隨著遙感技術(shù)應(yīng)用的不斷發(fā)展,高光譜遙感逐漸反映出信息定量化的趨勢,而混合像元分解正成為現(xiàn)今高光譜遙感研究的重點(diǎn)和難點(diǎn)。受制于噪聲等外界不確定因素的影響,混合像元分解算法在模擬數(shù)據(jù)中取得的效果往往要好于真實(shí)遙感數(shù)據(jù)。而提出一種能夠在真實(shí)遙感數(shù)據(jù)中取得較好的實(shí)驗(yàn)效果的算法是當(dāng)前研究的一大熱點(diǎn)。本文從遙感數(shù)據(jù)純凈像元提取入手進(jìn)行研究,以青海省青海湖流域Hyperion高光譜遙感數(shù)據(jù)作為真實(shí)實(shí)驗(yàn)數(shù)據(jù),主要的工作包括以下幾個方面:(1)基于自動形態(tài)學(xué)算法被廣泛應(yīng)用于高光譜混合像元分解,然而自動形態(tài)學(xué)算法只能圈定一定范圍內(nèi)的候選端元,而無法將實(shí)際的端元提取出來,且需要一定的經(jīng)驗(yàn)閾值,這給實(shí)際處理線性光譜混合分解提出了很大的障礙。本文將正交子投影空間算法與自動形態(tài)學(xué)算法結(jié)合,并運(yùn)用正交投影散度代替光譜角判定像元純凈度。改進(jìn)算法從模擬數(shù)據(jù)和真實(shí)遙感數(shù)據(jù)兩個方面進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果表明,改進(jìn)的自動形態(tài)學(xué)算法不需要先驗(yàn)數(shù)據(jù)的支持,且提取精度優(yōu)于部分傳統(tǒng)算法,尤其是在真實(shí)數(shù)據(jù)上取得了不錯的效果。(2)迭代計(jì)算和逐像元計(jì)算的思想在傳統(tǒng)的端元提取算法中占比較大,且計(jì)算時間過長,實(shí)用性較差。初始單形體內(nèi)部去除法從空間單形體中提取其頂點(diǎn),然而原始算法受初始頂點(diǎn)選取影響較大,會造成單形體頂點(diǎn)漏選和重復(fù)選取的情況。本文對原始算法進(jìn)行改進(jìn),并通過模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)驗(yàn)證改進(jìn)算法的可靠性。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的初始單形體內(nèi)部去除法能夠很好地增強(qiáng)算法的魯棒性和可靠性。
【學(xué)位單位】：中國地質(zhì)大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：P237
【部分圖文】：

1 緒論研究背景與意義 研究背景著遙感應(yīng)用技術(shù)的飛速發(fā)展，高光譜遙感（Hyperspectral Romote S在我國的遙感發(fā)展中占有重要的地位。高光譜起源于 20 世紀(jì) 80 年像光譜儀（imaging spectrometer）在獲得目標(biāo)空間信息的同時，為數(shù)個至百個窄波段波譜信息（Goetz，et al.1985），波段范圍從可外。正是因?yàn)閺某上窆庾V儀獲取的數(shù)據(jù)包含了龐大的光譜信息，由譜實(shí)現(xiàn)了從二維空間上升到三維空間的過渡（Bioucas-Dias，et al.的強(qiáng)大波段信息使其在描繪地物的波譜曲線時具有更強(qiáng)的優(yōu)勢，強(qiáng)與光譜數(shù)據(jù)之間的關(guān)系。

譜混合模型據(jù)光譜混合的方式，可將光譜混合模型分成線性光譜混合模型（Spectral Mixture Model）和非線光譜性混合模型（NLSMM，Nl Mixture Model）（李二森等，2011）。線性光譜混合模型性光譜混合模型的原理是假設(shè)一類或幾類純凈地物按照一定的比合，圖 2-1 表示多種地物光譜曲線的線性組合組成了混合像元的光，2016）。線性混合模型只考慮端元光譜及其豐度信息，并不考慮質(zhì)的反射、散射及地形、空間位置等的影響，故其數(shù)學(xué)模型簡單，，且在表達(dá)上更貼近真實(shí)情況，被廣泛使用（Keshava，et al.2002。

識別算法點(diǎn)成分分析算法（VCA）成分分析算法的主旨是找到單形體 中具有最大投影長度的候選端元（Nascimento，et al.2005）。設(shè)圖像像元在 維空= ∈ : = ，1 = 1， ≥ 0， ≥ 0 。凸錐 投一個凸面單形體 = ∈ : = ， ∈ 。首先生成形體 在此隨機(jī)向量方向上投影值最大的像元作為第一個候元作正交投影形成正交向量并以此為基礎(chǔ)，以第一次的正交單形體 中具有最大投影長度的像元作為第二個候選端元，之前已提取端元構(gòu)成的空間正交向量為基準(zhǔn)，提取投影最長。當(dāng)已提取的端元數(shù)目滿足設(shè)定數(shù)目時，算法結(jié)束。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王茂芝;徐文皙;王璐;郭科;;高光譜遙感影像端元提取算法研究進(jìn)展及分類[J];遙感技術(shù)與應(yīng)用;2015年04期

