检索结果-南通市图书馆

结合注意力机制的双流卷积自编码高光谱解混方法

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2024年第4期61卷 417-425页

作者：苏晓通郭宝峰尤靖云吴文豪许张弛杭州电子科技大学自动化学院浙江杭州310018

针对基于卷积自编码进行空-谱联合的高光谱解混方法中,过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象,提出一种结合注意力机制的双流卷积自编码高光谱解混方法(DSCU-Net)。首先,利用双流卷积网络分别提取高光谱图像的空间特... 详细信息

针对基于卷积自编码进行空-谱联合的高光谱解混方法中,过度引入像元光谱之间的空间相关性导致丰度过于平滑的现象,提出一种结合注意力机制的双流卷积自编码高光谱解混方法(DSCU-Net)。首先,利用双流卷积网络分别提取高光谱图像的空间特征和光谱特征;其次,为了确保空间特征和光谱特征之间的平衡性,引入通道注意力机制对提取到的空间特征进行重加权,并对光谱特征和重加权后的空间特征进行融合;最后,使用融合后的特征进行高光谱图像重构,并将重构结果送入解混网络的主干网络中进行光谱解混。通过最小化两次重构误差进行解混网络的训练。为了验证所提方法的性能,在两个真实数据集上进行实验,并对复杂场景下算法的性能表现进行分析。结果表明,DSCU-Net能够有效减少过度引入空间相关性造成丰度过于平滑的现象,具有更好的解混性能。

关键词：遥感高光谱解混卷积自编码器通道注意力机制双流结构

一种基于ADMM和深度生成先验的高光谱解混方法

在线全文

学校读者我要写书评

暂无评论

哈尔滨工程大学学报 2024年

作者：赵敏陈捷西北工业大学航海学院西北工业大学深圳研究院

混合像元的存在制约了高光谱图像分类和目标检测的精度，为了提高混合像元分解的精度，精确的分析混合像元中的组成成分，本文提出将优化方法和深度生成先验结合的高光谱解混方法，实现数据驱动和模型驱动的有机结合。近年来，基于深度... 详细信息

混合像元的存在制约了高光谱图像分类和目标检测的精度，为了提高混合像元分解的精度，精确的分析混合像元中的组成成分，本文提出将优化方法和深度生成先验结合的高光谱解混方法，实现数据驱动和模型驱动的有机结合。近年来，基于深度神经网络的处理方法被广泛使用在高光谱解混任务中。但是该类方法是“黑盒子”，缺乏物理可解释性。传统的基于数学优化的高光谱解混方法，通过使用人工设计的先验项引入图像内含信息，提高解混精度。但是对于复杂的先验项，求解方法复杂，且并不是所有先验信息都可以用数学模型表示出来。是以，本文提出一结合交替方向乘子法（alternating direction method of multipliers，ADMM）优化算法和深度生成先验的高光谱解混方法，联合使用数学优化和深度方法的优越性。具体地，首先使用ADMM算法将数据拟合项和生成先验项进行解耦，对于生成先验，使用传统解混方法获得的丰度预训练变分自编码器（variational autoencoder，VAE）网络，并将解码器作为生成器。本文同时使用人工合成数据和真实遥感数据验证所提出方法的有效性。

关键词：遥感，高光谱图像混合像元高光谱解混深度先验 ADMM 生成模型变分自编码器

基于图拉普拉斯正则化的柯西非负矩阵分解高光谱解混

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

激光与光电子学进展 2024年第14期 278-288页

作者：陈善学许少华重庆邮电大学通信与信息工程学院移动通信教育部工程研究中心重庆邮电大学通信与信息工程学院移动通信技术重庆市重点实验室

基于欧氏距离标准的非负矩阵分解（NMF）在面对含有噪声和异常像元污染的高光谱图像时，容易造成解混的失败。为了抑制噪声或异常像元的影响，采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱图... 详细信息

