發(fā)布時間：2018-04-14 06:42

  本文選題：高光譜解混 + 自編碼器��； 參考：《河北師范大學》2017年碩士論文

【摘要】：隨著遙感應用逐漸趨向于定量化和精確化,高光譜解混作為高光譜遙感影像處理的關(guān)鍵技術(shù)之一,日益引起國內(nèi)外學者的廣泛關(guān)注。高光譜解混是指利用高光譜圖像將混合像元分解為幾種基本類型的地物光譜向量(端元),并求得這些基本地物所占比例(豐度)的技術(shù)。高光譜解混性能的提高,不僅有利于高光譜應用的發(fā)展,如地物的分類和識別、圖像的解譯和可視化、圖像的增強和壓縮等,也對地質(zhì)勘探、農(nóng)業(yè)監(jiān)測和軍事偵查等具有重要意義。本文對高光譜解混的研究現(xiàn)狀進行總結(jié)與分析,并提出了兩種新的非線性解混算法:(1)基于NNSAE-BP的高光譜解混結(jié)合非負稀疏自編碼器(NNSAE)在挖掘數(shù)據(jù)內(nèi)在結(jié)構(gòu)、提取特征方面的優(yōu)勢,提出了一種基于NNSAE-BP的非線性高光譜解混模型。該模型的實現(xiàn)步驟包括兩個階段:解混模型的監(jiān)督式學習階段和高光譜數(shù)據(jù)的非線性解混階段。最終將高光譜解混的問題轉(zhuǎn)化為基于NNSAE編碼模塊的高光譜特征提取、以及基于BP神經(jīng)網(wǎng)絡豐度預測模塊的端元豐度預測。在基于NNSAE編碼模塊的高光譜特征提取模型學習中,針對編碼模塊表示層節(jié)點的優(yōu)選,提出了一種基于Otsu的編碼模塊表示層節(jié)點自適應選取算法,有效降低了模型計算的復雜度;利用BP神經(jīng)網(wǎng)絡采用小批量梯度下降法實現(xiàn)回歸分析,并在目標函數(shù)中引入L2權(quán)重衰減項,防止過擬合。通過在真實高光譜數(shù)據(jù)庫上的實驗證明,該方法有效地提高了解混性能。(2)基于SSC-rNMF的高光譜解混從盲源分離角度出發(fā),以非負矩陣分解(NMF)理論作為研究工具,同時引入端元的L2正則約束和豐度的L1/2正則約束,提出了一種基于平滑和稀疏約束的魯棒非負矩陣分解(SSC-rNMF)方法�；赟SC-rNMF的解混方法是非監(jiān)督式的,所需的先驗信息僅為端元個數(shù);采用塊坐標下降法以乘法迭代的方式,實現(xiàn)高光譜圖像的低秩分解;并引入符合高光譜解混特性的正則化,減小矩陣分解的解空間。不同于NMF,SSC-rNMF算法通過對非負的異常項進行乘法迭代計算,使其描述非線性因素的影響,提高模型的泛化能力和對噪聲的抗干擾能力。最后,通過實驗證明了該方法的有效性。
[Abstract]:As the application of remote sensing tends to be quantitative and accurate, hyperspectral demixing, as one of the key techniques of hyperspectral remote sensing image processing, has attracted more and more attention from domestic and foreign scholars.Hyperspectral demultiplexing refers to the technique of decomposing the mixed pixels into several basic types of spectral vectors (endelements) and finding the proportion (abundance) of these basic objects.The improvement of hyperspectral decontamination is not only conducive to the development of hyperspectral applications, such as classification and recognition of ground objects, image interpretation and visualization, image enhancement and compression, but also geological exploration.Agricultural monitoring and military investigation are of great significance.In this paper, we summarize and analyze the research status of hyperspectral demultiplexing, and propose two new nonlinear unmixing algorithms: 1) Hyperspectral descrambling based on NNSAE-BP and NNSAE-based non-negative sparse self-encoder (NNSAE), which has the advantages of mining the internal structure of data and extracting features.A nonlinear hyperspectral demixing model based on NNSAE-BP is proposed.The implementation of the model consists of two stages: the supervised learning stage of the model and the nonlinear de-mixing stage of the hyperspectral data.Finally, the problem of hyperspectral unmixing is transformed into hyperspectral feature extraction based on NNSAE coding module and endmember abundance prediction based on BP neural network abundance prediction module.In the learning of hyperspectral feature extraction model based on NNSAE coding module, an adaptive selection algorithm of coding module representation layer nodes based on Otsu is proposed, which effectively reduces the complexity of model calculation.BP neural network is used to realize regression analysis by using small batch gradient descent method, and L2 weight attenuation term is introduced into the objective function to prevent over-fitting.Experiments on the real hyperspectral database show that this method can effectively improve the performance of the SSC-rNMF based hyperspectral descrambling from the blind source separation point of view, using the non-negative matrix decomposition (NMF) theory as a research tool.At the same time, we introduce L2 canonical constraint of endmember and L1 / 2 canonical constraint of abundance, and propose a robust nonnegative matrix factorization (SSC-rNMF) method based on smooth and sparse constraints.The de-mixing method based on SSC-rNMF is unsupervised, and the prior information required is only the number of endmembers. The block coordinate descent method is used to realize the low-rank decomposition of hyperspectral images by multiplicative iteration, and the regularization which accords with the characteristics of hyperspectral descrambling is introduced.The solution space of matrix decomposition is reduced.Different from the NMF SSC-rNMF algorithm, it can describe the influence of nonlinear factors and improve the generalization ability of the model and the ability to resist noise by multiplying and iterating the non-negative abnormal items.Finally, the effectiveness of the method is proved by experiments.
【學位授予單位】：河北師范大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關(guān)期刊論文 前10條

