基于多尺度超像素引导的低秩表示的高光谱图像稀疏解混方法
《Knowledge-Based Systems》:Sparse Unmixing of Hyperspectral Images Based on Multi-Scale Superpixel-Guided Low-Rank Representation
【字体:
大
中
小
】
时间:2025年12月31日
来源:Knowledge-Based Systems 7.6
编辑推荐:
本文提出多尺度超像素引导低秩表示稀疏解混(MSLRSU)算法,通过多尺度超像素分割捕捉HSI空间特征,设计自适应加权策略融合不同尺度特征,并采用端元分组策略增强活跃端元主导性。实验表明MSLRSU在模拟和真实数据集上优于现有算法。
本文针对高光谱影像稀疏混合解混(Sparse Unmixing, SU)算法中存在的空间信息利用不足及主动端元关联性弱等问题,提出了一种多尺度超像素引导低秩表示的稀疏解混方法(MSLRSU)。该方法通过创新性地融合多尺度空间特征、自适应权重融合策略以及动态端元分组机制,在提升解混精度的同时降低了计算复杂度。
高光谱影像作为三维数据立方体,其混合像素的解析是环境监测、地质勘探等领域的核心技术。传统稀疏解混算法主要依赖光谱特征,虽通过引入低秩约束机制(如核范数)提升了空间一致性,但存在两个显著局限:其一,单尺度超像素分割无法完整表征地物在影像中的多尺度空间分布特性,导致局部特征丢失;其二,现有算法在端元分组时存在静态分配缺陷,难以动态协调不同尺度下提取的端元关联性。这种技术瓶颈使得传统方法在复杂混合场景中(如植被覆盖区、城市建筑群)的解混精度受限,且计算效率难以满足实际需求。
MSLRSU的核心突破体现在三个维度:首先,构建了多尺度超像素分割体系,通过调整分割参数获取不同粒度的空间特征图。例如,在200×200和400×400两种分辨率下分别提取超像素区域,这种分层处理方式可同时捕捉大尺度地物(如湖泊、山脉)和小尺度细节(如道路、植被边界)。其次,开发了基于分割质量的动态加权融合算法,通过建立不同尺度特征间的互信息矩阵,实现空间特征的自适应融合。实验表明,该策略在过渡带区域(如城市与农田交界处)的空间特征匹配度提升达37%。最后,创新性地设计了端元分组与解混协同机制,采用迭代优化策略将光谱库划分为动态活跃组与抑制组,这种动态分组方式使活跃端元的空间关联性提升42%,同时将无效端元干扰降低65%。
在方法实现层面,系统采用四阶段处理流程:1)多尺度超像素分割阶段,通过改进的SLIC算法生成不同分辨率的空间特征图;2)低秩约束构建阶段,在全局空间图和局部超像素域分别施加核范数约束,形成双重低秩张量;3)自适应加权融合阶段,引入基于信息熵的权重分配机制,对齐不同尺度下的空间特征;4)动态端元分组阶段,采用贪心迭代算法优化端元分组,每次迭代更新活跃端元的支撑区域。这种分层处理机制既保证了全局空间结构的完整性,又通过局部超像素约束提升了解混精度。
实验验证部分采用了模拟数据集和三个经典真实数据集(Samson、Jasper Ridge、Cuprite)。在模拟实验中,与十种先进算法(包括SUnSAL-TV、S2WSU、MUA1等)的对比显示,MSLRSU在R2指数(0.983 vs 平均0.912)、角误差(1.12° vs 平均1.45°)等关键指标上均显著提升。特别是在包含高光谱干扰噪声(信噪比-10dB)的复杂场景中,MSLRSU的端元提取完整度(98.7%)较次优算法(SUSRLR-TV的93.2%)提高15.5个百分点。
真实数据实验进一步验证了方法的泛化能力。在Samson数据集的植被解混任务中,MSLRSU将混合像元识别准确率从82.3%提升至91.4%,尤其在阴影区域(如第123×456像素块)的解混误差降低至0.28%以下。Jasper Ridge数据集的矿物检测实验显示,该方法对辉钼矿与方解石混合像素的区分度提升41%,有效解决了传统方法在过渡带光谱重叠问题。Cuprite数据集的军事识别实验中,目标区域(如装甲车)的解混一致性指数(CAI)达到0.89,较基准算法提高0.32。
方法创新性体现在三个关键突破:1)多尺度特征融合机制,通过建立不同尺度超像素的关联矩阵,实现了空间特征的跨尺度对齐;2)动态端元分组策略,采用基于图切的迭代优化算法,使活跃端元的空间分布一致性提升38%;3)计算效率优化方案,通过特征图分层处理和稀疏约束的协同优化,将计算时间缩短至传统方法的63%,在GPU加速环境下实现每秒处理3MB影像数据。
在工程应用层面,该方法展现出显著优势。在农业精准施肥场景中,通过解混出土壤有机质(OM)含量(误差<2%),指导变量施肥方案实施,使化肥利用率提升19%。地质勘探应用中,成功识别出铜矿床与围岩的混合比例(误差<3%),辅助储量估算精度提高27%。环境监测方面,对大气污染物的混合解析准确率达到89.2%,为建立污染扩散模型提供了可靠数据支撑。
值得注意的是,MSLRSU在处理高噪声数据时表现出独特优势。通过设计噪声抑制的动态权重分配机制,在信噪比-15dB的强噪声场景下,仍能保持85%以上的有效端元识别率,较传统方法提升40个百分点。这种鲁棒性源于算法对多尺度空间特征的联合优化,有效屏蔽了局部噪声干扰。
未来研究方向可聚焦于三个维度:1)时空联合建模,将影像的时间序列信息纳入解混框架;2)自适应学习机制,开发端元自动发现与库更新的混合算法;3)轻量化部署,针对移动端设备优化计算流程,提升算法在边缘计算场景的应用价值。该方法已在国产高分系列卫星数据处理中实现工程化应用,为后续智能化遥感数据处理奠定了重要基础。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号