基于欧氏距离标准的非负矩阵分解（NMF）在面对含有噪声和异常像元污染的高光谱图像时，容易造成解混的失败。为了抑制噪声或异常像元的影响，采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱图像内在的丰度结构，因此为保证原始高光谱内部数据不被破坏，将图拉普拉斯约束引入模型中。同时，为提高丰度矩阵的稀疏性，提高解混性能，引入重加权稀疏约束项，提出基于图拉普拉斯正则化的柯西非负矩阵（CNMF-GLR）分解的算法。考虑到图拉普拉斯约束对邻域选择的需求，使用局部邻域加权的方法，通过矩形窗结构来确定局部邻域。在模拟数据集和真实数据集上使用相同初始化条件与其他经典算法进行比较，结果表明，所提算法具有更好的鲁棒性和解混性能。

关键词：高光谱解混非负矩阵分解柯西损失函数图拉普拉斯重加权稀疏

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于光易变性低秩正交先验的高光谱解混

激光与红外 2024年第4期54卷 642-653页

作者：马飞李树雪杨飞霞徐光宪辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105 辽宁工程技术大学电气与控制工程学院辽宁葫芦岛125105

高光谱解混是通过图像分解提取端元及丰度特征的过程,然而由光照、大气等因素引起的光谱类内易变性,或者由环境变化、设备等非线性因素导致的谱间易变性,会导致特征提取精度下降。为了全面考虑解混过程中光谱变化的问题,本文引入光谱易... 详细信息

高光谱解混是通过图像分解提取端元及丰度特征的过程,然而由光照、大气等因素引起的光谱类内易变性,或者由环境变化、设备等非线性因素导致的谱间易变性,会导致特征提取精度下降。为了全面考虑解混过程中光谱变化的问题,本文引入光谱易变性的低秩正交先验提出了一种增强型的光谱解混优化模型。首先,在线性解混模型基础上引入易变性数据拟合项来同时考虑光谱类内和类间变化,利用缩放因子来解决光谱类内易变性,同时增加光谱易变性扰动矩阵来解决谱间易变性。其次,该模型利用正交先验约束来实现原光谱字典与易变性项的空间低相干性,通过采用核范数对数松弛来强化丰度矩阵的低秩特性,抑制微小分量及噪声。最后,采用交替优化法及向量-矩阵算子降低求解算法复杂度。通过模拟数据集和真实数据集仿真测试结果表明,本文所提算法取得了优于对比算法的良好性能,验证了该优化模型的有效性。

关键词：高光谱解混光谱易变性低秩正交先验稀疏性

在线全文

学校读者我要写书评

暂无评论

求解高光谱解混的三算子分裂方法

郑州大学学报(理学版) 2024年

作者：董云达张园园李一怡郑州大学数学与统计学院

对于高光谱解混问题,提出了一个相应的三算子单调包含和求解该问题的一个分裂方法,其中邻近因子可以自适应选取。该方法还可用于求解更一般的带有线性复合的三算子单调包含问题。数值实验表明,该算法的性能远远超过最近提出的邻近内点方... 详细信息

对于高光谱解混问题,提出了一个相应的三算子单调包含和求解该问题的一个分裂方法,其中邻近因子可以自适应选取。该方法还可用于求解更一般的带有线性复合的三算子单调包含问题。数值实验表明,该算法的性能远远超过最近提出的邻近内点方法,并且与其变尺度版本相当。

关键词：邻近内点法单调包含分裂方法高光谱解混自适应

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于表示模型的高光谱图像盲解混算法研究

基于表示模型的高光谱图像盲解混算法研究

作者：李振青北方民族大学

学位级别：硕士

高光谱遥感影像中连续窄光谱波段包含了丰富的识别目标信息,因此高光谱遥感影像被越来越多的研究者采用,并成功应用于农业产量估计、食物质量检测和环境监测等领域。然而,由于高光谱传感器空间分辨率精度的限制和地物多样性等因素,导致... 详细信息

