论文部分内容阅读
在高光谱图像(hyperspectral image,HSI)处理领域中,空间信息越来越成为一个重要的补充信息,因为它考虑了图像像素的空间相关性,这通常涉及结合光谱信息用于图像的预处理和(或)端元提取。端元提取算法(endmember extraction algorithms,EEAs)是近三十年来最常被讨论的高光谱图像处理方法之一。大多数基于光谱的端元提取算法利用了光谱域中数据结构的凸性,但忽视了端元的空间属性。另一方面,基于空间光谱的端元提取算法侧重于讨论像素间的空间相关性和光谱特征的组合以识别端元,但这需要严格的参数手动调整过程以优化端元提取性能,同时要付出计算负担。预处理算法(preprocessing algorithms,PPAs)是高光谱图像端元提取领域的一个重要研究方向,它是一个独立执行的模块,通过联合考虑图像空间上下文和光谱特征,在端元提取之前提供相对较少的高质量像素用于快速端元提取。但是,大多数的预处理算法使用了较为耗时的聚类算法如K-means、模糊C-means和滑动窗口等去获取空间信息。此外,这类算法依赖于参数或者阈值来获得较好的端元候选,需要根据数据质量,如噪声水平、图像同质性等手动调节参数,因此难以保证后续的端元提取性能。针对现存预处理算法和端元提取算法出现的缺陷,本文基于超像素分割、箱图理论和纯像元指数等技术提出了一种新的预处理算法,此外,基于空间权重、数据凸性和空间能量先验分别提出了两种不同策略的端元提取算法,三种算法的描述如下:1.论文首先提出了一种新的基于空间光谱分析的超像素指引的预处理算法(superpixelguided preprocessing based on spatial-spectral analysis,SGPP)。SGPP算法首先采用简单线性迭代聚类(simple linear iterative clustering,SLIC)算法,将整个图像分割成一组超像素。然后,对于封装在每个超级像素中的像素,采用箱图理论和纯像元指数技术来捕获它们的空间紧密度和光谱纯度。最后,算法保留每个超像素中的一些具有较高的空间紧密度和光谱纯度指数的高质量像素,用于后续的端元提取算法。实验表明,SGPP算法可以显著减轻基于光谱的端元提取算法的计算复杂度同时保证端元精度。2.其次,论文提出了一种基于空间加权单纯形的高光谱端元提取策略(spatially weighted simplex strategy,SWSS),研究了一种新的用于识别端元的空间信息嵌入单纯形集成框架。具体地说,SWSS通过确定像素对应的空间邻域相关性来生成每个像素的空间权重标量,以便在单纯形框架内对其自身进行加权以正则端元的选择。SWSS可以在传统的基于单纯形的端元提取算法中实现,如顶点成分分析(vertex component analysis,VCA),在不增加计算复杂度或端元提取精度损失的情况下,将空间信息引入到数据单纯形框架中。3.最后,论文提出了一种空间能量先验约束最大单纯形体积方法(spatial energy prior constrained maximum simplex volume,SENMAV),称为SENMAV,用于高光谱图像的空间光谱端元提取。SENMAV方法从马尔可夫随机场(markov random field,MRF)的空间能量先验角度研究空间信息,利用空间能量先验作为传统的最大体积单纯形模型的正则化项,同时从空间和光谱视点中约束了端元的选择。该算法为基于空间光谱的端元提取算法提供了新的思路,并且由于SENMAV算法同时考虑数据凸性和端元空间能量先验,因此可以很好地平衡端元提取精度与端元空间属性要求之间的权衡。总之,论文提出的三种算法,SGPP算法在预处理阶段引入空间信息,来选择一个高质量的数据子集用于后续的端元提取;SWSS算法通过考虑单纯性框架的缺陷,引入空间权重因子来修正传统单纯性框架以优化对端元的选取;SENMAV算法通过直接引入空间约束项来提升传统单纯性框架对端元的提取能力。实验结果表明,本文所提出的算法对比同类算法在性能上均有较为明显的提升。