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

【摘要】：隨著遙感應(yīng)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(guó)內(nèi)外學(xué)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(yīng)用的發(fā)展,如地物的分類和識(shí)別、圖像的解譯和可視化、圖像的增強(qiáng)和壓縮等,也對(duì)地質(zhì)勘探、農(nóng)業(yè)監(jiān)測(cè)和軍事偵查等具有重要意義。本文對(duì)高光譜解混的研究現(xiàn)狀進(jìn)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(fù)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(shì),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(shí)現(xiàn)步驟包括兩個(gè)階段:解混模型的監(jiān)督式學(xué)習(xí)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(luò)豐度預(yù)測(cè)模塊的端元豐度預(yù)測(cè)。在基于NNSAE編碼模塊的高光譜特征提取模型學(xué)習(xí)中,針對(duì)編碼模塊表示層節(jié)點(diǎn)的優(yōu)選,提出了一種基于Otsu的編碼模塊表示層節(jié)點(diǎn)自適應(yīng)選取算法,有效降低了模型計(jì)算的復(fù)雜度;利用BP神經(jīng)網(wǎng)絡(luò)采用小批量梯度下降法實(shí)現(xiàn)回歸分析,并在目標(biāo)函數(shù)中引入L2權(quán)重衰減項(xiàng),防止過擬合。通過在真實(shí)高光譜數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)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(fù)矩陣分解(NMF)理論作為研究工具,同時(shí)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(fù)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(yàn)信息僅為端元個(gè)數(shù);采用塊坐標(biāo)下降法以乘法迭代的方式,實(shí)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(duì)非負(fù)的異常項(xiàng)進(jìn)行乘法迭代計(jì)算,使其描述非線性因素的影響,提高模型的泛化能力和對(duì)噪聲的抗干擾能力。最后,通過實(shí)驗(yàn)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(xué)位授予單位】：河北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

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

2 高燕燕;;非負(fù)矩陣分解及其應(yīng)用探討[J];硅谷;2011年23期

3 程明松;劉勺連;;一種實(shí)用快速非負(fù)矩陣分解算法[J];大連理工大學(xué)學(xué)報(bào);2013年01期

4 盧進(jìn)軍,楊杰,梁棟,常宇疇;基于非負(fù)矩陣分解的相關(guān)反饋圖像檢索算法[J];上海交通大學(xué)學(xué)報(bào);2005年04期

5 呂亞麗;趙遼英;;基于約束非負(fù)矩陣分解的混合象元分解新方法[J];杭州電子科技大學(xué)學(xué)報(bào);2009年04期

6 陳鷹;郭睿;;非負(fù)矩陣分解在遙感圖像融合中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2007年20期

7 張鳳斌;楊輝;;非負(fù)矩陣分解在入侵檢測(cè)中的應(yīng)用[J];哈爾濱理工大學(xué)學(xué)報(bào);2008年02期

8 李兵;米雙山;劉鵬遠(yuǎn);劉東升;張培林;;二維非負(fù)矩陣分解在齒輪故障診斷中的應(yīng)用[J];振動(dòng).測(cè)試與診斷;2012年05期

9 李兵;徐榕;賈春寧;郭清晨;;基于自適應(yīng)形態(tài)提升小波與改進(jìn)非負(fù)矩陣分解的發(fā)動(dòng)機(jī)故障診斷方法[J];兵工學(xué)報(bào);2013年03期

10 錢誠(chéng);徐舒暢;張三元;;采用增量型非負(fù)矩陣分解建模的目標(biāo)跟蹤算法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2010年06期

相關(guān)會(huì)議論文 前10條

1 孫江明;李通化;;非平滑三維非負(fù)矩陣分解[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動(dòng)多文摘方法[A];中國(guó)計(jì)算機(jī)語(yǔ)言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)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(fù)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(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識(shí)別[A];2008年全國(guó)振動(dòng)工程及應(yīng)用學(xué)術(shù)會(huì)議暨第十一屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六�。▍^(qū)）2010年第28屆年會(huì)·論文集[C];2010年

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

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

9 朱昊;黃源水;付夢(mèng)印;;基于NMF的道路識(shí)別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測(cè)度的語(yǔ)音與音樂分離算法[A];第十一屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集（一）[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

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

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

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

5 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識(shí)別中的應(yīng)用[D];安徽大學(xué);2013年

6 殷海青;圖像分析中的非負(fù)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(xué);2011年

7 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

8 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

9 方蔚濤;人臉識(shí)別特征抽取算法的研究[D];重慶大學(xué);2012年

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

相關(guān)碩士學(xué)位論文 前10條

1 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

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

3 項(xiàng)磊;基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

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

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

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

7 賴淑珍;非負(fù)矩陣分解若干算法研究與應(yīng)用[D];電子科技大學(xué);2014年

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

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

10 邵強(qiáng);改進(jìn)的非負(fù)矩陣分解算法及其在人臉識(shí)別中的應(yīng)用[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：1748187