端元提取

摘要： 开展水稻无人机高光谱解混,获取水稻植株的高光谱反射率信息,对于提高水稻理化参量的反演模型精度具有重要意义。目前大多基于高光谱遥感影像自身数据进行解混,运用算法模型进行高光谱数据解混,将高光谱图像和可见光图像进行优势互补,提出一种基于无人机高清影像与高光谱遥感影像融合的稻田无人机高光谱解混方法,解决单一数据局限性问题,增强光谱数据对地物的描述能力。为了更好的计算端元丰度,将同一目标区的高清数码正射影像与无人机高光谱遥感影像利用经纬度信息进行空间配准,使得不同传感器获得的图片在几何位置上对齐,通过SVM分类器的监督分类方法对可见光的数码正射影像进行地物分类,利用地物分类的结果对应高光谱的一个像元,从而得到一个像元内的端元丰度。设相邻区域内的水体端元是相同的,利用线性解混模型(LSMM)对相邻区域的混合像元进行解混,最终获取水稻高光谱反射率信息。结果表明对两种图片进行空间配准丰富了数据源信息,有利于像元的端元丰度计算,其中水稻端元丰度在70%以上解混效果最好,丰度在50%以上解混效果一般,丰度在30%以下解混效果较差;选择监督分类方法进行地物分类,精度达到99.5%,面向对象方法分类精度为98.2%,监督分类方法优于面向对象分类方法;最终得到的混合像元分解反射率高于原混合像元反射率,减少了水体混合部分对光谱数据的影响,使得分解后水稻的光谱反射率更加准确,为水稻理化参量无人机成像高光谱遥感反演提供更加准确的科学依据。

摘要： 线性混合模型(linear mixture model,LMM)在端元提取中起着至关重要的作用。在LMM假设下,理想的端元提取效果需要重建误差最小。但是在实际的高光谱数据集中噪声是不可避免的,单纯追求重建误差最小化可能会导致最终结果偏离真实端元。为平衡重建误差与噪声的影响,使用几何优化模型计算重建误差,通过约束重建误差来最小化单形体体积,提出新的误差约束优化模型EIC-OSV(error invariant constrained-optimal simplex volume)。模拟数据及真实数据下的实验表明,EIC-OSV可以提高现有端元提取方法的准确性。

摘要： 高光谱图像既可以获取地面物体的空间位置信息,又能够提供任意像元对应的地面物体的光谱特征曲线,具有极强的地物分类和识别能力。利用线性混合模型对高光谱图像的光谱混合特性进行描述,并采用顶点成分分析法进行端元提取,为高光谱图像的混合像元分解和分类提供依据;以合成和真实高光谱数据作为实验数据,以均方根特征角误差作为评价指标,研究不同信噪比和不同端元数条件下端元提取的效果。实验结果表明,与USGS光谱库对比,顶点成分分析法能够有效提取到端元光谱曲线,均方根特征角误差能够保持在0.2rad以内。

摘要： 利用大疆公司矩阵(Matrice)600专业型无人机搭载美国海德沃(Headwall)公司纳米高光谱(Nano-Hyperspec)型号微型高光谱成像仪获取南沙湿地公园一期范围的高光谱影像,配合已有高分辨率可见光影像和同步采集的试验区样本数据,基于像元解混和支持向量机对影像进行分类。实验表明:红树林亚种分类对样本质量和高光谱影像质量依赖度高;像元解混方法和支持向量机方法表现良好,整体分类精度均达到80%以上,其中像元解混方法精度可以达到83.93%;相比于支持向量机分类方法,解混方法能够在一定程度上提高红树林树种的分类精度。