2 張兵;孫旭;高連如;楊麗娜;;一種基于離散粒子群優(yōu)化算法的高光譜圖像端元提取方法[J];光譜學(xué)與光譜分析;2011年09期

3 蘇遠(yuǎn)超;孫旭;高連如;陳曉寧;;高光譜影像端元提取算法的進(jìn)展分析與比較[J];遙感技術(shù)與應(yīng)用;2015年06期

4 方凌江;粘永健;雷樹濤;倪志揚(yáng);;基于頂點(diǎn)成分分析的高光譜圖像端元提取算法[J];艦船電子工程;2014年08期

5 董安國;韓雪;龔文娟;;基于單體擴(kuò)張的端元提取算法[J];紅外技術(shù);2016年11期

6 劉萬軍;楊秀紅;曲海成;孟煜;姜慶玲;;基于端元子集優(yōu)選的高光譜解混算法研究[J];計(jì)算機(jī)應(yīng)用與軟件;2016年07期

7 崔賓閣;莊仲杰;任廣波;吳培強(qiáng);張杰;;典型高光譜圖像端元提取算法在黃河口濕地應(yīng)用評價研究[J];海洋科學(xué);2015年02期

8 何曉寧;曹建農(nóng);高坡;高美玲;;基于頂點(diǎn)成分分析法的端元提取改進(jìn)算法[J];測繪通報;2013年07期

9 種敏琪;秦斌杰;;生物熒光譜分離端元提取算法的實(shí)現(xiàn)與比較[J];中國醫(yī)療器械雜志;2010年04期

10 孫根云;張愛竹;許明明;;基于數(shù)據(jù)場的端元提取算法研究[J];遙感技術(shù)與應(yīng)用;2012年06期

相關(guān)會議論文 前10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

2 許寧;孫康;劉磊;胡玉新;耿修瑞;;基于分塊矩陣求逆引理的高光譜圖像快速端元提取方法[A];第四屆高分辨率對地觀測學(xué)術(shù)年會論文集[C];2017年

3 方俊龍;郭寶峰;石俊峰;沈宏海;;一種利用數(shù)學(xué)形態(tài)學(xué)改進(jìn)的SGA端元提取算法[A];浙江省信號處理學(xué)會2015年學(xué)術(shù)年會論文集[C];2015年

4 湯奇峰;楊忠芳;唐金榮;宗思鋒;;成都市區(qū)降塵污染狀況調(diào)查[A];城市地質(zhì)研討會論文集[C];2005年

5 黃遠(yuǎn)程;張良培;李平湘;;基于最小單形體體積約束的高光譜影像端元光譜提取[A];遙感定量反演算法研討會摘要集[C];2010年

6 曹揚(yáng);胡榮;金彬;張佩;;一種準(zhǔn)確快速的高光譜數(shù)據(jù)光譜混合分析方法[A];第二屆高分辨率對地觀測學(xué)術(shù)年會論文集[C];2013年

7 張良培;叢浩;;一種可選端元的混合像元分解方法[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

8 蔣霈霖;;遙感圖像混合譜解混的新方法[A];中國自動化學(xué)會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

9 饒萍;;EOS-MODIS像元組分分解中端元的選擇與改進(jìn)[A];《測繪通報》測繪科學(xué)前沿技術(shù)論壇摘要集[C];2008年

10 李建廣;;一種基于非線性盲源分離的高光譜圖像光譜解混方法[A];第十屆全國數(shù)學(xué)地質(zhì)與地學(xué)信息學(xué)術(shù)研討會論文集[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 王蕊;高光譜遙感圖像稀疏解混算法研究[D];西南交通大學(xué);2017年

2 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

3 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

4 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

5 黃遠(yuǎn)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

6 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

7 黃傳印;基于端元差異的茶樹光譜特征研究[D];福建師范大學(xué);2014年

8 王忠良;基于線性混合模型的高光譜圖像壓縮感知研究[D];西北工業(yè)大學(xué);2015年

9 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

10 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

相關(guān)碩士學(xué)位論文 前10條

1 李東澤;基于正交子投影空間的自動形態(tài)學(xué)端元提取算法[D];中國地質(zhì)大學(xué)(北京);2018年

2 秦學(xué)川;基于迭代誤差分析與空間信息的高光譜遙感圖像端元提取方法研究[D];山東科技大學(xué);2017年

3 崔士玲;多端元高光譜圖像解混算法研究[D];哈爾濱工程大學(xué);2015年

4 曾凡霞;高光譜遙感圖像端元提取算法改進(jìn)及性能優(yōu)化[D];成都理工大學(xué);2013年

5 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

6 侯浩亮;基于FPGA的高光譜圖像實(shí)時端元提取技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2009年

7 薛綺;基于線性混合模型的高光譜圖像端元提取方法研究[D];國防科學(xué)技術(shù)大學(xué);2004年

8 王琪;基于端元和豐度屬性的NMF算法改進(jìn)[D];大連海事大學(xué);2017年

9 蘇遠(yuǎn)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

10 崔俊濤;對于高光譜圖像端元解混方法研究[D];西安電子科技大學(xué);2013年

本文編號：2823506