本文關(guān)鍵詞：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，由筆耕文化傳播整理發(fā)布。

【摘要】：由于物理?xiàng)l件約束,數(shù)據(jù)傳輸速率限制和信噪比等原因,導(dǎo)致遙感傳感器設(shè)計(jì)時(shí)需要在波譜分辨率和空間分辨率之間折衷。高光譜遙感數(shù)據(jù)為了獲得很高的波譜分辨率,而以損失空間分辨率為代價(jià);多光譜數(shù)據(jù)或全色數(shù)據(jù)雖然僅有幾個(gè)波段,卻可以獲得更高的空間分辨率。大多數(shù)情況下,我們無(wú)法從單一傳感器獲得同時(shí)具有高空間分辨率和高光譜分辨率的遙感數(shù)據(jù)。高光譜數(shù)據(jù)的低空間分辨率限制了其在地物分類(lèi)和識(shí)別上的應(yīng)用。因此,使遙感數(shù)據(jù)同時(shí)具有高空間分辨率和高光譜分辨率成為遙感研究的熱點(diǎn)問(wèn)題之一。在此背景下,本文研究了高光譜數(shù)據(jù)和多光譜數(shù)據(jù)融合算法,旨在綜合兩者的優(yōu)勢(shì)得到高空間分辨率和高光譜分辨率的數(shù)據(jù)�；诓ㄗV混合分解的數(shù)據(jù)融合方法,在提高高光譜數(shù)據(jù)空間分辨率的同時(shí),較好地保持了原有的波譜特征。論文結(jié)合線(xiàn)性波譜混合模型、傳感器觀(guān)測(cè)模型和非負(fù)矩陣分解算法導(dǎo)出基于投影梯度優(yōu)化技術(shù)的非負(fù)矩陣分解融合算法。該算法首先利用頂點(diǎn)成分分析法分解高光譜數(shù)據(jù),得到端元波譜矩陣;其次利用投影梯度優(yōu)化技術(shù)的非負(fù)矩陣分解算法交替地對(duì)端元波譜矩陣和豐度矩陣進(jìn)行更新,通過(guò)不斷迭代優(yōu)化,得到高波譜分辨率的端元波譜矩陣和高空間分辨率的豐度矩陣;最后兩個(gè)矩陣相乘得到高空間分辨率和高光譜分辨率的融合結(jié)果。傳感器之間的觀(guān)測(cè)模型在每步非負(fù)矩陣分解過(guò)程中用于初始化分解矩陣。研究結(jié)合模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)實(shí)驗(yàn)進(jìn)行分析。論文最后,設(shè)計(jì)和實(shí)現(xiàn)了多源遙感數(shù)據(jù)融合原型系統(tǒng)。論文的主要研究工作和成果如下:(1)研究基于投影梯度優(yōu)化技術(shù)的非負(fù)矩陣分解融合算法。以線(xiàn)性波譜混合模型、傳感器觀(guān)測(cè)模型和非負(fù)矩陣分解算法為基礎(chǔ),導(dǎo)出梯度投影優(yōu)化技術(shù)的更新規(guī)則以對(duì)端元波譜矩陣和豐度矩陣進(jìn)行更新。投影梯度算法融合收斂速度快,避免分解矩陣中0值元素不被更新的情況。(2)結(jié)合模擬數(shù)據(jù)實(shí)驗(yàn)分析非負(fù)矩陣分解融合方法性能。采用AVIRIS和HYDICE數(shù)據(jù)經(jīng)過(guò)重采樣得到模擬數(shù)據(jù)進(jìn)行實(shí)驗(yàn),并與約束最小二乘估計(jì)融合方法進(jìn)行對(duì)比分析。兩種融合方法的性能采用定量評(píng)價(jià)指標(biāo)峰值信噪比、波譜角誤差、均方根誤差和通用圖像質(zhì)量指標(biāo)進(jìn)行定量分析。根據(jù)分析結(jié)果,非負(fù)矩陣分解算法有效的提高了高光譜數(shù)據(jù)的所有波段的空間分辨率,同時(shí)具有很好的波譜保持性。(3)分析非負(fù)矩陣分解融合算法在真實(shí)數(shù)據(jù)融合上的應(yīng)用性能。