摘要： [目的]棉花在不同生长期的波谱曲线变化具有规律性,研究其时间序列上的反射光谱变化趋势与规律并监测长势,为基于无人机多光谱、高光谱遥感的作物长势监测提供借鉴和参考.[方法]使用多旋翼无人机搭载Rikola高光谱成像仪,获取棉花从花期到后期之间的高光谱影像.使用纯净像元指数算法和最大单形体体积算法进行端元提取,并以SR-3500光谱仪采集的地面光谱曲线为标准,光谱角度为评价指标,依次从端元提取算法效果、不同航高数据对比、光谱相关性、多期光谱曲线变化趋势等分析.[结果]最大单形体体积算法在60、80、100 m航高下波谱角度结果分别为0.0658、0.0659、0.0677,相较于纯净像元指数算法结果更接近地面光谱仪数据,具有较优的相关性(R2均在0.99以上),且能更好地提取小样本端元.航高对端元提取的影响较小,同种算法在不同航高下提取结果差异均在2％以下.不同生长期棉花波谱曲线变化呈规律性,吸收谷与红边值在7月中旬到达峰值.标准植被指数与比值植被指数在7月上中旬达到最大值(0.8417、11.6305),增强型植被指数、差值植被指数、优化土壤调节植被指数在7月中下旬达到最大值(0.8189、0.5013、0.5012).[结论]最大单形体体积算法可较好的从棉花高光谱影像中提取出棉花波谱曲线,且100 m为较优的无人机数据采集航高.棉花在7月光合作用最大,对红光的强吸收、近红外波段强反射现象最为明显.

摘要： 高光谱图像有效压缩对于实现实时传输具有重要意义.本文将光谱线性分解应用于高光谱图像的高效压缩中,根据高光谱图像的线性混合模型,将高光谱数据分解为端元与丰度的乘积,编码端对端元与丰度进行必要的数据处理,然后分别进行JPEG-LS无损压缩,形成输出码流数据.解码端利用最终解码后的端元与丰度相乘来重建原始图像,探讨了量化步长对率失真性能的影响.仿真实验结果表明,该方法能够取得一定的压缩性能.

摘要： 利用高光谱像元解混方法识别彩绘文物表面复合颜料的类别已成为文物保护修复领域的研究热点,其中端元提取是关键的一个环节.首先选择中国绘画5种色系中具有代表性的矿物颜料,通过线性混合其反射光谱合成模拟高光谱图像;然后采用内部最大体积法、顶点成分分析、最小体积单形体分析、基于变分增广拉格朗日单形体识别以及最小体积约束的非负矩阵分解5种基于几何单形体的端元提取算法;最后在不同信噪比和是否有纯净像元的图像中提取混合颜料中的端元,并以光谱夹角距离和光谱信息散度作为评价指标,分别比较5种算法端元提取的精度.实验结果表明,基于变分增广拉格朗日单形体识别法和最小体积约束的非负矩阵分解法对混合颜料的端元提取效果较好,可为文物表面颜料解混提供参考.

摘要： 由于高光谱传感器低空间分辨率特征,岩石高光谱一般是矿物组分的综合反映.矿物高光谱解混对矿产勘查、矿物含量定量反演和野外地质填图等提供了可行的鉴定方法.首先介绍了2种主要的光谱混合模型;其次基于矿物混合机理特征,从模型驱动法和数据驱动法2个方面,对近年高光谱数据的端元提取和丰度求解算法进行归纳,分析各解混算法的原理和优缺点;然后从实验室实测数据、模拟数据和高光谱影像数据3个方面,对目前已开展的混合矿物高光谱解混实验进行概括,总结各算法的解混效果和适用性;最后针对各解混算法的特点和研究现状指出未来矿物高光谱解混的研究方向.

摘要： 基于Gram行列式的高光谱图像端元提取算法采用传统的单形体最大体积标准,无需对原始高光谱图像进行降维处理,具有易理解、效率高等特点.快速Gram行列式算法是目前较优的方法,但其在实现逐个端元提取过程中,需要对已获取的端元Gram矩阵进行求逆处理,在端元数量逐渐增多时计算量增大.考虑到获取的端元Gram矩阵为对称正定矩阵,引入Hermitian矩阵的分块求逆迭代公式,可优化基于Gram行列式的端元提取算法,进一步提升端元提取算法效率.实验采用美国Cuprite地区的机载AVIRIS数据进行了验证和比较,结果表明该优化算法的有效性.

摘要： 随着遥感发展到高光谱遥感阶段,光谱分辨率和空间分辨率都取得了很好的改善.但由于空间分辨率自身的限制性,影像中仍存在大量混合像元.混合像元进行有效的分解,为遥感应用提供了良好的初始条件,仍然是当前遥感发展中的重要的研究问题.其中,端元提取是混合像元分解的首要步骤,直接影响到混合像元分解的精度.本文对常用的几种端元提取方法进行了介绍,并提出了应注意的问题.

