【摘要】：相比于多光譜圖像和全色圖像,從高光譜圖像中不僅可以獲得圖像上每個(gè)像素點(diǎn)的光譜數(shù)據(jù),還可以獲得任一個(gè)譜段的空間影像信息,因此可以更有效地對(duì)地物進(jìn)行分析和識(shí)別,在地質(zhì)勘探、海洋資源普查、戰(zhàn)場(chǎng)環(huán)境偵測(cè)等民用和軍事領(lǐng)域具有廣闊的應(yīng)用前景。但是混合像元的存在是擴(kuò)展高光譜遙感應(yīng)用場(chǎng)景面臨的重大難題�；旌舷裨纸鈫�(wèn)題引起了廣大學(xué)者的關(guān)注,目前已發(fā)展出了眾多理論和方法。其中,貪婪類解混算法是通過(guò)貪婪迭代的方式尋找混合像元的端元支撐集,然后通過(guò)最小二乘法估計(jì)出豐度系數(shù)。該類算法具有解混精度高、速度快的優(yōu)點(diǎn)。本文主要對(duì)其進(jìn)行了深入研究,主要內(nèi)容如下:1.針對(duì)單路徑搜索算法容易在端元選擇過(guò)程中陷入局部最優(yōu)的問(wèn)題,提出了一種基于多路徑搜索的A星聯(lián)合正交匹配追蹤算法。該算法首先將高光譜圖像進(jìn)行分塊處理,針對(duì)每個(gè)高光譜圖像子塊,在選擇端元的過(guò)程中,A星搜索將建立一棵通過(guò)節(jié)點(diǎn)表示光譜庫(kù)中端元的搜索樹(shù),依據(jù)最佳優(yōu)先原則,利用代價(jià)函數(shù)在搜索樹(shù)的所有路徑中選出最好的一條,并對(duì)該路徑進(jìn)行擴(kuò)展。在搜索樹(shù)的路徑擴(kuò)張過(guò)程中,使用了剪枝和路徑替換等多個(gè)策略來(lái)降低計(jì)算的復(fù)雜度。待滿足搜索截止條件后,算法停止迭代,并將代價(jià)最小路徑上的端元作為該圖像子塊的端元集合。最后,將所有圖像子塊的端元支撐集合并作為完整圖像的端元支撐集,并通過(guò)最小二乘法重構(gòu)豐度圖像。對(duì)A*SOMP算法分別進(jìn)行了模擬圖像實(shí)驗(yàn)和真實(shí)圖像實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,與參與對(duì)比的其它算法相比,本文提出的A*SOMP算法具有更高的解混精度。2.通過(guò)深入分析高光譜圖像相鄰像元之間的空間相關(guān)性,提出一種基于空間相關(guān)性約聯(lián)合子空間追蹤的高光譜圖像解混方法。算法采用分塊策略將高光譜圖像分塊處理。在每個(gè)圖像子塊的子空間追蹤算法的端元選擇步驟中,先通過(guò)初步測(cè)試選擇合適的端元加入端元集合,再按照結(jié)合空間相關(guān)性約束的殘差最小準(zhǔn)則對(duì)已存在于端元集合中的端元進(jìn)行再次檢驗(yàn),剔除其中的冗余端元,保證當(dāng)次端元集合相對(duì)于當(dāng)前高光譜圖像殘差是最優(yōu)的。在豐度估計(jì)中將圖像塊的端元集合合并作為整幅圖像的端元支撐集,通過(guò)求解非負(fù)性約束的最小二乘法獲得重構(gòu)的豐度圖像。模擬圖像和真實(shí)圖像實(shí)驗(yàn)結(jié)果表明,與其它算法相比,本文算法提取的端元集合更加精確,具有更好的解混精度和抗噪性能。
【圖文】：