1 于彬;;基于局部非負矩陣分解的人臉識別[J];科學技術(shù)與工程;2010年33期

2 高燕燕;;非負矩陣分解及其應用探討[J];硅谷;2011年23期

3 程明松;劉勺連;;一種實用快速非負矩陣分解算法[J];大連理工大學學報;2013年01期

4 盧進軍,楊杰,梁棟,常宇疇;基于非負矩陣分解的相關(guān)反饋圖像檢索算法[J];上海交通大學學報;2005年04期

5 呂亞麗;趙遼英;;基于約束非負矩陣分解的混合象元分解新方法[J];杭州電子科技大學學報;2009年04期

6 陳鷹;郭睿;;非負矩陣分解在遙感圖像融合中的應用[J];計算機工程與應用;2007年20期

7 張鳳斌;楊輝;;非負矩陣分解在入侵檢測中的應用[J];哈爾濱理工大學學報;2008年02期

8 李兵;米雙山;劉鵬遠;劉東升;張培林;;二維非負矩陣分解在齒輪故障診斷中的應用[J];振動.測試與診斷;2012年05期

9 李兵;徐榕;賈春寧;郭清晨;;基于自適應形態(tài)提升小波與改進非負矩陣分解的發(fā)動機故障診斷方法[J];兵工學報;2013年03期

10 錢誠;徐舒暢;張三元;;采用增量型非負矩陣分解建模的目標跟蹤算法[J];計算機輔助設計與圖形學學報;2010年06期

相關(guān)會議論文 前10條

1 孫江明;李通化;;非平滑三維非負矩陣分解[A];第九屆全國計算（機）化學學術(shù)會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負矩陣分解的自動多文摘方法[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負矩陣分解的圖像檢索[A];第七屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號處理學術(shù)年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負矩陣分解和支持向量機的軸心軌跡圖識別[A];2008年全國振動工程及應用學術(shù)會議暨第十一屆全國設備故障診斷學術(shù)會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負矩陣分解[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學術(shù)會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應用[A];第九屆全國光電技術(shù)學術(shù)交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機語音通訊學術(shù)會議論文集（一）[C];2011年

相關(guān)博士學位論文 前10條

1 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術(shù)大學;2013年

2 葉軍;基于正則化方法的非負矩陣分解算法及其應用研究[D];南京理工大學;2014年

3 陸玉武;圖像分類中流形回歸與非負矩陣分解研究[D];哈爾濱工業(yè)大學;2015年

4 張恩德;在線社會網(wǎng)絡分析與挖掘若干關(guān)鍵問題研究[D];東北大學;2014年

5 胡俐蕊;非負矩陣分解方法及其在選票圖像識別中的應用[D];安徽大學;2013年

6 殷海青;圖像分析中的非負矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學;2011年

7 楊洪禮;非負矩陣與張量分解及其應用[D];山東科技大學;2011年

8 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

9 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

10 劉昱昊;基于非負矩陣分解算法的人臉識別技術(shù)的研究[D];吉林大學;2014年

相關(guān)碩士學位論文 前10條

1 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

2 王一;凸與半非負矩陣分解的近點梯度方法研究[D];東北師范大學;2015年

3 項磊;基于乳腺癌計算機輔助診斷的病理圖像分析[D];南京信息工程大學;2015年

4 王丹;基于非負矩陣分解的腦電信號特征提取算法研究[D];燕山大學;2015年

5 馬春霞;非負矩陣分解及在基因表達數(shù)據(jù)分析中的應用研究[D];曲阜師范大學;2015年

6 崔艷榮;基于非負矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應用[D];電子科技大學;2014年

7 賴淑珍;非負矩陣分解若干算法研究與應用[D];電子科技大學;2014年

8 趙龍;基于多流形正則化非負矩陣分解的多視圖聚類[D];大連理工大學;2015年

9 黃震;基于多視角非負矩陣分解的同名區(qū)分算法研究[D];大連理工大學;2015年

10 邵強;改進的非負矩陣分解算法及其在人臉識別中的應用[D];河北工業(yè)大學;2015年

，

本文編號：1748187