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

高光谱图像Pareto优化稀疏解混

徐夏,  张宁,  史振威,  谢少彪,  齐乃明

downloadPDF
文章导航 > 红外与激光工程  > 2018 >  47(2): 226002-0226002(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[J]. 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
引用本文: 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[J]. 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
shu
Xu Xia, Zhang Ning, Shi Zhenwei, Xie Shaobiao, Qi Naiming. Sparse unmixing of hyperspectral images based on Pareto optimization[J]. Infrared and Laser Engineering, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
Citation: Xu Xia, Zhang Ning, Shi Zhenwei, Xie Shaobiao, Qi Naiming. Sparse unmixing of hyperspectral images based on Pareto optimization[J]. Infrared and Laser Engineering, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
shu

高光谱图像Pareto优化稀疏解混

doi: 10.3788/IRLA201847.0226002
  • 1.

    北京航空航天大学 宇航学院 图像处理中心,北京 100191;

  • 2.

    上海航天电子技术研究所,上海 201109;

  • 3.

    哈尔滨工业大学 航天学院,黑龙江 哈尔滨 150001

基金项目: 

国家自然科学基金（60975003，61671037）;上海航天科技基金（SAST2016090）

详细信息
    作者简介:

    徐夏(1993-),女,博士生,主要从事高光谱图像解混和分类方面的研究。Email:xuxia@buaa.edu.cn

  • 中图分类号: TP751

Sparse unmixing of hyperspectral images based on Pareto optimization

  • 1.

    Image Processing Center,School of Astronautics,Beihang University,Beijing 100191,China;

  • 2.

    Shanghai Aerospace Electronic Technology Institute,Shanghai 201109,China;

  • 3.

