hyperspectral unmixing algorithm based on high-order nonlinear mixing model

  • 1.

    School of Electronics and Information Engineering,Tianjin Polytechnic University,Tianjin 300387,China;

  • 2.

    School of Information Engineering,Tianjin University of Commerce,Tianjin 300134,China

  • 摘要: 在高阶非线性混合模型的基础上，提出一种多目标高光谱图像解混算法，解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型，并同时优化两目标函数以减少数据异常值对模型求解的影响，使解混结果在两个评价指标上得到提升；最后采用差分搜索算法求解多目标优化模型，解决梯度类优化方法易陷入局部极值的问题，从而进一步提升解混精度。实验结果表明，文中算法与传统高光谱解混算法相比，具有更精确的端元丰度估计结果和更高的解混精度。
    Abstract: Based on high-order nonlinear mixing model, a multi-objective hyperspectral unmixing algorithm was proposed, which solved the problem that the traditional method cannot obtain higher unmixing accuracy due to the outliers of hyperspectral image data. The proposed algorithm took the reconstruction error and spectral angle mapper as the objective functions and optimized them in order to reduce the outliers influence of hyperspectral data on the solution of optimization model and improve the two evaluation indicators. Then, the difference search algorithm was used to solve the multi-objective optimization model and overcame the tendency of the traditional gradient-based optimization method to fall into the local extremum problem and further improved the unmixing accuracy. The experiment results show that the proposed algorithm has more accurate endmembers abundance estimation and higher unmixing accuracy.
  • [1] Bioucas-Dias J M, Plaza A, Dobigeon N, et al. Hyperspectral unmixing overview:geometrical, statistical, and sparse regression-based approaches[J]. IEEE Journal of Selected Topics in Applied Earth Observations Remote Sensing, 2012, 5(2):354-379.
    [2] Dobigeon N, Tourneret J Y, Cdric Richard, et al. Nonlinear unmixing of hyperspectral images:Models and algorithms[J]. IEEE Signal Processing Magazine, 2013, 31(1):82-94.
    [3] Keshava N, Mustard J F. Spectral unmixing[J]. Signal Processing Magazine IEEE, 2002, 19(1):44-57.
    [4] Hape B. Bidirectional reflectance spectroscopy:I. theory[J]. Journal of Geophysical Research:Solid Earth, 1981, 86(B4):3039-3045.
    [5] Borel C C, Saw G. Nonlinear spectral mixing models for vegetative and soil surfaces[J]. Remote Sensing of Environment, 1994, 47(3):403-416.
    [6] Shkuratov Y, Starukhina L, Hoffmann H, et al. A model of spectral albedo of particulate surfaces:implications for optical properties of the moon[J]. Icarus, 1999, 137(2):235-246.
    [7] Hapke B. Theory of Reflectance and Emittance Spectroscopy[M]. New York:Cambridge University Press, 1993.
    [8] Chen Lei, Guo Yanju, Ge Baozhen. Nonlinear unmixing of hyperspectral images based on differential search algorithm[J]. Chinese Journal of Electronics, 2017, 45(2):337-345.(in Chinese)陈雷, 郭艳菊, 葛宝臻. 基于微分搜索的高光谱图像非线性解混算法[J]. 电子学报, 2017, 45(2):337-345.
    [9] 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.
    [10] Halimi A, Altmann Y, Dobigeon N, et al. Nonlinear unmixing of hyperspectral images using a generalized bilinear model[J]. IEEE Transactions on Geoscience Remote Sensing, 2011, 49(11):4153-4162.
    [11] Altmann Y, Halimi A, Dobigeon N, et al. Supervised nonlinear spectral unmixing using a polynomial post nonlinear model for hyperspectral imagery[C]//IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE, 2011:1009-1012.
    [12] Marinoni A, Gamba P. Accurate detection of anthropogenic settlements in hyperspectral images by higher order nonlinear unmixing[J]. IEEE Journal of Selected Topics in Applied Earth Observations Remote Sensing, 2017, 9(5):1792-1801.
    [13] Heylen R, Scheunders P. A Multilinear mixing model for nonlinear spectral unmixing[J]. IEEE Transactions on Geoscience Remote Sensing, 2016, 54(1):240-251.
    [14] Zhu F, Halimi A, Honeine P, et al. Correntropy maximization via ADMM:application to robust hyperspectral unmixing[J]. IEEE Transactions on Geoscience Remote Sensing, 2017, 55(9):4944-4955.
    [15] Zelinski A C, Goyal V K. Denoising hyperspectral imagery and recovering junk bands using wavelets and sparse approximation[C]//IEEE International Conference on Geoscience and Remote Sensing Symposium, 2006:387-390.
    [16] Zhu F Y, Wang Y, Fan B, et al. Spectral unmixing via data-guided sparsity[J]. IEEE Trans Image Process, 2014, 23(12):5412-5427.
    [17] Lu X, Wu H, Yuan Y, et al. Manifold regularized sparse NMF for hyperspectral unmixing[J]. IEEE Transactions on Geoscience Remote Sensing, 2013, 51(5):2815-2826.
    [18] Chen Lei, Gan Shizhong, Sun Qian. Nonlinear unmixing using backtracking optimization for hyperspectral imagery[J]. Infrared and Laser Engineering, 2017, 46(6):0638001. (in Chinese)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):0638001.
    [19] Civicioglu P. Transforming geocentric cartesian coordinates to geodetic coordinates by using differential search algorithm[J]. Computers Geosciences, 2012, 46(3):229-247.
    [20] Wang Y, Cai Z, Zhang Q. Differential evolution with composite trial vector generation strategies and control parameters[J]. IEEE Transactions on Evolutionary Computation, 2011, 15(1):55-66.
    [21] Karaboga D and Basturk B. On the performance of artificial bee colony (ABC) algorithm[J]. Applied Soft Computing, 2008, 8(1):687-697.
    [22] Daz A, Rios A, Barron J, et al. An automatic document classifier system based on genetic algorithm and taxonomy[J]. IEEE Access, 2018, 6:21552-21559.
    [23] Nascimento J M and 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.
  • [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] 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
    [4] 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
    [5] 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
    [6] 许典, 曹佃生, 林冠宇, 于向阳.  双光栅光谱仪光栅转轴的多目标优化 . 红外与激光工程, 2017, 46(3): 320001-0320001(7). doi: 10.3788/IRLA201746.0320001
    [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] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [9] 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
    [10] 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
    [11] 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
    [12] 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
    [13] 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.
    [14] 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.
    [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, 侯传龙, 阎秋静, 张钧萍, 汪爱华.  基于相关向量机的高光谱图像噪声评估算法 . 红外与激光工程, 2014, 43(12): 4159-4163.
    [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] 丁玲, 唐娉, 李宏益.  基于流形学习的混合光谱解混分析 . 红外与激光工程, 2013, 42(9): 2421-2425.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  556
  • HTML全文浏览量:  82
  • PDF下载量:  49
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-06-11
  • 修回日期:  2019-07-21
  • 刊出日期:  2019-10-25

