本文選題：高光譜圖像 + 混合像元分解　； 參考：《中國科學院大學(中國科學院遙感與數(shù)字地球研究所)》2017年碩士論文

【摘要】：高光譜遙感技術同時探測獲得地物的二維幾何空間和一維光譜信息,因獲取高光譜分辨率的遙感圖像,其相鄰波段間隔窄且連續(xù)而被廣泛應用。但由于成像光譜儀的限制且地物復雜多樣,高光譜遙感數(shù)據(jù)的空間分辨率相對較低,混合像元普遍存在,但高光譜遙感所獲得的高光譜分辨率使得混合像元分解在高光譜圖像中成為可能,而混合像元問題也是高光譜圖像應用的主要障礙,因此高光譜圖像解混問題成為高光譜遙感圖像數(shù)據(jù)處理分析中一個重要的研究方向。高光譜圖像解混是研究混合像元的組成端元以及各端元參與混合的程度的過程。非負矩陣分解作為一種盲源分離的方法,其矩陣分解的數(shù)學模型與線性解混模型相似,且分解前的矩陣和分解所得矩陣都具有非負性,能夠滿足高光譜圖像解混問題中的非負性要求,因此被運用到解混問題中。但基于非負矩陣分解的解混問題是欠定問題,容易獲得局部最小值,受初始值和約束項影響較大,針對這個問題,本文在考慮高光譜圖像本身的理化特性的基礎上,挖掘高光譜圖像的空間光譜信息,設計基于非負矩陣分解的解混算法的優(yōu)化方法。本文主要內容以及創(chuàng)新點如下:(1)總結分析高光譜解混問題和非負矩陣分解相關的理論基礎,包括線性解混模型、端元數(shù)量確認、端元提取、豐度反演以及精度評定的方法,非負矩陣分解以及目前已有的基于約束非負矩陣分解的解混算法。(2)提出基于約束非負矩陣分解的高光譜解混算法的空間光譜預處理流程。在利用非負矩陣分解做高光譜圖像的解混問題的算法中,很容易出現(xiàn)的局部最小問題,通過圖像預處理,綜合考慮高光譜圖像數(shù)據(jù)的空間信息和光譜特征,獲得預選端元,為非負矩陣分解帶來更好的初始值。通過空間預處理(SPP)和空間光譜預處理(SSPP)兩種預處理方法對約束非負矩陣分解解混算法(MVCNMF和GNMF)進行預處理,分別使用模擬數(shù)據(jù)和Cuprite礦區(qū)真實實驗數(shù)據(jù)進行有效驗證。(3)提出基于豐度稀疏性和光譜平滑性的約束非負矩陣分解的高光譜圖像解混算法。針對高光譜遙感數(shù)據(jù)的本身理化特性而對基于非負矩陣分解的高光譜混合像元分解算法的優(yōu)化改進,主要從高光譜傳感器獲取地物光譜信息的方式在遙感圖像上體現(xiàn)出的平滑性以及地物分布的固有特征在遙感圖像上的體現(xiàn)出的豐度稀疏性兩方面考慮,介紹稀疏非負矩陣分解(SNMF)和局部光滑約束非負矩陣分解(PSNMF),提出對豐度稀疏約束和對端元平滑約束的稀疏平滑非負矩陣分解(SPSNMF)解混算法,然后通過模擬數(shù)據(jù)和Washington,DC地區(qū)、Cuprite礦區(qū)兩組真實實驗數(shù)據(jù)分別進行了有效驗證。
[Abstract]:Hyperspectral remote sensing technology simultaneously detects the two-dimensional geometric space and one-dimensional spectral information of ground objects. Because of the high spectral resolution of remote sensing images, its adjacent bands are widely used because of their narrow interval and continuity. However, because of the limitation of imaging spectrometer and the complexity of ground objects, the spatial resolution of hyperspectral remote sensing data is relatively low. However, the hyperspectral resolution obtained by hyperspectral remote sensing makes it possible to decompose mixed pixels in hyperspectral images, and the mixed pixel problem is also the main obstacle to the application of hyperspectral images. Therefore, the problem of hyperspectral image de-mixing has become an important research direction in hyperspectral remote sensing image data processing and analysis. Hyperspectral image demultiplexing is a process of studying the composition of the mixed pixel and the degree to which each end element is involved in the mixing. As a blind source separation method, the nonnegative matrix factorization has similar mathematical model to the linear unmixing model, and the matrix before decomposition and the matrix obtained from the decomposition are nonnegative. It can satisfy the requirement of nonnegativity in the problem of hyperspectral image unmixing, so it is applied to the problem of descrambling. However, the unmixing problem based on nonnegative matrix factorization is an underdetermined problem, which is easy to obtain the local minimum and is greatly affected by initial values and constraints. In view of this problem, the physical and chemical properties of hyperspectral images are considered in this paper. The spatial spectral information of hyperspectral images is mined and an optimization method based on nonnegative matrix decomposition is designed. The main contents and innovations of this paper are as follows: 1) summarizing and analyzing the theoretical basis of hyperspectral unmixing problem and nonnegative matrix factorization, including linear demultiplexing model, endmember quantity confirmation, endcomponent extraction, abundance inversion and accuracy evaluation. Non-negative matrix factorization and the existing unmixing algorithm based on constrained nonnegative matrix factorization. 