本文選題：LSMM + 端元數(shù)目估計(jì)��； 參考：《華中科技大學(xué)》2014年碩士論文

【摘要】：高光譜遙感技術(shù)的快速發(fā)展已經(jīng)引起了科學(xué)界越來越多的關(guān)注并在社會(huì)各領(lǐng)域得到了廣泛應(yīng)用。由于成像光譜儀空間分辨率的有限性和自然界地物的復(fù)雜性，混合像元在高光譜圖像中普遍存在，成為制約遙感技術(shù)發(fā)展的瓶頸。端元選取是混合像元分解最關(guān)鍵的一步，它包括端元數(shù)目估計(jì)和光譜提取。線性光譜混合模型（LinearSpectral Mixture Model, LSMM）具有物理意義明確，構(gòu)模簡單的特點(diǎn)，也是國內(nèi)外研究最深入、被運(yùn)用最多的模型。因此，，本文的研究工作基于線性模型，具體如下： 綜述了線性模型下混合像元分解過程中端元數(shù)目估計(jì)、光譜提取、豐度估計(jì)等方法。對端元數(shù)目估計(jì)和光譜提取的常用算法進(jìn)行深入研究，提出相應(yīng)的改進(jìn)算法。對基于特征值極大似然函數(shù)分布的特征值極大似然（Eigenvalue LikelihoodMaximization, ELM）算法進(jìn)行改進(jìn)，提出了基于噪聲估計(jì)和噪聲白化處理的改進(jìn)的特征值極大似然（Modified Eigenvalue Likelihood Maximization, MELM）算法，并針對ELM算法的結(jié)果表達(dá)提出了改進(jìn)的似然函數(shù)表示方法。對基于凸面單體的頂點(diǎn)成分分析（Vertex Component Analysis, VCA）算法，提出了一種低時(shí)間復(fù)雜度的改進(jìn)的頂點(diǎn)成分分析（Modified VertexComponent Analysis, MVCA）算法。在高光譜數(shù)據(jù)處理過程中，MVCA略去VCA算法中不必要的幾個(gè)步驟，用斯密特正交化改進(jìn)正交向量產(chǎn)生過程，避免了高復(fù)雜度的求偽逆運(yùn)算。 在模擬數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明：MELM算法相比ELM算法有更高的精確度和魯棒性，但同時(shí)也增加了一定的時(shí)間復(fù)雜度。將MVCA算法和VCA算法分別從端元提取精確度和浮點(diǎn)計(jì)算量兩個(gè)角度進(jìn)行比較，結(jié)果表明MVCA算法能夠在保證同樣精確度的同時(shí)產(chǎn)生更小的浮點(diǎn)計(jì)算量。
[Abstract]:The rapid development of hyperspectral remote sensing technology has attracted more and more attention from the scientific community and has been widely used in various fields of society. Due to the limited spatial resolution of the imaging spectrometer and the complexity of the natural features, mixed pixels are widely used in hyperspectral images, which become the bottleneck of the development of remote sensing technology. End-element selection is the most important step in the decomposition of mixed pixels, which includes the estimation of the number of endelements and spectral extraction. Linear Spectral mixture Model (LSMMM) has the characteristics of clear physical meaning and simple modeling. It is also the most deeply studied and used model at home and abroad. Therefore, the research work in this paper is based on the linear model, as follows: the methods of endmember number estimation, spectral extraction and abundance estimation in the process of mixed pixel decomposition under the linear model are reviewed. In this paper, the common algorithms for the number estimation and spectral extraction are studied, and the corresponding improved algorithms are proposed. The Eigenvalue LikelihoodMaximation (Elm) algorithm based on the distribution of eigenvalue maximum likelihood function is improved. An improved eigenvalue maximum likelihood maximization (MELM) algorithm based on noise estimation and noise whitening is proposed. An improved likelihood function representation method is proposed for the result representation of ELM algorithm. For vertex component analysis (VCA) algorithm based on convex unit, an improved modified Vertex component Analysis (MVCA) algorithm with low time complexity is proposed. In the process of hyperspectral data processing, MVCA omits some unnecessary steps of VCA algorithm, and improves the orthogonal vector generation process by using Smith orthogonalization to avoid the high complexity of pseudo-inversion operation. Experiments on simulated data sets and real datasets show that compared with ELM algorithm, the weight MELM algorithm has higher accuracy and robustness, but also increases the time complexity. The MVCA algorithm and the VCA algorithm are compared from the point of view of precision and floating-point computation, respectively. The results show that MVCA algorithm can generate less floating-point computation at the same time as the same accuracy.
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 齊建成;朱述龍;朱寶山;趙泳;李二森;;圖像端元全自動(dòng)提取方法研究[J];海洋測繪;2009年02期

