The traditional spectralunmixing algorithm ignores the different noise levels of the image in different bands, which leads to the limited accuracy of unmixing. To overcome this problem, based on the hyperspectral imagery, an Extended linear spectral unmixing algorithm based on noise level estimation (NELMM) is proposed. First, according to the multivariate regression theory in hyperspectral applications, the noise in adjacent bands is estimated. Second, the noise weight matrix is obtained from the estimated noise. Finally,the noise weighting matrix is integrated into the linear spectral unmixing framework, which can alleviate the impact of different noise levels at different bands. In order to verify the accuracy of the algorithm, the Fully Constrained Least Squares (FCLS) and Collaborative Sparse Unmixing by variable Splitting and Augmented Lagrangian(CLSUnSAL) are used for comparative analysis, and the vegetation coverage of the TM image is inverted by this algorithm to verify its practicality on multispectral images. The final test results show that the NELMM algorithm is better than the FCLS and CLSUnSAL for the unmixing of hyperspectral images. The noise weight matrix balances the noise between the bands, and the accuracy of the NELMM algorithm for unmixing images is significantly improved. At the same time, this algorithm shows good applicability to multi-spectral image unmixing.
Keywords:Hyperspectral image
;
Vegetation coverage
;
Noise Weight Matrix
;
ALI image
;
Extended Linear Spectral Unmixing
Duan Jinliang, Zhang Rui, Li Kui, Pang Jiatai. A Kind of Extended Linear Spectral Unmixing Algorithm based on Noise Level Estimation. Remote Sensing Technology and Application[J], 2021, 36(4): 820-826 doi:10.11873/j.issn.1004-0323.2021.4.0820
国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10]。监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8]。非监督的分解方法旨在估计端元及其相应的丰度。一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度。此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度。半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16]。然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值。
因此,实验提出了一种基于噪声水平估计的扩展线性光谱分解算法(Noise Estimation Linear Mixing Model,NELMM)。首先,用Bioucas和Nascimento提出的基于多元回归理论的噪声估算方法[17]估算影像的每个波段中的噪声。其次,所提出的NELMM为考虑每个波段的噪声水平构建噪声权重矩阵分别处理每个波段的权重,即噪声等级越高,波段的权重越小。噪声权重矩阵可以使HSI在不同波段的不同噪声水平之间取得平衡,从而减小不同波段的噪声水平对分解精度的影响[7]。最后,将得到的噪声权重矩阵集成到线性混合模型框架中,可以使不同波段不同噪声水平下的NELMM具有鲁棒性,同时保证NELMM的时间效率。为验证NELMM算法对HSI的分解精度,对Hyperion影像进行光谱分解,并利用FCLS和CLSUnSAL来进行对比分析。同时,为进一步挖掘NELMM算法的适用性,对TM影像进行植被覆盖度反演[18]来探索该噪声权重矩阵能否对多光谱波段间的噪声进行平衡,从而能提高其反演精度。
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
... 因此,实验提出了一种基于噪声水平估计的扩展线性光谱分解算法(Noise Estimation Linear Mixing Model,NELMM).首先,用Bioucas和Nascimento提出的基于多元回归理论的噪声估算方法[17]估算影像的每个波段中的噪声.其次,所提出的NELMM为考虑每个波段的噪声水平构建噪声权重矩阵分别处理每个波段的权重,即噪声等级越高,波段的权重越小.噪声权重矩阵可以使HSI在不同波段的不同噪声水平之间取得平衡,从而减小不同波段的噪声水平对分解精度的影响[7].最后,将得到的噪声权重矩阵集成到线性混合模型框架中,可以使不同波段不同噪声水平下的NELMM具有鲁棒性,同时保证NELMM的时间效率.为验证NELMM算法对HSI的分解精度,对Hyperion影像进行光谱分解,并利用FCLS和CLSUnSAL来进行对比分析.同时,为进一步挖掘NELMM算法的适用性,对TM影像进行植被覆盖度反演[18]来探索该噪声权重矩阵能否对多光谱波段间的噪声进行平衡,从而能提高其反演精度. ...