具有不同地物覆蓋類(lèi)型的四個(gè)研究區(qū)的環(huán)境衛(wèi)星HJ-1A的HSI高光譜和CCD多光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)融合實(shí)驗(yàn)。采用定量評(píng)價(jià)指標(biāo)信息熵和圖像清晰度對(duì)融合結(jié)果進(jìn)行定量評(píng)價(jià),同時(shí)主成分分析法進(jìn)行視覺(jué)評(píng)價(jià)。通過(guò)實(shí)驗(yàn)分析,融合結(jié)果的信息熵和圖像清晰度均大于原始數(shù)據(jù),主成分分量含信息量更加豐富,細(xì)節(jié)邊緣信息更加清晰,不同地物的色彩信息與原始數(shù)據(jù)基本保持一致,即基于非負(fù)矩陣分解的融合方法提高了高光譜數(shù)據(jù)的空間分辨率,同時(shí)波譜失真較少。(4)設(shè)計(jì)和實(shí)現(xiàn)了多源遙感數(shù)據(jù)融合原型系�；赪indows平臺(tái),采用成熟的.NET技術(shù)、ArcGIS Engine技術(shù)、ENVI/IDL技術(shù)和MATLAB技術(shù),開(kāi)發(fā)包括數(shù)據(jù)預(yù)處理、融合、融合結(jié)果評(píng)價(jià)和植被指數(shù)計(jì)算功能的多源遙感數(shù)據(jù)融合系統(tǒng)。
【關(guān)鍵詞】：高光譜遙感 數(shù)據(jù)融合 波譜混合模型 非負(fù)矩陣分解
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類(lèi)號(hào)】：P237
【目錄】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 緒論13-22
• 1.1 研究背景和意義13-14
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀14-20
• 1.2.1 遙感數(shù)據(jù)融合方法14-16
• 1.2.2 高光譜遙感數(shù)據(jù)融合方法16-18
• 1.2.2.1 替換類(lèi)和波譜相關(guān)分析法16
• 1.2.2.2 小波變換分析法16-17
• 1.2.2.3 統(tǒng)計(jì)估計(jì)法17
• 1.2.2.4 基于線(xiàn)性波譜混合分析的方法17-18
• 1.2.3 遙感數(shù)據(jù)融合結(jié)果的質(zhì)量評(píng)價(jià)18-20
• 1.2.3.1 均方根誤差18
• 1.2.3.2 峰值信噪比18-19
• 1.2.3.3 波譜角誤差19
• 1.2.3.4 通用圖像質(zhì)量指標(biāo)19
• 1.2.3.5 信息熵19-20
• 1.2.3.6 圖像清晰度20
• 1.2.4 存在問(wèn)題與分析20
• 1.3 論文的研究?jī)?nèi)容及組織結(jié)構(gòu)20-22
• 第二章 波譜混合模型與非負(fù)矩陣分解22-33
• 2.1 波譜混合模型22-24
• 2.2 非負(fù)矩陣分解算法24-29
• 2.2.1 非負(fù)矩陣分解基本問(wèn)題24-28
• 2.2.1.1 乘法更新規(guī)則25-26
• 2.2.1.2 交替約束二乘算法26-27
• 2.2.1.3 投影梯度算法27-28
• 2.2.3 約束非負(fù)矩陣分解問(wèn)題28-29
• 2.2.4 終止條件29
• 2.3 非負(fù)矩陣分解在波譜混合分解中的應(yīng)用29-32
• 2.3.1 最小體積約束的非負(fù)矩陣分解算法30-31
• 2.3.2 平滑和稀疏約束的非負(fù)矩陣分解算法31
• 2.3.3 最小分離約束的非負(fù)矩陣分解算法31
• 2.3.4 豐度分離和平滑的非負(fù)矩陣分解算法31-32
• 2.3.5 波譜相似性約束的非負(fù)矩陣分解算法32
• 2.4 小結(jié)32-33
