發(fā)布時間：2017-04-27 12:16

  本文關(guān)鍵詞：高光譜像元解混技術(shù)研究，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜圖像具有較高的光譜分辨率,提供了地物詳盡的光譜信息,因而能夠更好地用于遙感數(shù)據(jù)的分類和目標(biāo)識別。同時,由于地物分布的復(fù)雜多樣性以及傳感器有限的空間分辨率,遙感圖像中常常包含大量的混合像元。為了能夠?qū)b感圖像進行更精細的定量解譯,光譜解混技術(shù)應(yīng)運而生。本文對高光譜圖像混合像元分解技術(shù)進行了研究,主要工作包括:(1)對光譜成像技術(shù)和像元解混技術(shù)的國內(nèi)外研究現(xiàn)狀進行了綜述。對于本文重點研究的基于線性光譜混合模型的像元解混技術(shù),分別從端元提取和豐度反演兩個方面進行了分析與總結(jié)。(2)提出了兩種改進的單形體體積增長算法(SGA),并將改進后的方法應(yīng)用于高光譜像元解混中。作為應(yīng)用比較廣泛的一種端元提取算法,SGA存在端元提取效果不理想以及需要進行降維處理的缺陷。分別利用N-FINDR方法、改進的單形體體積計算公式并結(jié)合正交子空間投影(OSP)的思想對其進行改進,將改進的端元提取算法應(yīng)用于高光譜解混中。利用模擬數(shù)據(jù)和實際高光譜數(shù)據(jù)進行實驗發(fā)現(xiàn),兩種改進的單形體體積增長算法在端元提取精度和豐度反演結(jié)果上都優(yōu)于SGA算法,證明了改進算法的有效性。(3)提出了一種改進的基于自動形態(tài)學(xué)的端元提取算法。針對自動形態(tài)學(xué)端元提取(AMEE)算法存在的局限性,通過引入?yún)⒖脊庾V向量的概念構(gòu)建了改進的形態(tài)學(xué)算子,并給出了一個形態(tài)學(xué)離心率指數(shù)新的計算方法。然后利用偶數(shù)大小、改進的結(jié)構(gòu)元素,從每個結(jié)構(gòu)元素內(nèi)選出四個候選端元。對改進的基于自動形態(tài)學(xué)的端元提取算法進行了分析和實驗驗證。實驗結(jié)果表明,改進的方法能從純像元集中分布的區(qū)域獲得正確的候選端元,并在一定程度上避免膨脹過程中的信息遺失,從而能夠有效地提升端元提取的精度和像元解混的效果。
【關(guān)鍵詞】：高光譜遙感 光譜解混 線性光譜混合模型 端元提取 數(shù)學(xué)形態(tài)學(xué)
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-15
• 1.1 研究背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 光譜成像技術(shù)的發(fā)展現(xiàn)狀11
• 1.2.2 混合像元分解的研究現(xiàn)狀11-13
• 1.3 本文主要內(nèi)容與結(jié)構(gòu)組織13-15
• 第2章 基于改進端元提取的高光譜解混方法15-36
• 2.1 引言15
• 2.2 基于線性光譜混合模型的高光譜像元解混15-22
• 2.2.1 線性光譜混合模型15-16
• 2.2.2 高光譜數(shù)據(jù)降維方法16-17
• 2.2.2.1 主成分分析16
• 2.2.2.2 最小噪聲分離變換16-17
• 2.2.3 常見的端元提取算法17-20
• 2.2.3.1 N-FINDR算法17-18
• 2.2.3.2 單形體體積增長算法（SGA）18-19
• 2.2.3.3 基于正交子空間投影（OSP）的端元提取算法19-20
• 2.2.4 基于最小二乘的豐度反演方法20-22
• 2.3 改進的單形體體積增長算法22-26
• 2.3.1 基于N-FINDR思想改進的單形體體積增長算法22-24
• 2.3.2 利用正交子空間投影方法改進的單形體體積增長算法24-26
• 2.4 實驗與分析26-35
• 2.4.1 模擬數(shù)據(jù)實驗26-29
• 2.4.2 真實高光譜數(shù)據(jù)實驗29-35
• 2.5 本章小結(jié)35-36
• 第3章 基于數(shù)學(xué)形態(tài)學(xué)及其改進方法的端元提取36-61
• 3.1 引言36
• 3.2 數(shù)學(xué)形態(tài)學(xué)基礎(chǔ)36-37
• 3.2.1 數(shù)學(xué)形態(tài)學(xué)的基本介紹36
• 3.2.2 二值形態(tài)學(xué)36-37
• 3.2.3 灰度級形態(tài)學(xué)37
• 3.3 自動形態(tài)學(xué)端元提取算法（AMEE）37-41
• 3.4 AMEE算法的分析與改進41-49
• 3.4.1 自動形態(tài)學(xué)端元提取算法的缺陷41-44
• 3.4.2 算法改進44-48
• 3.4.2.1 改進的形態(tài)學(xué)算子44-46
• 3.4.2.2 改進的MEI計算方法46
• 3.4.2.3 改進的結(jié)構(gòu)元素46-48
• 3.4.3 改進的自動形態(tài)學(xué)端元提取算法48-49
• 3.5 實驗與分析49-60
• 3.5.1 模擬數(shù)據(jù)實驗49-52
• 3.5.1.1 模擬數(shù)據(jù)一對比實驗50-51
• 3.5.1.2 模擬數(shù)據(jù)二對比實驗51-52
• 3.5.2 真實高光譜數(shù)據(jù)實驗52-60
• 3.5.2.1 AVIRIS Cuprite數(shù)據(jù)實驗52-55
• 3.5.2.2 Urban數(shù)據(jù)實驗55-57
• 3.5.2.3 Indiana數(shù)據(jù)實驗57-60
• 3.6 本章小結(jié)60-61
• 第4章 總結(jié)與展望61-64
• 4.1 總結(jié)61-62
• 4.2 展望62-64
• 致謝64-65
• 參考文獻65-69
• 附錄69

【相似文獻】

中國期刊全文數(shù)據(jù)庫 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;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;2010年06期

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

5 吳波,張良培,李平湘;高光譜端元自動提取的迭代分解方法[J];遙感學(xué)報;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;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(工學(xué)版);2013年09期

中國重要會議論文全文數(shù)據(jù)庫 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

中國博士學(xué)位論文全文數(shù)據(jù)庫 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

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 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

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

3 吳瓊;融合地形和紋理信息的多端元光譜混合分解[D];云南大學(xué);2016年

4 王晶;高光譜影像的MVC-NMF端元提取改進算法的研究[D];中國地質(zhì)大學(xué)(北京);2016年

5 蘇遠超;基于離散人工蜂群算法的高光譜圖像端元提取方法[D];西安科技大學(xué);2015年

6 張昆;高光譜圖像光譜解混及端元提取方法研究[D];長安大學(xué);2016年

7 童文杰;基于端元學(xué)習(xí)的高光譜圖像稀疏解混研究[D];西安電子科技大學(xué);2015年

8 方俊龍;高光譜像元解混技術(shù)研究[D];杭州電子科技大學(xué);2016年

9 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

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

  本文關(guān)鍵詞：高光譜像元解混技術(shù)研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：330617