本文關(guān)鍵詞：高光譜圖像混合像元分解技術(shù)研究

  更多相關(guān)文章： 高光譜圖像 混合像元分解 非負矩陣分解 平滑約束 稀疏約束

【摘要】：高光譜遙感將具有地物性質(zhì)的光譜與地物空間與幾何特性的圖像有機地結(jié)合在一起為人類提供了前所未有的豐富信息,但高光譜遙感信息提取與識別面臨的一個突出問題就是混合像元,解決混合像元方法就是混合像元分解。高光譜圖像的混合像元分解是對圖像中的混合像元進行解混的過程,其本質(zhì)是將原始圖像分解為多種純凈地物及相應(yīng)的豐度,而非負矩陣分解是一種將非負的數(shù)據(jù)矩陣分解為兩個非負的矩陣相乘的算法。本文主要圍繞像元形成的線性效應(yīng)來展開,利用非負矩陣分解算法,對混合像元分解進行研究和分析。首先,對混合像元產(chǎn)生的原因進行了分析;然后,對高光譜圖像解混涉及的線性混合模型、端元提取、豐度估計和評價指標等幾個方面的內(nèi)容進行了詳細論述,對傳統(tǒng)的各類端元提取算法和豐度估計算法進行了分析,比較了各算法的優(yōu)缺點。針對傳統(tǒng)非負矩陣分解法中解空間較大、存在大量局部極小值的問題,提出了一種改進的平滑性和稀疏性約束的非負矩陣分解法(INMFSSC)。首先使用頂點成分分析法對高光譜圖像進行端元提取,將其作為端元矩陣的初始值;然后,將最小二乘法提取的豐度作為豐度矩陣的初始值;最后,在目標函數(shù)中加入平滑性和稀疏性約束,從而實現(xiàn)對混合像元進行較好的分解。通過對模擬高光譜數(shù)據(jù)和真實遙感圖像的仿真研究,實驗結(jié)果表明,該方法不僅能有效地克服傳統(tǒng)非負矩陣分解法的缺陷,而且能估計出精確的端元和對應(yīng)的豐度,獲得較好的解混效果。高光譜圖像中混合像元的存在直接影響基于遙感影像的地物識別精度,光譜解混算法可以有效地解決混合像元問題。最小體積限制的非負矩陣分解算法(MVCNMF)不需要假定純像元的存在;并且在自動提取端元的同時,能夠獲取每種端元所對應(yīng)的豐度圖;然而該方法并沒有考慮豐度矩陣的稀疏特性,所以提出了將平滑L0模稀疏約束引入到MVCNMF算法中,用于進一步提高算法的精度。通過模擬高光譜數(shù)據(jù)和真實遙感圖像進行仿真研究,實驗結(jié)果表明改進的算法提高了算法的精度。
【關(guān)鍵詞】：高光譜圖像 混合像元分解 非負矩陣分解 平滑約束 稀疏約束
【學(xué)位授予單位】：沈陽航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要6-7
• ABSTRACT7-12
• 第1章 緒論12-19
• 1.1 課題背景及研究意義12-13
• 1.2 高光譜圖像混合像元分解技術(shù)發(fā)展概述13-15
• 1.3 高光譜圖像混合像元分解技術(shù)的應(yīng)用現(xiàn)狀及前景15-16
• 1.4 論文主要研究內(nèi)容及結(jié)構(gòu)安排16-19
• 1.4.1 論文主要研究內(nèi)容16-17
• 1.4.2 論文結(jié)構(gòu)安排17-19
• 第2章 高光譜圖像混合像元分解技術(shù)19-34
• 2.1 混合像元問題與混合模型19-24
• 2.1.1 混合像元產(chǎn)生的機理20-21
• 2.1.2 混合像元組成模型21-24
• 2.2 端元提取算法24-29
• 2.2.1 像元純凈指數(shù)法25-26
• 2.2.2 內(nèi)部最大體積算法26-27
• 2.2.3 頂點成分分析算法27-29
• 2.2.4 誤差迭代算法29
• 2.3 高光譜圖像端元豐度估計方法29-32
• 2.3.1 無約束最小二乘29-30
• 2.3.2 和為一約束最小二乘30
• 2.3.3 非負約束最小二乘30-31
• 2.3.4 全約束最小二乘31-32
• 2.4 實驗結(jié)果性能評價指標32-33
• 2.5 本章小結(jié)33-34
• 第3章 加入約束的NMF高光譜圖像混合像元分解技術(shù)34-43
• 3.1 非負矩陣分解34-37
• 3.1.1 問題描述34-35
• 3.1.2 目標函數(shù)35
• 3.1.3 迭代規(guī)則35-37
• 3.2 基于約束的非負矩陣分解算法37-39
• 3.2.1 算法描述37
• 3.2.2 基于平滑性和稀疏性約束的NMF的混合像元分解37-39
• 3.3 實驗與分析39-41
• 3.3.1 模擬數(shù)據(jù)實驗39-40
• 3.3.2 真實數(shù)據(jù)實驗40-41
• 3.4 本章小結(jié)41-43
• 第4章 基于約束的MVCNMF高光譜圖像混合像元分解技術(shù)43-56
• 4.1 最小體積限制的非負矩陣分解方法43-46
• 4.1.1 單形體體積43-45
• 4.1.2 MVCNMF算法45-46
• 4.2 基于約束的MVCNMF算法46-48
• 4.2.1 問題描述46
• 4.2.2 基于約束的MVCNMF算法實現(xiàn)46-48
• 4.3 實驗與分析48-55
• 4.3.1 模擬數(shù)據(jù)實驗48-51
• 4.3.2 真實數(shù)據(jù)實驗51-55
• 4.4 本章小結(jié)55-56
• 總結(jié)與展望56-58
• 參考文獻58-61
• 致謝61-62
• 攻讀碩士期間發(fā)表（含錄用）的學(xué)術(shù)論文62

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 魏一葦;黃世奇;王藝婷;盧云龍;劉代志;;基于體積和稀疏約束的高光譜混合像元分解算法[J];紅外與激光工程;2014年04期

2 孫旭光;蔡敬菊;徐智勇;張建林;;基于非負矩陣分解的高光譜圖像混合像元分解[J];光電工程;2012年12期

3 葉軍;;基于投影梯度及下逼近方法的非負矩陣分解[J];計算機工程;2012年03期

4 劉雪松;王斌;張立明;;基于非負矩陣分解的高光譜遙感圖像混合像元分解[J];紅外與毫米波學(xué)報;2011年01期

5 黎貴發(fā);;基于改進BP神經(jīng)網(wǎng)絡(luò)的遙感影像混合像元分解[J];地理空間信息;2009年03期

6 張偉;杜培軍;張華鵬;;基于神經(jīng)網(wǎng)絡(luò)的高光譜混合像元分解方法研究[J];測繪通報;2007年07期

，

本文編號：1032967