• 第三章 基于非負(fù)矩陣分解的高光譜數(shù)據(jù)融合算法33-52
• 3.1 非負(fù)矩陣分解算法融合模型33-41
• 3.1.1 傳感器觀(guān)測(cè)模型33-34
• 3.1.2 非負(fù)矩陣分解算法34-36
• 3.1.3 端元波譜矩陣的初始化36-38
• 3.1.4 終止條件的判定38-39
• 3.1.5 基于非負(fù)矩陣分解融合框架39-41
• 3.2 模擬數(shù)據(jù)實(shí)驗(yàn)分析41-50
• 3.2.1 S和R的獲取41-43
• 3.2.2 端元數(shù)目的選取43-44
• 3.2.3 高光譜數(shù)據(jù)融合實(shí)驗(yàn)分析44-50
• 3.3 小結(jié)50-52
• 第四章 環(huán)境衛(wèi)星高光譜遙感數(shù)據(jù)融合實(shí)驗(yàn)52-63
• 4.1 數(shù)據(jù)源52-53
• 4.2 數(shù)據(jù)預(yù)處理53-55
• 4.3 參數(shù)設(shè)置55-57
• 4.3.1 S和R的獲取55-56
• 4.3.2 迭代次數(shù)設(shè)置56
• 4.3.3 端元數(shù)目的選取56-57
• 4.4 數(shù)據(jù)融合實(shí)驗(yàn)分析57-62
• 4.4.1 實(shí)驗(yàn)數(shù)據(jù)顯示57-59
• 4.4.2 定量評(píng)價(jià)指標(biāo)59-61
• 4.4.3 主成分分量分析61-62
• 4.5 小結(jié)62-63
• 第五章 多源遙感數(shù)據(jù)融合原型系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)63-78
• 5.1 系統(tǒng)簡(jiǎn)介63-64
• 5.1.1 需求分析63
• 5.1.3 系統(tǒng)開(kāi)發(fā)工具63-64
• 5.1.3 系統(tǒng)運(yùn)行環(huán)境64
• 5.2 系統(tǒng)架構(gòu)設(shè)計(jì)64-65
• 5.3 系統(tǒng)主要功能模塊設(shè)計(jì)65-66
• 5.4 系統(tǒng)主要功能模塊實(shí)現(xiàn)66-78
• 5.4.1 預(yù)處理模塊67-68
• 5.4.2 IHS融合68-69
• 5.4.3 PCA融合69
• 5.4.4 LS-GIF-WC融合69-71
• 5.4.5 MTF-GIF融合71-72
• 5.4.6 聯(lián)合非負(fù)矩陣分解CNMF72-73
• 5.4.7 約束最小二乘CLS73-74
• 5.4.8 融合結(jié)果評(píng)價(jià)74
• 5.4.9 植被指數(shù)計(jì)算74-78
• 第六章 結(jié)論與展望78-80
• 6.1 結(jié)論78-79
• 6.2 展望79-80
• 致謝80-81
• 參考文獻(xiàn)81-89
• 攻讀碩士期間取得的成果89-90

【共引文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 靳煥庭;基于稀疏表示與壓縮感知的圖像融合方法研究[D];西安電子科技大學(xué);2013年

2 范鵬宇;基于熱紅外遙感影像的地表溫度空間降尺度研究[D];福建師范大學(xué);2013年

3 龐慶非;基于移動(dòng)變窗口的地表溫度空間分辨率提升模型[D];電子科技大學(xué);2013年

4 李夢(mèng)云;基于VSDI指數(shù)的土壤濕度遙感降尺度研究[D];東北師范大學(xué);2014年

  本文關(guān)鍵詞：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，，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：393808