高光谱遥感影像中连续窄光谱波段包含了丰富的识别目标信息,因此高光谱遥感影像被越来越多的研究者采用,并成功应用于农业产量估计、食物质量检测和环境监测等领域。然而,由于高光谱传感器空间分辨率精度的限制和地物多样性等因素,导致高光谱图像中像素通常由多种材料混合而成,形成大量的“混合像元”。因此,为了减少此类像元对后续应用的负面影响,高光谱解混任务已经成为高光谱遥感影像分析中广泛使用的技术。高光谱图像解混的主要目的是将混合像元分解为多个光谱特征(即端元)及其相应的分数(即丰度)。随着高光谱图像中地物场景的日益复杂和内部结构关系的加强,传统数据描述方法已经显得力不从心,这对高光谱遥感图像的混合像元分解提出了新的挑战,主要面临的问题有:1)有效的空间相似特征表达问题;2)微小光谱特征的贡献问题;3)多因子数据的有效建模问题。因此,本文围绕上述关键问题对高光谱解混任务展开了一系列研究,主要的研究内容和创新点如下:(1)针对图像的空间相似性和微小光谱特征贡献问题,本文提出了一种基于自适应特征选择的高阶图正则NMF高光谱解混算法(HGNMF-FS)。传统的空间信息探索方法通常采用一阶邻近关系来表示两个像素或区域之间的相似性,忽略了数据中存在的邻域结构关系。HGNMF-FS算法利用一阶邻近关系的邻域结构捕获了二阶邻近关系,并通过一阶邻近关系与二阶邻近关系求和的方式构建了高阶图正则项,增强了同质区域的聚合性。此外,在数据重构项中引入权值矩阵。通过解决权值矩阵的二次规划问题,实现自适应的选择光谱特征,平衡不同特征值的影响。(2)针对当前基于张量的解混模型在利用先验信息时仍存在不充分,忽略多因子先验信息协同约束的效力。本文提出了一种多因子协同正则化的自加权单向全变分低秩NTF解混模型(MFUTV-LRNTF)。MFUTV-LRNTF算法首先利用两个丰度子矩阵像素之间的空间相似性与组稀疏结构,构建了两个自加权单向全变分正则子,提升了生成丰度图的平滑和稀疏性。其次,为了平滑端元光谱,减少光谱受到噪声干扰而产生的毛刺现象,引入端元波段差分算子,以确保端元光谱分段平滑特性。最后,将两个自加权单向全变分正则子和端元光谱平滑正则子,共同引入到低秩NTF框架中协同约束非凸张量表示模型。通过多因子之间协同效力有效的建模了高光谱解混模型,减弱了噪声对端元矩阵和丰度矩阵的干扰,提高了解混性能。最后,在两种模拟数据集和四种真实数据集上进行实验,采用光谱角距离和均方根误差作为度量指标。实验结果表明,本文所提出的方法与先进方法比较均表现出有效性和优越性。我们通过使用Python语言和Py Qt5框架设计了高光谱遥感图像解混算法验证平台,以进一步促进高光谱图像研究的发展和应用。

关键词：高光谱图像空间光谱信息非负矩阵分解低秩非负张量分解高光谱解混

基于子空间结构正则化的L_(21)非负矩阵分解高光谱解混

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

电子与信息学报 2022年第5期44卷 1704-1713页

作者：陈善学刘荣华重庆邮电大学通信与信息工程学院重庆400065 移动通信技术重庆市重点实验室重庆400065

标准的非负矩阵分解(NMF)应用于高光谱解混时,容易受到噪声和异常值的干扰,解混效果较差。为了提高分解性能,该文将L_(21)范数引入标准的NMF算法中,对模型进行了改进,从而提高算法的鲁棒性。其次,为了提高分解后丰度矩阵的稀疏性,将双... 详细信息

标准的非负矩阵分解(NMF)应用于高光谱解混时,容易受到噪声和异常值的干扰,解混效果较差。为了提高分解性能,该文将L_(21)范数引入标准的NMF算法中,对模型进行了改进,从而提高算法的鲁棒性。其次,为了提高分解后丰度矩阵的稀疏性,将双重加权稀疏约束引入L_(21)NMF模型中,使其中一个权值提高每个像元对应的丰度向量上的稀疏性,另一个权值提高每个端元对应的丰度向量上的稀疏性。同时,为了利用像元的全局空间分布信息,观察地物在不同图像中的真实分布情况,引入子空间结构正则项,提出了基于子空间结构正则化的L_(21)非负矩阵分解(L_(21)NMF-SSR)算法。通过在模拟数据集和真实数据集与其他经典算法的比较,验证了该算法具有更好的性能,同时具有去噪能力。