高光谱遥感影像处理中的若干关键技术研究
2
2018
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
... 因此,实验提出了一种基于噪声水平估计的扩展线性光谱分解算法(Noise Estimation Linear Mixing Model,NELMM).首先,用Bioucas和Nascimento提出的基于多元回归理论的噪声估算方法[17]估算影像的每个波段中的噪声.其次,所提出的NELMM为考虑每个波段的噪声水平构建噪声权重矩阵分别处理每个波段的权重,即噪声等级越高,波段的权重越小.噪声权重矩阵可以使HSI在不同波段的不同噪声水平之间取得平衡,从而减小不同波段的噪声水平对分解精度的影响[7].最后,将得到的噪声权重矩阵集成到线性混合模型框架中,可以使不同波段不同噪声水平下的NELMM具有鲁棒性,同时保证NELMM的时间效率.为验证NELMM算法对HSI的分解精度,对Hyperion影像进行光谱分解,并利用FCLS和CLSUnSAL来进行对比分析.同时,为进一步挖掘NELMM算法的适用性,对TM影像进行植被覆盖度反演[18]来探索该噪声权重矩阵能否对多光谱波段间的噪声进行平衡,从而能提高其反演精度. ...
Fully constrained ceast squares linear spectral mixture analysis method for material quantfication in Hyperspectral imagery
3
2001
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
Vertex component analysis: a fast algorithm to unmix Hyperspectral data
1
2005
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
Does Independent component analysis play a role in unmixing Hyperspectral data
2
2005
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
... [10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
Nonnegative matrix factorization for spectral data analysis
1
2006
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
Feature guided Gaussian mixture model with semi-supervised EM and local geometric constraint for retinal image registration
1
2017
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
Futuristic greedy approach to sparse unmixing of hyperspectral data
0
2015
Framelet-based sparse unmixing of Hyperspectral images
0
2016
Total variation spatial regularization for sparse Hyperspectral unmixing
1
2012
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
Collaborative sparse regression for Hyperspectral unmixing
1
2014
... 国内外研究者根据端元的先验知识,将光谱分解大致分为3个主要类别,即监督式、非监督式和半监督式[7-10].监督式的分解算法是估计已知端元的丰度,例如全约束最小二乘法(Fully Constrained Least Squares,FCLS)[8].非监督的分解方法旨在估计端元及其相应的丰度.一种方法是首先使用端元提取算法[9]提取端元,然后通过有监督的分解方法估计其相应的丰度.此外,可以通过独立分量分析方法[10]和非负矩阵分解方法[11]同时估计端元及其对应的丰度.半监督式的分解方法假定可以预先知道混合像元的多种纯光谱特征的线性组合形式,然后找出最优子集的特征去模拟影像中的混合像元[12-15],其中突出的是协同稀疏分解算法(CollaborativeSparse Unmixing by variable Splitting and Augmented Lagrangian,CLSUnSAL)[16].然而,上述算法忽略了HSI在不同波段的噪声水平,对于真实的影像,不同波段的噪声水平是不同,以同样的方式处理所有波段将是不准确,高噪声水平的波段将主宰损失函数,(其中Y是影像上的混合像元,E是端元光谱库,A是丰度矩阵,是矩阵Frobenius范数),导致整个丰度矩阵的估算将受到严重影响,这将使得它偏离真值. ...
Hyperspectral subspace identi?cation
4
2008
... 因此,实验提出了一种基于噪声水平估计的扩展线性光谱分解算法(Noise Estimation Linear Mixing Model,NELMM).首先,用Bioucas和Nascimento提出的基于多元回归理论的噪声估算方法[17]估算影像的每个波段中的噪声.其次,所提出的NELMM为考虑每个波段的噪声水平构建噪声权重矩阵分别处理每个波段的权重,即噪声等级越高,波段的权重越小.噪声权重矩阵可以使HSI在不同波段的不同噪声水平之间取得平衡,从而减小不同波段的噪声水平对分解精度的影响[7].最后,将得到的噪声权重矩阵集成到线性混合模型框架中,可以使不同波段不同噪声水平下的NELMM具有鲁棒性,同时保证NELMM的时间效率.为验证NELMM算法对HSI的分解精度,对Hyperion影像进行光谱分解,并利用FCLS和CLSUnSAL来进行对比分析.同时,为进一步挖掘NELMM算法的适用性,对TM影像进行植被覆盖度反演[18]来探索该噪声权重矩阵能否对多光谱波段间的噪声进行平衡,从而能提高其反演精度. ...