本文選題：原始對偶內點法 + 全約束��； 參考：《大連海事大學》2016年碩士論文

【摘要】：豐度估計一直是高光譜圖像中混合像元解混中的一項重要技術。所謂的豐度估計,就是對混合像元中端元所占的比例進行估計�；趯嶋H的物理意義,豐度估計技術需要滿足兩個約束條件,即非負約束(ANC)、和為1約束(ASC),滿足ANC和ASC約束的豐度估計技術就是全約束豐度估計技術。論文基于線性光譜混合模型,通過對現(xiàn)有N-FCLS、EES-FCLS、IIM-FCLS、 PDIP算法的深入分析,主要完成了以下兩項工作。首先目前線性光譜混合模型的全約束豐度估計算法較少考慮噪聲,導致豐度估計的精度難以進一步提高。論文中將一切因素所形成的誤差以噪聲的形式所表示,該噪聲的大小稱為和為1偏差ρ。根據(jù)實際的物理意義,由于地物環(huán)境的復雜性、噪聲、光照、端元純凈性等多種因素的影響,導致ρ和光譜均方根誤差之間存在密切的關系,對任意混合像元,只有找到混合像元最佳的偏差ρz,全約束豐度估計才能達到最佳效果。基于以上結論,論文的第二項工作是結合原始對偶內點法,不斷的改進全約束豐度估計算法,最終形成了優(yōu)化FCLS+PDIP(含ρ)算法和優(yōu)化FCLS+PDIP (N=1,ρ)算法。優(yōu)化FCLS+PDIP (ρ)算法同時繼承了IIM-FCLS和PDIP算法的特點,而且論文將光譜重構誤差作為一項結束條件添加到算法之中,使得該算法對最佳ρz有了一定的自適應性,提高了算法豐度估計的精度。通過數(shù)據(jù)分析可知,該算法分解精度的提高主要集中在首次迭代。為了兼顧算法的運行時間,可以限制迭代次數(shù),因此令N=1,通過犧牲部分分解精度,極大的降低算法的分解時間,即優(yōu)化FCLS+PDIP(N=1,ρ)算法。通過模擬高光譜數(shù)據(jù),真實Hydice數(shù)據(jù),以及真實高光譜溢油數(shù)據(jù),都驗證了優(yōu)化FCLS+PDIP (N=1,ρ)算法在分解精度上有了較大的提高,同時在分解時間也有較高的效率,因此優(yōu)化FCLS +PDIP (N=1,ρ)算法是一個比較高效的算法。
[Abstract]:Abundance estimation has always been an important technique in mixed pixel demultiplexing in hyperspectral images. The so-called abundance estimation is to estimate the proportion of the end elements in the mixed pixel. Based on the practical physical meaning, the abundance estimation technique needs to satisfy two constraints, that is, the nonnegative constraint ANC, and the 1 constrained ANC, and the full constrained abundance estimation technique is the full constraint abundance estimation technique which satisfies the ANC and ASC constraints. In this paper, based on the linear spectral mixing model, the existing N-FCLS EES-FCLS, IIM-FCLS, PDIP algorithms are deeply analyzed, and the following two main tasks are accomplished. Firstly, at present, the full constrained abundance estimation algorithm of the mixed linear spectral model takes less noise into account, which makes it difficult to improve the accuracy of the abundance estimation. In this paper, the errors caused by all factors are expressed in the form of noise, and the magnitude of the noise is called the sum of 1 deviation 蟻. According to the actual physical meaning, because of the complexity of the object environment, noise, illumination, purity of the end element and other factors, there is a close relationship between 蟻 and the root mean square error of spectrum. Only by finding the best deviation 蟻 _ z of the mixed pixel, the full constrained abundance estimation can achieve the best effect. Based on the above conclusions, the second work of this paper is to improve the full constrained abundance estimation algorithm by combining the original dual interior point method, and finally form the optimized FCLS IP (including 蟻) algorithm and the optimized FCLS PDIP FCLS PDIP NNX 1, 蟻 algorithm. The optimized FCLS PDIP (蟻) algorithm inherits the characteristics of both IIM-FCLS and PDIP algorithms, and the spectral reconstruction error is added to the algorithm as an end condition, which makes the algorithm adaptive to the optimal 蟻 z algorithm. The accuracy of algorithm abundance estimation is improved. According to the data analysis, the improvement of decomposition accuracy of the algorithm is mainly focused on the first iteration. In order to take into account the running time of the algorithm, the number of iterations can be limited. Therefore, by sacrificing the partial decomposition accuracy, the decomposition time of the algorithm can be greatly reduced, that is, the optimization of the FCLS PDIPN _ (1, 蟻) algorithm. By simulating hyperspectral data, real Hydice data, and real hyperspectral oil spill data, it is proved that the optimized FCLS PDIP Nu 1, 蟻 algorithm has higher resolution accuracy and higher efficiency in decomposition time. Therefore, the optimization of FCLS PDIP / Nu 1, 蟻 algorithm is a more efficient algorithm.
【學位授予單位】：大連海事大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 閻國倩;趙云升;寧艷玲;趙乃卓;仲桂新;;混合像元光譜特征影響因子分析[J];光譜學與光譜分析;2009年12期