关键词：高光谱解混非负矩阵分解 L_(21)范数双重加权稀疏子空间结构

在线全文

学校读者我要写书评

暂无评论

生成对抗网络的无监督高光谱解混

遥感学报 2023年第8期27卷 1964-1974页

作者：靳淇文马泳樊凡黄珺李皞梅晓光武汉大学电子信息学院武汉430072 武汉大学宇航科学与技术研究院武汉430079 武汉轻工大学数学与计算机科学学院武汉430023

近年来,基于深度学习中自编码器(AE)的方法在无监督的高光谱解混中受到了广泛的关注。由于AE的学习过程可以表述为通过训练找出一组低维的隐藏层(丰度),并用其对应的权重(端元)进行组合来减少重构误差,因而这种框架被广泛迁移并应用于... 详细信息

近年来,基于深度学习中自编码器(AE)的方法在无监督的高光谱解混中受到了广泛的关注。由于AE的学习过程可以表述为通过训练找出一组低维的隐藏层(丰度),并用其对应的权重(端元)进行组合来减少重构误差,因而这种框架被广泛迁移并应用于高光谱的解混算法之中。然而,现有基于AE的框架虽然能有效地处理无监督的解混场景,却都存在着对噪声和初始化条件不鲁棒的问题,且解混精度也有待进一步提升。针对以上问题本文提出了一种全新的基于对抗性自编码网络(AAE)的无监督解混网络框架。首先,在网络的生成器中根据丰度和为一(ASC)及非负性(ANC)的物理意义,设计了一个基于AE的端到端解混框架。然后,在网络的判决器中本文采用初始化的丰度图作为真实值,将生成器的隐藏层(丰度)与初始化的丰度进行对抗训练,在重构误差与对抗误差的同步优化中提升框架解混性能。与传统的AE方法相比,该方法通过引入对抗性过程,在判决器中加入丰度的先验知识,可以大大提高框架的性能和鲁棒性。仿真和真实的高光谱数据的实验表明,该算法较现有方法相比具有更高的解混精度。

关键词：遥感高光谱解混深度学习对抗自编码器高光谱图像

基于图拉普拉斯正则化的柯西非负矩阵分解高光谱解混

在线全文

学校读者我要写书评

暂无评论

激光与光电子学进展 2023年

作者：陈善学许少华重庆邮电大学通信与信息工程学院

基于欧氏距离标准的非负矩阵分解(NMF)在面对含有噪声和异常像元污染的高光谱图像时，容易造成解混的失败。为了抑制噪声或异常像元的影响，该文采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱... 详细信息

基于欧氏距离标准的非负矩阵分解(NMF)在面对含有噪声和异常像元污染的高光谱图像时，容易造成解混的失败。为了抑制噪声或异常像元的影响，该文采用基于柯西损失函数的NMF模型以提高解混的鲁棒性。由于对异常值的抑制可能会破坏高光谱图像内在的丰度结构。因此，为保证原始高光谱内部数据不被破坏，将图拉普拉斯约束引入了模型中。同时，为提高丰度矩阵的稀疏性，提高解混性能，引入了重加权稀疏约束项，提出了基于图拉普拉斯正则化的柯西非负矩阵(CNMF-GLR)分解的算法。考虑到图拉普拉斯约束对邻域选择的需求，该文使用局部邻域加权的方法，通过矩形窗结构来确定局部邻域。通过在模拟数据集和真实数据集上使用相同初始化条件与其他经典算法进行比较，验证了该方法具有更好的鲁棒性和解混性能。

关键词：高光谱解混非负矩阵分解柯西损失函数图拉普拉斯重加权稀疏