2) the spatial spectral pretreatment process of hyperspectral descrambling algorithm based on constrained nonnegative matrix decomposition is proposed. In the algorithm of decomposing hyperspectral image by using non-negative matrix decomposition, the local minimum problem is easy to appear. By image preprocessing, the spatial information and spectral characteristics of hyperspectral image data are considered synthetically, and the pre-selected endpoints are obtained. It brings better initial value for nonnegative matrix decomposition. Spatial preprocessing (SPP) and spatial spectral preprocessing (SSPP) are used to preprocess the constrained nonnegative matrix factorization unmixing algorithms (MVCNMF and GNMFs). Simulation data and real experimental data of Cuprite mining area are used to verify the hyperspectral image unmixing algorithm based on constrained nonnegative matrix factorization based on abundance sparsity and spectral smoothness respectively. According to the physical and chemical properties of hyperspectral remote sensing data, the hyperspectral mixed pixel decomposition algorithm based on non-negative matrix decomposition is optimized and improved. Mainly from the hyperspectral sensor to obtain ground object spectral information on the remote sensing image reflected in the smoothness and the distribution of the inherent characteristics of the remote sensing image reflected in the abundance of two aspects of the sparsity. This paper introduces sparse nonnegative matrix factorization (SNMF) and local smooth constraint nonnegative matrix factorization (PSN MFF), and proposes a sparse smooth nonnegative matrix factorization (SNMF) unmixing algorithm for abundance sparse constraint and end element smoothing constraint. Then the simulation data and two groups of real experimental data of Cuprite mining area in Washington DC area are validated.
【學位授予單位】：中國科學院大學(中國科學院遙感與數(shù)字地球研究所)
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 黃鋼石,張亞非,陸建江,徐寶文;一種受限非負矩陣分解方法[J];東南大學學報(自然科學版);2004年02期

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

3 高燕燕;;非負矩陣分解及其應用探討[J];硅谷;2011年23期

4 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

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

6 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

7 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

8 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

9 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

10 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

相關會議論文 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會議暨第十一屆全國設備故障診斷學術會議論文集[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學術交流會論文集（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會議論文集（一）[C];2011年

相關博士學位論文 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鍵問題研究[D];東北大學;2014年

5 張翔;投影非負矩陣分解算法研究及其應用[D];國防科學技術大學;2015年

6 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

7 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

8 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

9 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

10 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

相關碩士學位論文 前10條

1 彭倩;基于非負矩陣分解的高光譜圖像解混研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2017年

2 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

，

本文編號：2040830