2 吳波,張良培,李平湘;基于光譜維小波特征的混合像元投影迭代分解[J];電子學報;2005年11期

3 厲小潤;伍小明;趙遼英;;非監(jiān)督的高光譜混合像元非線性分解方法[J];浙江大學學報(工學版);2011年04期

4 桂預風,張繼賢,林宗堅;土地利用遙感動態(tài)監(jiān)測中混合像元的分解方法研究[J];遙感信息;2000年02期

5 吳波;張良培;李平湘;;基于支撐向量回歸的高光譜混合像元非線性分解[J];遙感學報;2006年03期

6 楊偉;陳晉;松下文經;宮鵬;陳春曉;;基于相關系數(shù)匹配的混合像元分解算法[J];遙感學報;2008年03期

7 戴曉燕;過仲陽;張利權;吳健平;;基于混合像元分類的城市地表覆蓋時空演變格局研究[J];地理科學;2009年01期

8 麻慶苗;李靜;劉強;柳欽火;;混合像元聚集指數(shù)研究及尺度分析[J];遙感學報;2012年05期

9 程潔;杜永明;柳欽火;李小文;肖青;劉強;;非同溫對平面混合像元溫度發(fā)射率分離的影響分析[J];大氣與環(huán)境光學學報;2008年01期

10 劉娟娟;王茂芝;葛世國;李想;;全約束下高光譜混合像元線性分解[J];四川理工學院學報(自然科學版);2013年03期

相關會議論文 前1條

1 孔祥皓;;混合像元的熱紅外輻射特性分析與驗證[A];遙感定量反演算法研討會摘要集[C];2010年

相關博士學位論文 前1條

1 李春芝;基于高光譜影像的抗噪模型及解混算法研究[D];華東師范大學;2014年

相關碩士學位論文 前10條

1 李琳;高光譜遙感影像混合像元分解算法研究[D];河北工業(yè)大學;2015年

2 徐行偉;結合原始對偶內點法的全約束豐度估計[D];大連海事大學;2016年

3 劉俊;高光譜圖像混合像元分類技術研究[D];中國地質大學（北京）;2010年

4 孫天琳;水生植物與水體混合像元的偏振高光譜特征分析[D];東北師范大學;2013年

5 馮淦;基于混合像元解混與圖像恢復技術的遙感圖像云霧消除研究[D];成都理工大學;2012年

6 閆春雨;基于模糊理論的遙感影像混合像元分類方法研究[D];遼寧工程技術大學;2008年

7 楊健;高/多光譜圖像混合像元解混研究[D];華中科技大學;2011年

8 何倩倩;枯樹葉與土壤混合像元的反射高光譜特征的研究[D];東北師范大學;2013年

9 閻國倩;植被與土壤混合像元的高光譜偏振特性研究[D];東北師范大學;2013年

10 周昕;高光譜遙感圖像混合像元分解算法研究[D];浙江大學;2015年

，

本文編號：1960672