【摘要】：高光譜圖像解混是識別高光譜圖像中的地物成分以及估計(jì)地物豐度的一類重要技術(shù)。由于高光譜傳感器對地物觀測的空間分辨率有限,傳感器只能獲得不同地物反射的混合光譜圖像,難以達(dá)到地物高精度識別的需求。同時(shí),高光譜圖像解混問題存在較多的局部最優(yōu)解,是遙感圖像處理領(lǐng)域中十分具有挑戰(zhàn)性的研究問題。本文采用仿生智能優(yōu)化算法針對高光譜圖像解混技術(shù)存在的問題進(jìn)行研究。首先,基于高階非線性混合模型的高光譜圖像解混方法,可以有效解釋復(fù)雜的光譜混合過程,同時(shí)能夠提高光譜圖像解混精度。但是,其采用以重構(gòu)誤差為單目標(biāo)函數(shù)的梯度優(yōu)化求解方法,易受到異常值的影響,且易陷入局部極值。為此,本文在多線性混合模型的基礎(chǔ)上,建立以重構(gòu)誤差與光譜角分布為目標(biāo)函數(shù)的多目標(biāo)高光譜圖像解混優(yōu)化模型,并采用差分搜索算法進(jìn)行優(yōu)化求解。實(shí)驗(yàn)結(jié)果表明,本文方法能夠進(jìn)一步提升高光譜圖像解混精度,降低解混重構(gòu)誤差并且保證獲得更優(yōu)的光譜角分布。與基于梯度法的解混算法相比,本文提出的多目標(biāo)優(yōu)化解混框架具有更高的解混精度。進(jìn)一步,由于對于復(fù)雜場景下的高光譜圖像建立非線性光譜混合效應(yīng)模型至關(guān)重要。而現(xiàn)有的一些高階光譜混合模型雖然能夠用于刻畫復(fù)雜場景,但它們通常具有復(fù)雜的結(jié)構(gòu)、較多的參數(shù),計(jì)算復(fù)雜度較高,采用基于梯度優(yōu)化的解混算法易陷入局部極值,限制了其解混性能。因此,提出了一種新的高階非線性混合模型,該模型充分考慮了光譜多反射問題,能夠有效刻畫復(fù)雜場景的光譜混合特征。而且,模型可以使用一個(gè)參數(shù)來描述端元之間存在的高階光譜相互影響問題,參數(shù)少易于求解。實(shí)驗(yàn)結(jié)果表明,與現(xiàn)有的高光譜混合模型相比,基于本文提出的光譜混合模型的解混方法具有更高的解混精度。
【圖文】：

一l經(jīng)典高光譜圖像數(shù)據(jù)集示意圖lll]

圖２－１線性與非線性混合模型示念圖逡逑型考慮了不同端元之間的光線反射的相互影響，與線性模型明顯提升。ＧＢＭ的數(shù)學(xué)模型如下：逡逑Ｒ邐Ｒ－＼邋Ｒ逡逑ｙ，邋＝邐＋邋Ｚ邋Ｚ邋／／．；．，？邋ｍ，邋＋ｎｒｒ＝ｌ邐ｉ＝ｌ邋ｙ＇＝／＋ｌ逡逑
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測中的應(yīng)用進(jìn)展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應(yīng)用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測中的研究進(jìn)展[J];食品研究與開發(fā);2013年10期

5 葉珍;白t，

本文編號：2596907