基于高阶非线性模型的多目标高光谱图像解混算法

doi: 10.3788/IRLA201948.1026002
  • 1. 天津工业大学 电子与信息工程学院,天津 300387;
  • 2. 天津商业大学 信息工程学院,天津 300134
    • 作者简介:

    甘士忠(1994-),男,硕士生,主要从事高光谱图像处理和仿生智能计算方面的研究。Email:gan_shizhong@163.com

    通讯作者: 陈雷(1980-),男,教授,硕士生导师,主要从事高光谱图像处理与盲信号处理方面的研究。Email:chenlei@139.com
  • 收稿日期: 2019-06-11
  • 修回日期: 2019-07-21
  • 刊出日期: 2019-10-25
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: 在高阶非线性混合模型的基础上，提出一种多目标高光谱图像解混算法，解决传统方法受高光谱数据异常值影响而解混精度不高的问题。该算法以重构误差与光谱角分布为目标函数建立优化模型，并同时优化两目标函数以减少数据异常值对模型求解的影响，使解混结果在两个评价指标上得到提升；最后采用差分搜索算法求解多目标优化模型，解决梯度类优化方法易陷入局部极值的问题，从而进一步提升解混精度。实验结果表明，文中算法与传统高光谱解混算法相比，具有更精确的端元丰度估计结果和更高的解混精度。

English Abstract

    全文HTML

参考文献 (23)

目录

    /

    返回文章
    返回

    版权所有 © 2019 《红外与激光工程》编辑部｜ 地址: 天津市空港经济区中环西路58号｜ 邮政编码: 300308

    津ICP备19007885号-1

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计