摘要： N-FINDR方法和单形体增长算法(SGA)由于原理简单、提取效果好等优点而被广泛关注.使用N-FINDR方法和SGA进行端元提取时,需要对原始图像数据进行降维处理,而在降维处理时有可能会"忽视"图像中的一些小目标.此外,一些针对N-FINDR的改进方法虽然通过引入不受维数限制的单形体体积计算公式避免了降维处理,然而由于N-FINDR方法本身的缺陷导致端元提取的结果不稳定.针对这些现象,本文提出一种既能做到每次端元提取的结果相同,又能避免降维处理的改进的单形体增长算法.首先利用数学形态学的方法确定图像的第一个端元,然后借鉴SGA的思想,利用改进的单形体体积计算公式依次提取图像端元.将改进后的SGA应用于高光谱遥感数据,证明了算法的有效性.

摘要： 基于单形体体积的端元提取方法,如N-FINDR方法、单形体增长算法(SGA)等,由于原理简单、提取效果好等优点而被广泛关注.使用N-FINDR方法和单形体增长算法(SGA)进行端元提取时需要对原始图像数据进行降维处理,而在降维处理时有可能会"忽视"图像中的一些小目标.此外,一些针对N-FINDR的改进方法虽然通过引入不受维数限制的单形体体积计算公式避免了降维处理,然而由于N-FINDR方法本身的缺陷导致端元提取的结果不稳定.针对这些现象,提出一种既能做到每次端元提取的结果相同,又能避免降维运算的改进的单形体增长算法.首先利用数学形态学的方法确定图像的第一个端元,然后借鉴单体增长算法(SGA)的思想利用改进的单形体体积计算公式依次提取端元.将改进后的单体增长算法应用于高光谱遥感数据证明了算法的有效性.

摘要： 端元提取是线性混合像元分解技术中最重要的步骤之一。本文提出了一种基于投影寻踪(PP, Projection Pursuit)的高光谱图像端元提取算法。算法通过投影寻踪提取数据中非高斯分布结构来提取端元,并针对端元提取过程中噪声影响和背景像元干扰的问题,分别改进了预处理和背景去除方法,增强了算法在光谱维和空间维上抗干扰能力,提高了算法的自适应能力。文章首先使用USGS提供的SPUBO4b矿物光谱库的数据进行仿真实验,证明了算法用于端元提取的可行性。继而使用1995年Cuprite地区的AVIRIS数据进行实验,验证了算法在矿物提取中应用的有效性。

摘要： 在概括介绍高光谱遥感技术的基础上,通过与多光谱遥感比较,分析了高光谱遥感技术在目标识别应用上的优势.重点介绍了当今采用高光谱遥感的进行目标识别的三种方法,RX算法、基于投影寻踪的算法、基于端元提取的算法，并对其各自存在的缺陷进行了分析,同时对未来的发展趋势进行展望.RX更适合于局部范围的异常检测，而对全局范围内的异常则效果较差。另外，算子是能量检测算子，没有使用光谱维数据，对于相对背景差异不大的异常，其检测效果不理想。投影寻踪法其基本思想是将高维数据投影到低维子空间上，寻找出反映原高维数据的结构或特征的投影，以达到研究和分析高维数据的目的。基于端元提取的算法在抑制背景信息的基础上进行端元提取，由于绝大多数背景端元都得到了有效的抑制，从而大大减少了待提取的端元数目，算法的整体计算量小，适合于目标的快速识别。

摘要： 由于海岸带的混合像元比较严重，所以为了更好的确定混合像元中各个物质的丰度，高光谱遥感能够凭借其多波段探测的优势确定海岸带的物质，本次使用的数据足来自于美国加利福尼亚州 MoffettField地区的1994年的AVlRIS影像数据，由于海岸带包含了很多高密的藻类植物或者促进光合作用的细菌，细菌的辅色素会造成区域性的波谱信息，我们可以在 AVIRlS上发现这砦波谱信息，并提取端元信息，然后绘制它的光谱角匹配图与空间分布丰度图，查看某个端元在具体某个像元的丰度值，这能更好的帮助人们去认识海岸带。

摘要： 由于海岸带的混合像元比较严重，所以为了更好的确定混合像元中各个物质的丰度，高光谱遥感能够凭借其多波段探测的优势确定海岸带的物质，本次使用的数据足来自于美国加利福尼亚州 MoffettField地区的1994年的AVlRIS影像数据，由于海岸带包含了很多高密的藻类植物或者促进光合作用的细菌，细菌的辅色素会造成区域性的波谱信息，我们可以在 AVIRlS上发现这砦波谱信息，并提取端元信息，然后绘制它的光谱角匹配图与空间分布丰度图，查看某个端元在具体某个像元的丰度值，这能更好的帮助人们去认识海岸带。

