本文關(guān)鍵詞：基于混合像元分解的高光譜圖像去霧方法的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：高光譜遙感具有高光譜分辨率、圖譜合一、光譜波段多、在某一光譜段范圍內(nèi)連續(xù)成像的突出特點(diǎn),因此可以利用完整的光譜曲線記錄所觀測(cè)到的各種地物信息,已經(jīng)廣泛的應(yīng)用于地質(zhì)學(xué)、植被生態(tài)學(xué)、大氣、土壤、水環(huán)境遙感等領(lǐng)域。但是在成像過程中高光譜圖像依然會(huì)因?yàn)橹T多因素的干擾而受到諸多制約。云霧就是其中主要的影響因素。它們的存在干擾大氣中可見光和紅外線的傳播,使得大氣能見度降低,嚴(yán)重影響了光學(xué)設(shè)備的正常運(yùn)行,使得光學(xué)遙感平臺(tái)獲取的高光譜圖像模糊不清,無法從中得到準(zhǔn)確的地物信息。因此我們需要找到一種有效的高光譜圖像去霧方法使得高光譜遙感成像技術(shù)更好的發(fā)展。本文詳細(xì)介紹了高光譜圖像混合像元分解理論,建立了薄霧下的混合像元分解模型,實(shí)驗(yàn)比較分析了3種經(jīng)典端元提取算法(PPI、VCA、ATGP)以及四種基于最小二乘的豐度反演方法。本文對(duì)非負(fù)矩陣分解的理論進(jìn)行了詳細(xì)介紹,在此基礎(chǔ)上提出了基于小體積約束的非負(fù)矩陣分解(MVC-NMF)圖像去霧方法,實(shí)驗(yàn)表明該方法可以實(shí)現(xiàn)很好的去霧效果。最后介紹了支持向量機(jī)理論和支持向量數(shù)據(jù)描述理論,因?yàn)閭鹘y(tǒng)的高光譜圖像混合像元分解技術(shù)在進(jìn)行端元提取時(shí)忽略了圖像中未知端元的影響,在此理論的基礎(chǔ)上提出了一種基于支持向量數(shù)據(jù)描述(SVDD)的高光譜圖像去霧方法,最后用該算法對(duì)高光譜圖像進(jìn)行了實(shí)驗(yàn)研究以及結(jié)果分析。
【關(guān)鍵詞】：高光譜 混合像元分解 端元提取 豐度反演 MVC-NMF SVDD
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 1 緒論9-16
• 1.1 研究的目的及意義9-11
• 1.2 研究現(xiàn)狀及發(fā)展動(dòng)態(tài)11-15
• 1.2.1 高光譜遙感技術(shù)的發(fā)展11-12
• 1.2.2 國內(nèi)外研究現(xiàn)狀及分析12-15
• 1.3 論文主要研究內(nèi)容15-16
• 2 高光譜圖像去霧算法中的端元提取方法16-28
• 2.1 線性混合像元分解模型16-18
• 2.2 薄霧下的混合像元分解模型18-20
• 2.3 高光譜圖像的降維方法20-22
• 2.3.1 主成份分析法PCA21
• 2.3.2 最大噪聲分離法MNF21-22
• 2.4 高光譜圖像的端元提取方法22-25
• 2.4.1 純像元指數(shù)法PPI22-23
• 2.4.2 頂點(diǎn)成分分析法VCA23-24
• 2.4.3 自動(dòng)目標(biāo)生成法ATGP24-25
• 2.5 實(shí)驗(yàn)結(jié)果分析25-27
• 2.6 本章小結(jié)27-28
• 3 高光譜圖像去霧算法中的豐度反演方法28-34
• 3.1 基于最小二乘法的豐度反演方法28-30
• 3.1.1 無約束最小二乘法UCLS28
• 3.1.2 “和為1”約束最小二乘法SCLS28-29
• 3.1.3 “非負(fù)”約束最小二乘法NCLS29
• 3.1.4 全約束最小二乘法FCLS29-30
• 3.2 實(shí)驗(yàn)結(jié)果分析30-33
• 3.3 本章小結(jié)33-34
• 4 基于最小體積約束的非負(fù)矩陣分解的高光譜圖像去霧方法34-42
• 4.1 非負(fù)矩陣分解算法的原理34-35
• 4.2 基于最小體積約束的非負(fù)矩陣分解的高光譜圖像去霧方法35-38
• 4.2.1 高光譜圖像的最小體積約束35-36
• 4.2.2 基于最小體積約束的非負(fù)矩陣分解的高光譜圖像去霧方法36-37
• 4.2.3 算法步驟37-38
• 4.3 實(shí)驗(yàn)結(jié)果及分析38-41
• 4.3.1 模擬數(shù)據(jù)實(shí)驗(yàn)38-39
• 4.3.2 真實(shí)圖像實(shí)驗(yàn)39-41
• 4.4 本章總結(jié)41-42
• 5 基于支持向量數(shù)據(jù)描述的高光譜圖像去霧方法42-57
• 5.1 支持向量機(jī)理論42-44
• 5.2 支持向量數(shù)據(jù)描述理論44-47
• 5.2.1 支持向量數(shù)據(jù)描述44-46
• 5.2.2 核函數(shù)46-47
• 5.3 基于SVDD的高光譜圖像去霧方法47-49
• 5.4 算法步驟49-50
• 5.5 實(shí)驗(yàn)結(jié)果及分析50-56
• 5.5.1 模擬數(shù)據(jù)實(shí)驗(yàn)50-52
• 5.5.2 真實(shí)數(shù)據(jù)實(shí)驗(yàn)52-56
• 5.6 小結(jié)56-57
• 6 總結(jié)與展望57-59
• 6.1 工作總結(jié)57
• 6.2 研究展望57-59
• 致謝59-60
• 參考文獻(xiàn)60-62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 郭t

本文編號(hào)：361929