非监督实时光谱解混问题研究

Linear spectral unmixing technology has been deeply researched and widely used in many fields in the pass years, because its model is considered simple and clear. But its automatic effect on real image is limited by development of the unsupervised and real-time technology. The dimensionality estimation process is not connected with endmember extraction properly firstly, resulting endmember set not good enough for representing the whole image. Secondly, iterations in constrained abundance estimation process require a long time of computation. Thirdly, matrix inversion in current algorithms causes high computation cost and is hard to realize on hardware. Based on the orthogonal vector projection technique, three major contributions are listed here. Statistical factors and new variable distribution are used for endmember extraction and dimensionality estimation respectively, so as to match their signals and criterions and improve performance of endmembers finally. The simplex projection is combined to decrease number of iterations, and speed up computation as well. Recursive technology is used to replace matrix inversion with vector computations, to reduce complexity and cost of the algorithms, and make it easier to be realized on hardware. The project will contribute to research of unsupervised spectral unmixing theory and technology, and speed up progress of hyperspectral real-time application and practicability.

随着线性高光谱解混理论的广泛研究和应用，非监督和实时化解混逐渐成为热点问题。但是，非监督情况下的端元数量估计和端元提取耦合松散，导致端元集解析性能不高；全约束丰度估计的迭代次数多，导致端元数量大时，计算时间过长；矩阵求逆等运算的使用，导致软件算法复杂度高达指数级，且硬件实现困难。因此，项目首先优化端元数量估计中的概率分布假设，并在端元提取中加入信号概率分布和统计信息约束，统一了端元数估计和端元提取的信号源及标准，以提高结果端元集的解析能力；其次，在全约束丰度估计中结合正交向量投影和单形体几何投影的方法，减少迭代次数和单次迭代计算量，在保证算法解混精度的同时加快计算速度；最后，利用递归的序列化实时技术，将矩阵求逆等复杂运算转换为向量运算，降低方法的计算复杂度和硬件实现难度。项目将最终形成一个非监督实时光谱解混系统，进一步完善非监督解混的理论和技术，并推动光谱技术的实时化和实用化进程。

线性光谱解混方法因为模型简单、物理意义明确，在高光谱分析中得到了广泛的研究和使用。端元数量估计、端元提取和端元丰度估计三者都对线性光谱解混最终的解混精度起着重要作用。如何结合端元数估计进行端元的非监督自动提取，以提高端元集的精度和自适应性；如何减少全约束丰度估计算法的迭代次数，以缩短估计过程并加快速度；如何简化复杂的矩阵运算，以降低运算量和硬件实现难度，使技术实时化。这些问题的解决对提高高光谱技术的实际图像处理能力、准确度和效率，推进技术实用化具有重要的作用。.本项目主要研究：（1）优化端元数量估计中的概率分布假设，并在端元提取中加入信号概率分布和统计信息约束，统一了端元数估计和端元提取的信号源及标准，以提高结果端元集的解析能力；（2）在全约束丰度估计中结合正交向量投影和单形体几何投影的方法，减少迭代次数和单次迭代计算量，在保证算法解混精度的同时加快计算速度；（3）利用递归的序列化实时技术，将矩阵求逆等复杂运算转换为向量运算，降低方法的计算复杂度和硬件实现难度。.课题组提出了一系列结合图像中像元光谱特征分布统计的分析方法，充分利用统计特性分布中的不同特点与数据分析任务间的关联，提高了目标检测、光谱解析和光谱分类的性能；从几何法解混的角度提出了全约束丰度估计方法，结合物理含义确定单形体内部的投影点；利用双向优化方法，对不等式约束优化问题进行求解，考虑端元集不完备因素对和为一约束进行松弛处理，提高了全约束丰度估计的速度和精度；基于递归和几何解混的思路，提出了递归几何单形体体积增长算法，将新端元提取过程中的复杂矩阵求逆运算转换为向量运算，加快算法的执行速度并缓解大规模矩阵求逆过程中导致的误差积累问题；提出一系列基于GPU的向量光谱解混方法，设计像元分析和向量乘法等相同结构运算的并行方式，结合软件和硬件方法提高了光谱解混的速度；提出了基于迭代目标检测的高光谱图像分类理论，构建基于单目标检测和多目标检测以及考虑背景影响的图像分类方法，有效降低类别间以及复杂背景对分类效果的影响，提高分类精度。.研究借助代数几何、随机过程以及信号探测等理论，实现端元数量估计、端元光谱提取、全约束丰度估计和算法实时化，为自动快速的光谱解混处理提供理论指导，进而解决高光谱数据处理中的非监督处理难题。本课题研究对于推动高光谱遥感在空间信息网络、海洋环境安全保障等领域应用具有重要理论意义和实际价值。.