摘要： 由于海岸带的混合像元比较严重，所以为了更好的确定混合像元中各个物质的丰度，高光谱遥感能够凭借其多波段探测的优势确定海岸带的物质，本次使用的数据足来自于美国加利福尼亚州 MoffettField地区的1994年的AVlRIS影像数据，由于海岸带包含了很多高密的藻类植物或者促进光合作用的细菌，细菌的辅色素会造成区域性的波谱信息，我们可以在 AVIRlS上发现这砦波谱信息，并提取端元信息，然后绘制它的光谱角匹配图与空间分布丰度图，查看某个端元在具体某个像元的丰度值，这能更好的帮助人们去认识海岸带。

摘要： 由于海岸带的混合像元比较严重，所以为了更好的确定混合像元中各个物质的丰度，高光谱遥感能够凭借其多波段探测的优势确定海岸带的物质，本次使用的数据足来自于美国加利福尼亚州 MoffettField地区的1994年的AVlRIS影像数据，由于海岸带包含了很多高密的藻类植物或者促进光合作用的细菌，细菌的辅色素会造成区域性的波谱信息，我们可以在 AVIRlS上发现这砦波谱信息，并提取端元信息，然后绘制它的光谱角匹配图与空间分布丰度图，查看某个端元在具体某个像元的丰度值，这能更好的帮助人们去认识海岸带。

摘要： 本发明提供一种针对复杂的问题也能够高性能地提取二元关系的装置。解答－特性对提取部(12)从保存着包含在文本数据中出现的二元关系中赋予了表示其是应提取的内容的解答的事例的教师数据的教师数据存储部(11)中提取事例的特性，生成特性的集合和解答的组。机器学习部(13)利用预定的机器学习方法，对该组在何种特性集合的情况下会形成何种解答这一问题进行机器学习，并将学习结果信息保存到学习结果存储部(14)。候选提取部(15)从文本数据(2)中提取二元关系的候选，特性提取部(16)提取二元关系的候选的特性的集合。解答推断部(17)基于学习结果信息推断在二元关系的候选的特性集合的情况下容易形成解答的程度，二元关系提取部(18)根据推断结果提取正的解答的推断程度良好的二元关系的候选。

摘要： 本发明公开了基于电商领域表示模型的端到端三元组提取方法及系统，该方法包括：S100：利用爬虫工具获取商品的描述文本，对描述文本进行掩码处理作为训练数据；S200：基于chunk‑transformers架构构建表示模型，对表示模型进行训练；S300：利用基于Attention‑BiLSTM的实体识别模型对训练数据进行初步识别；S400：生成实体的关系标注序列；S500：对训练数据进行人工标注；S600：使用标注后的训练数据对三元组抽取模型进行训练，采用训练后的三元组抽取模型进行三元组抽取。本发明构建了基于电商领域的表示模型，来实现商品描述文本的专业化理解，提升了电商描述文本识别的准确率。

摘要： 本发明公开了一种高光谱图像端元个数自动估计的端元提取方法，首先使用PPI算法计算高光谱图像中所有像元的PPI值，根据像元的PPI值确定初始候选端元集，并对初始候选端元按PPI值由大到小进行排序；然后依次剔除初始候选端元集中独立性最弱的候选端元，同时获得随端元个数递减的候选端元集的重构精度曲线和端元独立性曲线，通过寻找这两条曲线变化的显著性位置确定端元个数的取值范围；最后利用SGA算法获取不同端元个数下的二次选择候选端元集，根据这些候选端元集所构成的重构精度曲线，确定最终的端元个数，同时获得最终的端元提取结果。本发明不需要事先给定端元的个数，有利于端元提取的自动化处理，同时提取的端元准确性高。

摘要： 本发明涉及一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法，包括：步骤1、对两时相高光谱数据进行预处理；步骤2、利用光谱特征、几何特征和纹理特征对拼接后的影像进行多特征提取。本发明的有益效果是：首先通过多特征提取对影像大类进行聚类分割得到地物分割图，利用高光谱遥感数据，通过地物的光谱特征、几何特征、纹理特征精细分割出地物类型；针对同类地物不同端元进行精细分类研究：利用耦合非负矩阵分解的方法提取纯净度较高的精细端元，然后基于稀疏解混方法求解得到端元丰度，进而通过两时相的丰度检测滨海湿地变化情况，实现滨海湿地在亚像元尺度上的精细变化检测。具有简易的操作性和较强的实用性。