2 朱述龍;齊建成;朱寶山;曹聞;;以凸面單體邊界為搜索空間的端元快速提取算法[J];遙感學(xué)報(bào);2010年03期

3 王立國;張晶;劉丹鳳;王群明;;從端元選擇到光譜解混的距離測算方法[J];紅外與毫米波學(xué)報(bào);2010年06期

4 曹建農(nóng);王貝貝;何曉寧;;高光譜端元自動(dòng)確定與提取的迭代算法[J];遙感學(xué)報(bào);2013年02期

5 吳波,張良培,李平湘;高光譜端元自動(dòng)提取的迭代分解方法[J];遙感學(xué)報(bào);2005年03期

6 陳子玄;武文波;;基于線性混合模型的端元提取方法綜述[J];測繪科學(xué);2008年S3期

7 陳子玄;武文波;;基于線性混合模型的端元提取方法綜述[J];測繪科學(xué);2008年S1期

8 李熙;關(guān)澤群;秦昆;張力;曹靈靈;;基于貝葉斯推理的像元內(nèi)部端元選擇模型[J];光學(xué)學(xué)報(bào);2009年09期

9 彭青青;楊遼;王杰;沈金祥;;基于異常探測的高光譜端元提取方法研究[J];遙感技術(shù)與應(yīng)用;2011年04期

10 崔建濤;王晶;厲小潤;趙遼英;;基于空間像素純度指數(shù)的端元提取算法[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2013年09期

相關(guān)會(huì)議論文 前1條

1 王百合;劉志剛;李義紅;;基于光譜角分析的端元光譜聚類方法研究[A];國家安全地球物理叢書（九）——防災(zāi)減災(zāi)與國家安全[C];2013年

相關(guān)博士學(xué)位論文 前5條

1 崔建濤;高光譜遙感圖像解混技術(shù)研究[D];浙江大學(xué);2015年

2 齊濱;高光譜圖像分類及端元提取方法研究[D];哈爾濱工程大學(xué);2012年

3 黃遠(yuǎn)程;高光譜影像混合像元分解的若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2010年

4 楊華東;高光譜遙感影像光譜解混算法研究[D];大連海事大學(xué);2015年

5 李智勇;高光譜圖像異常檢測方法研究[D];國防科學(xué)技術(shù)大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 馮淑娜;基于多端元混合像元分解的喀斯特石漠化表征因子提取研究[D];中國礦業(yè)大學(xué);2015年

2 崔俊濤;對于高光譜圖像端元解混方法研究[D];西安電子科技大學(xué);2013年

3 王可;多端元光譜混合分析算法研究[D];電子科技大學(xué);2015年

4 肖霄;基于正交投影理論的端元提取算法[D];大連海事大學(xué);2016年

5 李雪麗;基于線性模型的端元數(shù)目估計(jì)和光譜提取算法研究[D];華中科技大學(xué);2014年

6 張甬榮;基于有效端元集的雙線性解混模型研究及應(yīng)用[D];大連海事大學(xué);2013年

7 劉正春;多端元光譜混合分析方法研究[D];中南大學(xué);2012年

8 劉益世;高光譜遙感混合像元端元提取研究及應(yīng)用[D];中南大學(xué);2013年

9 武鶴;基于數(shù)學(xué)形態(tài)學(xué)的高光譜圖像端元提取技術(shù)研究[D];成都理工大學(xué);2011年

10 曾凡霞;高光譜遙感圖像端元提取算法改進(jìn)及性能優(yōu)化[D];成都理工大學(xué);2013年

本文編號：2040093