本文關(guān)鍵詞：非負(fù)矩陣分解理論及其在高光譜解混中的應(yīng)用

  更多相關(guān)文章： 非負(fù)矩陣分解 高光譜解混 SNMFSC CMVC-NMF GA-MCNMF

【摘要】：所謂高光譜遙感技術(shù),實(shí)際上指的就是借助成像光譜儀來獲取電磁波譜中的波段,其范圍可由熱紅外波段延伸到可見光波段。這些獲取到的波段非常狹窄,但它所包含的影像數(shù)據(jù)卻非常豐富,不僅有光譜自身的信息,還能間接反映空間和地表輻射信息,它把原來在寬波段遙感中無法完成的探測(cè)任務(wù)變成現(xiàn)實(shí),因此,作為遙感發(fā)展中的前沿技術(shù)以及在光譜分辨率上的巨大優(yōu)勢(shì),高光譜遙感的出現(xiàn)為遙感領(lǐng)域注入了新鮮活力并已被應(yīng)用在越來越多的科學(xué)研究中�！盎旌舷裨本褪侵咐眠b感儀器進(jìn)行地物拍攝取景時(shí),由于儀器受到空間分辨效率不清晰、地物復(fù)雜等約束,所攝圖像中極其微小或者同一個(gè)像元都可能包括不同波譜屬性的物質(zhì),可能是多種物質(zhì)的混合,從而導(dǎo)致像元光譜不純,顧名思義為“混合像元”�；旌舷裨拇嬖�,使拍攝到的遙感影像模糊不清,從而導(dǎo)致提取的地物信息不夠準(zhǔn)確。要想提高地標(biāo)物質(zhì)的辨識(shí)度,就需從遙感影像中獲取亞像元級(jí)別的光譜信息,找到所含各種地物的比例,也就是說,把圖像中的像元分解,獲取相應(yīng)的端元矩陣和豐度矩陣,從而在更小的單位上實(shí)現(xiàn)遙感數(shù)據(jù)的定量化,這一思路必將在高光譜應(yīng)用中發(fā)揮深遠(yuǎn)意義。在現(xiàn)有的高光譜研究中,越來越多的學(xué)者都在努力探究和尋求各種新的方法使高光譜遙感影像中的混合像元能夠在無監(jiān)督的情況下更精確更迅速地盲分解。其中,非負(fù)矩陣分解相關(guān)原理得到了越來越多人的關(guān)注。非負(fù)矩陣分解(Non-negative Matrix Factorization,即NMF)方法最初是由Lee和Seung在著名的《Nature》雜志上提出的[1],它是矩陣分解的一種新突破,其思想就是附加一些約束條件,實(shí)現(xiàn)由一個(gè)非負(fù)矩陣到兩個(gè)非負(fù)矩陣乘積的轉(zhuǎn)化。很顯然,對(duì)矩陣的這一分解模式與對(duì)混合像元地解混在想法上有異曲同工之妙,因此,若能將非負(fù)矩陣分解作為載體應(yīng)用在高光譜解混中,將會(huì)是遙感領(lǐng)域中一場(chǎng)新的革命,但非負(fù)矩陣在分解過程中可能出現(xiàn)局部最小現(xiàn)象,得不到可滿足整個(gè)問題最優(yōu)的解,所以要想將非負(fù)矩陣分解成功應(yīng)用在高光譜解混研究中,就必須在現(xiàn)有算法的基礎(chǔ)上不斷地改進(jìn)和創(chuàng)新�；诖�,本文在借鑒相關(guān)文獻(xiàn)和研究已有算法的前提下,將NMF于高光譜解混中的應(yīng)用作了許多研究,為了解混合像元的空間分布信息及其光譜合成情況提供了新的途徑。本文的主要研究工作:1.NMF算法本身已滿足了非負(fù)性約束,但稀疏性和光滑性同樣可成為一些重要的附加約束條件,因此在原有方法的基礎(chǔ)上于目標(biāo)函數(shù)加入懲罰項(xiàng),于分解結(jié)果加上稀疏性或者平滑性約束來追求分解最優(yōu),生成一種既受稀疏性又受光滑性這兩個(gè)因素雙重約束的非負(fù)矩陣分解方法(SNMFSC)。2.在標(biāo)準(zhǔn)非負(fù)矩陣分解(NMF)算法的基礎(chǔ)上,本文依次將體積、復(fù)雜度以及二者的糅合同時(shí)加入到非負(fù)矩陣分解中來,最終得到一種改進(jìn)了的、同時(shí)受這兩因素約束的非負(fù)矩陣分解方法(CMVC-NMF)。該方法不僅不需要假設(shè)純像元的存在,而且考慮了豐度之間的時(shí)間預(yù)測(cè)度和空間自相關(guān)作用,將該算法作用于實(shí)際操作進(jìn)行仿真研究,可檢驗(yàn)其時(shí)效性。3.介于原有NMF算法中目標(biāo)函數(shù)的非凸性,經(jīng)常使其分解結(jié)果陷入只滿足局部最優(yōu)的狀態(tài),而遺傳算法的魯棒效能在最后一般都能收斂于全局最優(yōu)。因此為了減少這種局部最優(yōu)情況的發(fā)生,將遺傳算法與改進(jìn)的約束非負(fù)矩陣分解算法相結(jié)合,即GA-MCNMF,實(shí)驗(yàn)結(jié)果表明,該方法在提高運(yùn)算效率的同時(shí)可得到精確結(jié)果。