摘要： 本发明公开了一种高光谱图像端元个数自动估计的端元提取方法，首先使用PPI算法计算高光谱图像中所有像元的PPI值，根据像元的PPI值确定初始候选端元集，并对初始候选端元按PPI值由大到小进行排序；然后依次剔除初始候选端元集中独立性最弱的候选端元，同时获得随端元个数递减的候选端元集的重构精度曲线和端元独立性曲线，通过寻找这两条曲线变化的显著性位置确定端元个数的取值范围；最后利用SGA算法获取不同端元个数下的二次选择候选端元集，根据这些候选端元集所构成的重构精度曲线，确定最终的端元个数，同时获得最终的端元提取结果。本发明不需要事先给定端元的个数，有利于端元提取的自动化处理，同时提取的端元准确性高。

摘要： 本发明涉及一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法，包括：步骤1、对两时相高光谱数据进行预处理；步骤2、利用光谱特征、几何特征和纹理特征对拼接后的影像进行多特征提取。本发明的有益效果是：首先通过多特征提取对影像大类进行聚类分割得到地物分割图，利用高光谱遥感数据，通过地物的光谱特征、几何特征、纹理特征精细分割出地物类型；针对同类地物不同端元进行精细分类研究：利用耦合非负矩阵分解的方法提取纯净度较高的精细端元，然后基于稀疏解混方法求解得到端元丰度，进而通过两时相的丰度检测滨海湿地变化情况，实现滨海湿地在亚像元尺度上的精细变化检测。具有简易的操作性和较强的实用性。

摘要： 本发明公开了一种基于图形处理器的端元提取纯像元指数方法，克服了现有技术中随着高光谱图像精度的增加，纯像元指数PPI算法计算复杂度高、对时间的消耗不断增大，不能满足空载实时处理的要求的缺点。实现步骤为：(1)输入数据；(2)生成随机向量；(3)极值投影；(4)确定端元。本发明具有能能够实时提取高光谱图像立方数据中的端元信息，为后续数据处理提供了可靠保障，显著提高了算法的运行效率，降低了运行时间，并达到高光谱场景图空载实时处理的要求，取得良好性能，并且复杂度有所提高。

摘要： 本发明涉及一种混合像元分解及其端元提取方法。遥感是指利用在高空或外层空间运行的各种平台上的传感器获得地表信息，通过信息处理方法获得地表物体的形状、位置、空间分布、类别和性质等的一门现代化应用技术科学。遥感起源于上世纪60年代，它集成了航天、计算机、传感器、信息处理等技术。获取的遥感图像包含了丰富的光谱和空间信息，因而在环境监测、测绘、地质岩矿的识别、农业，林业、考古、旅游以及军事等诸多方面都有着广泛的应用。

摘要： 本发明涉及一种基于非负稀疏自编码器的盲端元提取与光谱解混方法，该方法的一个具体实施方式包括：对原始高光谱图像进行波段选择，将经过波段选择之后的高光谱图像中任一像元的光谱通道数据输入非负稀疏自编码器；非负稀疏自编码器包含输入层、多个隐藏层和输出层；在输出层的输出数据能够复现光谱通道数据的情况下，获取多个隐藏层中最后一个隐藏层的每一神经元的激活值以及最后一个隐藏层的每一神经元与输出层的权重向量；将每一神经元与输出层的权重向量确定为一个盲端元的光谱数据，将该神经元的激活值确定为对应于该盲端元的丰度，从而实现任一像元的光谱解混。该实施方式能够通过非负稀疏自编码器实现高精度的盲端元提取与光谱解混。

摘要： 本发明涉及一种光谱端元自动提取方法及装置，获取卫星遥感影像并计算卫星遥感影像的各植被指数影像；将各植被指数影像中对应像元值分别作为二维坐标系的坐标点，逐像元的构建出三角特征空间散点，并确定有效散点范围；最后根据有效散点范围以及光谱端元在三角特征空间的分布规律，自动搜寻光谱端元以完成提取。基于此，解决在光谱端元选取中需人工干预及专家先验知识等费时费力且自动化程度低的问题，提高光谱端元提取的效率和准确性。