端元提取

关于高光谱端元提取的理论方法。针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解.

端元提取

• 凸体几何法
  • 单形体体积法
    • 最小体积变换MVT
    • 外包单形体收缩SSWA
    • 向里收缩min
    • 内部最大体积N-FIN-DR
    • 单形体增长SGA
    • 向外扩张max
  • 投影法
    • 投影法是将像元向量投向指定方向求取极值作为提取端元的算法
    • 顶点成分分析VCA
  • 凸锥法
    • 凸锥体积分析CCVA
  • 优缺点
    • 优点：物理意义明确、计算量小且端元提取精度较高
    • 缺点：对噪声敏感，需要纯净像元假设
• 空谱信息结合法
  • 自动形态学端元提取算法AMEE
    • 先河
  • 空间光谱端元提取算法(SSEE)
  • 空间预处理算法(SPP)
  • 基于全变差的SUn SAL(SUn SAL-TV)
  • 代表性
  • 空间不连续加权稀疏解混
  • 基于总变差正则双向滤波稀疏解混
  • 平滑图像和保留边缘信息
    • 针对空谱信息相结合的方法易导致边缘模糊和过平滑的现象
  • 优缺点
    • 优点：充分利用了图像信息，解混精度较高
    • 缺点：计算量大，实时性差
• 仿生智能优化算法
  • 新兴的具有全局搜索优化能力的算法，是基于动物的某些行为规律产生的算法，比如布谷鸟寻窝行为、萤火虫发光行为、鸟群捕食行为等，属于智能科学研究领域
  • 蚁群优化算法(ACO)
  • 离散粒子群优化算法(DPSO)
  • 自适应布谷鸟算法(ACS)
  • 优缺点
    • 优点：减小了局部极值的影响，全局优化能力强
    • 缺点：参数多，计算量大
• 稀疏回归分析
  • 分离变量增广拉格朗日(SUn SAL)
  • 协同稀疏回归解混
  • 局部协同稀疏回归解混
  • 非局部低秩先验解混
  • 空间光谱加权稀疏解混
  • 同时进行端元提取和丰度反演
  • 优缺点
    • 优点：不需要纯净像元假设，解混精度较高
    • 缺点：不能很好的解决混合度高的图像
• 统计学法
  • 非负矩阵分解(NMF)
  • 迭代误差分析(IEA)
  • 独立成分分析(ICA)
  • 同时进行端元提取和丰度反演
  • 优缺点
    • 优点：可处理混合度较高的图像
    • 缺点：需要多次迭代求解，计算量大