【關(guān)鍵詞】：非負(fù)矩陣分解 高光譜解混 SNMFSC CMVC-NMF GA-MCNMF
【學(xué)位授予單位】：成都理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP751;O151.21
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 引言10-16
• 1.1 選題背景及意義10-11
• 1.2 非負(fù)矩陣矩陣與高光譜遙感技術(shù)的研究現(xiàn)狀11-14
• 1.2.1 非負(fù)矩陣分解研究現(xiàn)狀11-12
• 1.2.2 高光譜遙感技術(shù)研究現(xiàn)狀12-14
• 1.3 本文的研究?jī)?nèi)容和創(chuàng)新點(diǎn)14
• 1.4 本文的研究思路14-16
• 第2章 非負(fù)矩陣分解理論16-22
• 2.1 NMF建模16-17
• 2.2 NMF的主要算法17-22
• 2.2.1 梯度下降算法17
• 2.2.2 乘法算法17-19
• 2.2.3 改進(jìn)的乘法迭代算法19
• 2.2.4 交替最小平方算法19-20
• 2.2.5 稀疏算法20-22
• 第3章 非負(fù)矩陣分解在高光譜解混中的應(yīng)用基礎(chǔ)22-35
• 3.1 高光譜解混建模22-23
• 3.2 高光譜解混常用算法23-26
• 3.2.1 非負(fù)矩陣分解法23-24
• 3.2.2 梯度下降最大嫡法24-25
• 3.2.3 獨(dú)立成分分析25-26
• 3.3 端元提取方法26-32
• 3.3.1 頂點(diǎn)成分分析法26-29
• 3.3.2 空間像元純度法29-31
• 3.3.3 N-finder法31-32
• 3.4 NMF與高光譜的結(jié)合32-34
• 3.4.1 NMF的稀疏性和平滑性約束32-33
• 3.4.2 NMF的單形體體積約束33-34
• 3.5 本章小結(jié)34-35
• 第4章 基于復(fù)雜度和最小體積約束的NMF及在高光譜解混中的應(yīng)用35-48
• 4.1 光譜特征模型35-36
• 4.2 光譜數(shù)據(jù)的復(fù)雜度模型36-37
• 4.3 NMF的復(fù)雜度約束37-39
• 4.4 NMF的最小體積約束39-40
• 4.5 受復(fù)雜度和最小體積約束的NMF40-42
• 4.6 數(shù)據(jù)檢驗(yàn)算法42-47
• 4.6.1 模擬數(shù)據(jù)42-44
• 4.6.2 實(shí)際數(shù)據(jù)44-47
• 4.7 本章小結(jié)47-48
• 第5章 基于遺傳算法的NMF及在高光譜解混中的應(yīng)用48-56
• 5.1 遺傳算法理論48-50
• 5.2 在VCA作用下改進(jìn)的約束非負(fù)矩陣分解50
• 5.3 遺傳算法下的NMF50-51
• 5.4 數(shù)據(jù)檢驗(yàn)算法51-55
• 5.4.1 模擬數(shù)據(jù)51-54
• 5.4.2 實(shí)際數(shù)據(jù)54-55
• 5.5 本章小結(jié)55-56
• 結(jié)論56-58
• 致謝58-59
• 參考文獻(xiàn)59-62
• 攻讀學(xué)位期間取得學(xué)術(shù)成果62

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前3條

1 吳黎;張有智;解文歡;王鵬;劉媛媛;李栓;;遙感圖像分類中混合像元分解方法研究[J];黑龍江農(nóng)業(yè)科學(xué);2011年09期

2 呂長春,王忠武,錢少猛;混合像元分解模型綜述[J];遙感信息;2003年03期

3 常瑞花;慕曉冬;李琳琳;宋國軍;;基于模糊聚類非負(fù)矩陣分解的軟件缺陷預(yù)測(cè)[J];宇航學(xué)報(bào);2011年09期

，

本文編號(hào)：735549