、農(nóng)業(yè)普查等工作取得了良好的效益。部分企業(yè)開(kāi)發(fā)的便攜式高光別和醫(yī)療輔助診斷等領(lǐng)域也開(kāi)始嶄露頭角[6]。此外，在戰(zhàn)場(chǎng)目標(biāo)偵事領(lǐng)域，高光譜成像技術(shù)的潛力也得到了高度重視。譜混合像元反射或發(fā)射的電磁波將被高光譜相機(jī)上的分光裝置分解到成百上千電磁波的強(qiáng)度將會(huì)很低，受制于當(dāng)前高光譜相機(jī)的光學(xué)和微電子器得較高的光譜分辨率的同時(shí)，其空間分辨率卻相對(duì)較低[7]。例如，2載高光譜相機(jī)距離地面 700km，空間分辨率僅達(dá)到 50m，即圖像中2m 的地面。由于高光譜相機(jī)有限的空間分辨率，高光譜相機(jī)的瞬時(shí)物，并且自然界地物分布復(fù)雜多樣，部分地物的分布甚至呈現(xiàn)犬牙中存在的建筑，道路和綠化帶等。因此，在真實(shí)環(huán)境中，純凈像元大氣傳輸和高光譜相機(jī)本身存在的混合效應(yīng)，所以高光譜相機(jī)接收物的光譜按照一定規(guī)則混合之后形成的復(fù)合光譜，這樣的像元一般。

同時(shí)稀疏度盡可能高的 x。多數(shù)情景下，光譜庫(kù)中的端元數(shù)目要遠(yuǎn)遠(yuǎn)多于光譜的波段數(shù)，即如圖1.7所示，矩陣A 的列數(shù)要大于行數(shù)，所以圖 1.7 實(shí)際上表示了一個(gè)欠定方程組。所以，半監(jiān)督解混問(wèn)題的求解可以通過(guò)計(jì)算欠定方程組的稀疏解來(lái)完成，即稀疏解混。稀疏解混研究在近些年發(fā)展迅速，各種模型和算法層出不窮，這些將作為下一章的主要內(nèi)容進(jìn)行具體講述。圖 1.7 稀疏表示模型1.3 本文的研究?jī)?nèi)容和安排本文主要研究利用光譜庫(kù)對(duì)混合像元進(jìn)行稀疏解混的方法，研究對(duì)象是真實(shí)場(chǎng)景下普遍存在混合像元的高光譜圖像。針對(duì)已有方法存在的不足之處，本文以提高混合像元分解的精度為目的，，以提升端元選擇的準(zhǔn)確性作為切入點(diǎn)，提出了兩種新的稀疏解混方法。本文內(nèi)容安排如下：第一章，緒論。首先介紹了高光譜遙感影像混合像元分解問(wèn)題的研究背景和研究意義；然后介紹了線性和非線性光譜混合模型，并對(duì)目前基于線性光譜混合模型的各種光譜解混方法進(jìn)行了分類與說(shuō)明。第二章，首先說(shuō)明了基于 SMV 和 MMV 的稀疏解混模型，將現(xiàn)有的主流稀疏解混算法分為凸優(yōu)化類、貪婪類和稀疏貝葉斯學(xué)習(xí)類，并從中選取了具有代表性的算法分析了它們的原理、流程以及各自的優(yōu)勢(shì)與不足。最后明確了本文模擬圖像解混實(shí)驗(yàn)和真實(shí)圖像解混實(shí)驗(yàn)的解混性能評(píng)價(jià)指標(biāo)。第三章，針對(duì) SOMP 算法由于光譜庫(kù)中的端元之間具有較強(qiáng)的相關(guān)性而在端元選擇階段可能落入局部最優(yōu)陷阱的問(wèn)題，本文提出了基于 A 星聯(lián)合正交匹配追蹤的解混算法。在端元選擇迭代過(guò)程中，A 星搜索將依據(jù)最佳優(yōu)先原則
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP301.6;TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測(cè)中的應(yīng)用進(jìn)展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應(yīng)用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國(guó);馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J];食品研究與開(kāi)發(fā);2013年10期

5 劉遵雄;蔣中慧;任行樂(lè);;基于核方法協(xié)同表示的高光譜圖像分類[J];廣西大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年05期

6 葉珍;白t

本文編號(hào)：2594546