本文選題：高光譜圖像 + 混合像元分解　； 參考：《中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)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(shù)同時(shí)探測(cè)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(yīng)用。但由于成像光譜儀的限制且地物復(fù)雜多樣,高光譜遙感數(shù)據(jù)的空間分辨率相對(duì)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(wèn)題也是高光譜圖像應(yīng)用的主要障礙,因此高光譜圖像解混問(wèn)題成為高光譜遙感圖像數(shù)據(jù)處理分析中一個(gè)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(guò)程。非負(fù)矩陣分解作為一種盲源分離的方法,其矩陣分解的數(shù)學(xué)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(fù)性,能夠滿足高光譜圖像解混問(wèn)題中的非負(fù)性要求,因此被運(yùn)用到解混問(wèn)題中。但基于非負(fù)矩陣分解的解混問(wèn)題是欠定問(wèn)題,容易獲得局部最小值,受初始值和約束項(xiàng)影響較大,針對(duì)這個(gè)問(wèn)題,本文在考慮高光譜圖像本身的理化特性的基礎(chǔ)上,挖掘高光譜圖像的空間光譜信息,設(shè)計(jì)基于非負(fù)矩陣分解的解混算法的優(yōu)化方法。本文主要內(nèi)容以及創(chuàng)新點(diǎn)如下:(1)總結(jié)分析高光譜解混問(wèn)題和非負(fù)矩陣分解相關(guān)的理論基礎(chǔ),包括線性解混模型、端元數(shù)量確認(rèn)、端元提取、豐度反演以及精度評(píng)定的方法,非負(fù)矩陣分解以及目前已有的基于約束非負(fù)矩陣分解的解混算法。(2)提出基于約束非負(fù)矩陣分解的高光譜解混算法的空間光譜預(yù)處理流程。在利用非負(fù)矩陣分解做高光譜圖像的解混問(wèn)題的算法中,很容易出現(xiàn)的局部最小問(wèn)題,通過(guò)圖像預(yù)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(yù)選端元,為非負(fù)矩陣分解帶來(lái)更好的初始值。通過(guò)空間預(yù)處理(SPP)和空間光譜預(yù)處理(SSPP)兩種預(yù)處理方法對(duì)約束非負(fù)矩陣分解解混算法(MVCNMF和GNMF)進(jìn)行預(yù)處理,分別使用模擬數(shù)據(jù)和Cuprite礦區(qū)真實(shí)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行有效驗(yàn)證。(3)提出基于豐度稀疏性和光譜平滑性的約束非負(fù)矩陣分解的高光譜圖像解混算法。針對(duì)高光譜遙感數(shù)據(jù)的本身理化特性而對(duì)基于非負(fù)矩陣分解的高光譜混合像元分解算法的優(yōu)化改進(jìn),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(fù)矩陣分解(SNMF)和局部光滑約束非負(fù)矩陣分解(PSNMF),提出對(duì)豐度稀疏約束和對(duì)端元平滑約束的稀疏平滑非負(fù)矩陣分解(SPSNMF)解混算法,然后通過(guò)模擬數(shù)據(jù)和Washington,DC地區(qū)、Cuprite礦區(qū)兩組真實(shí)實(shí)驗(yàn)數(shù)據(jù)分別進(jìn)行了有效驗(yàn)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(xué)位授予單位】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所)
【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 黃鋼石,張亞非,陸建江,徐寶文;一種受限非負(fù)矩陣分解方法[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年02期

2 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

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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

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(lè)樂(lè);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(lè)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(wèn)題研究[D];東北大學(xué);2014年

5 張翔;投影非負(fù)矩陣分解算法研究及其應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2015年

6 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

7 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

8 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

9 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

10 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

相關(guān)碩士學(xué)位論文 前10條

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

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

，

本文編號(hào)：2040830