    School of Astronautics,Harbin Institute of Technology,Harbin 150001,China

  • 摘要: 高光谱解混是学术界的一个难题，稀疏高光谱解混指的是利用已知光谱库进行解混，旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元，并利用这些端元求解相应的端元丰度，这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混，但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法（ParetoSU），将稀疏解混问题转化为一个两目标优化问题，其中一个优化目标是建模误差，另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题，不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。
    Abstract: Hyperpectral unmixing is a difficult problem in academia. Sparse hyperspectral unmixing uses priori spectral library, aiming at finding several pure spectral signatures to express hyperspectral images and computing corresponding abundance fractions. This is NP-hard to solve. Convex relaxation for L0 norm as L1 norm is a common approach to solve the sparse unmixing problem, but only approximation results can be achieved. A Pareto optimization based sparse unmixing algorithm was proposed(ParetoSU). ParetoSU firstly transformed sparse unmixing to a bi-objective optimization problem. One of the two objectives was the modelling error and the other one was the sparsity of endmembers. ParetoSU can solve the sparse unmixing problem without any approximation of L0 norm. At last, synthetic data were used to test the performance of ParetoSU.
  • [1] Pan B, Shi Z W, Zhang N, et al. Hyperspectral image classification based on nonlinear spectral-spatial network[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12):1782-1786.
    [2] Yang Xinfeng, Hu Xunuo, Nian Yongjian. Class-based compression algorithm for hyperspectral images[J]. Infrared and Laser Engineering, 2016, 45(2):0228003. (in Chinese)杨新锋, 胡旭诺, 粘永健. 基于分类的高光谱图像压缩算法[J]. 红外与激光工程, 2016, 45(2):0228003.
    [3] Xu X, Shi Z W. Multi-objective based spectral unmixing for hyperspectral images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 124:54-69.
    [4] Deng Chengzhi, Zhang Shaoquan, Wang Shengqian, et al. Hyperspectral unmixing algorithm based on L1 regularization[J]. Infrared and Laser Engineering, 2015, 44(3):1092-1097. (in Chinese)邓承志, 张绍泉, 汪胜前, 等. L1稀疏正则化的高光谱混合像元分解算法比较[J]. 红外与激光工程, 2015, 44(3):1092-1097.
    [5] Tang Zhongqi, Fu Guangyuan, Chen Jin, et al. Multiscale segmentation-based sparse coding for hyperspectral image classification[J]. Optics and Precision Engineering, 2015, 23(9):2708-2714. (in Chinese)唐中奇, 付光远, 陈进, 等. 基于多尺度分割的高光谱图像稀疏表示与分类[J]. 光学精密工程, 2016, 9(23):2708-2714.
    [6] Feng Shuyi, Zhang Ning, Shen Ji, et al. Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics[J]. Chinese Optics, 2015, 8(2):198-204. (in Chinese)冯书谊, 张宁, 沈霁, 等. 基于反射率特性的高光谱遥感图像云检测方法研究[J]. 中国光学, 2015, 8(2):198-204.
    [7] Huang Hong, Zheng Xinlei. Hyperspectral image classification with combination of weighted spatial-spectral and KNN[J]. Optics and Precision Engineering, 2016, 24(4):873-881. (in Chinese)黄鸿, 郑新磊. 加权空-谱与最近邻分类器相结合的高光谱图像分类[J]. 光学精密工程, 2016, 24(4):873-881.
    [8] Fang Hong, Yang Hairong. Greedy algorithms and compressed sensing[J]. Acta Automatica Sinica, 2011, 37(12):1413-1421. (in Chinese)方红, 杨海蓉. 贪婪算法与压缩感知理论[J]. 自动化学报, 2011, 37(12):1413-1421.
    [9] Bi Yanmeng, Wang Qian, Yang Zhongdong, et al. Advances on space-based hyper spectral remote sensing for atmospheric CO2 in near infrared band[J]. Chinese Optics, 2015, 8(5):725-735. (in Chinese)毕研盟, 王倩, 杨忠东, 等. 星载近红外高光谱CO2遥感进展[J]. 中国光学, 2015, 8(5):725-735.
    [10] Qian C, Yu Y, Zhou Z. Subset selection by Pareto optimization[C]//Neural Inf Process Syst, 2015:1765-1773.
    [11] Bioucas-Dias J, Figueiredo M. Alternating direction algorithms for constrained sparse regression:application to hyperspectral unmixing[C]//2nd Workshop Hyperspectr. Image Signal Process Evol Remote Sens, 2010, 1:1-4.
    [12] Iordache M D, Bioucas-Dias J M, Plaza A. Total variation spatial regularization for sparse hyperspectral unmixing[J]. IEEE Trans Geosci Remote Sens, 2012, 50(11):4484-4502.
    [13] Shi Z, Tang W, Duren Z, et al. Subspace matching pursuit for sparse unmixing of hyperspectral data[J]. IEEE Trans Geosci Remote Sens, 2014, 52(6):3256-3274.
    [14] Pan B, Shi Z W, An Z Y, et al. A novel spectral-unmixing-based green algae area estimation method for GOCI data[J]. IEEE J Sel Topics Appl Earth Observ Remote Sens, 2017, 10(2):437-449.
  • [1] 贾麒, 廖守亿, 张作宇, 杨薪洁.  重加权稀疏非负矩阵分解的高光谱解混 . 红外与激光工程, 2020, 49(S2): 20200152-20200152. doi: 10.3788/IRLA20200152
    [2] 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
    [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] 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
    [5] 张爱武, 赵江华, 赵宁宁, 康孝岩, 郭超凡.  结合张量空间与倒易晶胞的高光谱影像去噪去混叠 . 红外与激光工程, 2018, 47(10): 1026002-1026002(10). doi: 10.3788/IRLA201847.1026002
    [6] 徐晨光, 邓承志, 朱华生.  近似稀疏约束的多层非负矩阵分解高光谱解混 . 红外与激光工程, 2018, 47(11): 1117010-1117010(9). doi: 10.3788/IRLA201847.1117010
    [7] 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
    [8] 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
    [9] 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
    [10] 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
    [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] 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
    [15] 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.
    [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] 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.
    [18] 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.
    [19] 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.
    [20] 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.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  487
  • HTML全文浏览量:  64
  • PDF下载量:  49
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-08-05
  • 修回日期:  2017-10-03
  • 刊出日期:  2018-02-25

高光谱图像Pareto优化稀疏解混

doi: 10.3788/IRLA201847.0226002
  • 1. 北京航空航天大学 宇航学院 图像处理中心,北京 100191;
  • 2. 上海航天电子技术研究所,上海 201109;
  • 3. 哈尔滨工业大学 航天学院,黑龙江 哈尔滨 150001
    • 作者简介:

    徐夏(1993-),女,博士生,主要从事高光谱图像解混和分类方面的研究。Email:xuxia@buaa.edu.cn

  • 收稿日期: 2017-08-05
  • 修回日期: 2017-10-03
  • 刊出日期: 2018-02-25
基金项目:

国家自然科学基金（60975003，61671037）;上海航天科技基金（SAST2016090）

  • 中图分类号: TP751

摘要: 高光谱解混是学术界的一个难题，稀疏高光谱解混指的是利用已知光谱库进行解混，旨在从先验光谱库中找到一些可以表征图像的数个纯光谱向量作为高光谱图像的端元，并利用这些端元求解相应的端元丰度，这是一个NP难的组合优化问题。目前多通过将L0范数凸松弛为L1范数进行稀疏解混，但该方法得到的仅仅是近似解。文中提出了一种基于Pareto优化的稀疏解混算法（ParetoSU），将稀疏解混问题转化为一个两目标优化问题，其中一个优化目标是建模误差，另一个目标是端元稀疏度。ParetoSU直接解决稀疏解混中的组合优化问题，不需要对L0范数进行近似。最后利用仿真数据验证了该解混算法的有效性。

English Abstract

    全文HTML

参考文献 (14)

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