發(fā)布時間：2018-06-26 04:10

  本文選題：高光譜圖像 + 混合像元分解�。� 參考：《中國圖象圖形學報》2017年04期

【摘要】：目的混合像元問題在高光譜遙感圖像處理分析中普遍存在,非負矩陣分解的方法被引入到高光譜圖像解混中。本文提出結(jié)合空間光譜預處理和約束非負矩陣分解的混合像元分解流程。方法結(jié)合空間光譜預處理的約束非負矩陣分解,如最小體積約束、流行約束等,通過加入鄰域的空間和光譜信息進行預處理獲得更優(yōu)的預選端元,從而對非負矩陣分解的解混結(jié)果進行優(yōu)化。結(jié)果在5組不同信噪比的模擬數(shù)據(jù)實驗中,空間預處理(SPP)和空間光譜預處理(SSPP)均能夠有效提高約束非負矩陣分解(最小體積約束的非負矩陣分解和圖正則非負矩陣分解)的解混結(jié)果,其中SPP在不同信噪比的情況下都能優(yōu)化約束非負矩陣分解的結(jié)果,而SSPP在低信噪比的情況下,預處理效果更佳。利用美國內(nèi)華達州Cuprite礦區(qū)數(shù)據(jù)進行真實數(shù)據(jù)實驗,SPP提高了約束非負矩陣分解的解混精度,而SSPP在復雜場景下,解混精度更佳。模擬數(shù)據(jù)和真實數(shù)據(jù)的實驗均表明,空間光譜預處理能夠有效地提高約束非負矩陣分解的解混精度,特別是對于信噪比較低的情況下,融合空間和光譜信息對噪聲有很好的魯棒性。結(jié)論本文對約束非負矩陣分解的解混算法添加空間光譜預處理,利用高光譜遙感數(shù)據(jù)的空間和光譜信息,優(yōu)化預選端元,加入空間光譜預處理的非負矩陣解混實驗流程,在復雜場景情況下,對噪聲具有較好的魯棒性。
[Abstract]:Aim the mixed pixel problem is widely used in hyperspectral remote sensing image processing and analysis, and the method of nonnegative matrix decomposition is introduced into hyperspectral image de-mixing. In this paper, a mixed pixel decomposition process combining spatial spectral preprocessing and constrained nonnegative matrix decomposition is proposed. Methods combining the constraint nonnegative matrix factorization of spatial spectral preprocessing, such as minimum volume constraint, popular constraint and so on, preprocessing the spatial and spectral information of the neighborhood to obtain a better pre-selected end element. Thus, the unmixing results of nonnegative matrix decomposition are optimized. Results in five groups of simulated data with different signal-to-noise ratio, Both spatial preprocessing (SPP) and spatial spectral preprocessing (SSPP) can effectively improve the unmixing results of constrained nonnegative matrix decomposition (minimum volume constrained nonnegative matrix decomposition and graph regular nonnegative matrix factorization). SPP can optimize the results of constrained nonnegative matrix decomposition under different SNR, while SSPP has better preprocessing effect under low SNR. The real data experiment using Cuprite mining area data in Nevada, USA, has improved the resolution accuracy of constrained nonnegative matrix decomposition, while SSPP is better in complex scenarios. The experiments of simulated data and real data show that spatial spectral preprocessing can effectively improve the unmixing accuracy of constrained nonnegative matrix decomposition, especially in the case of low signal-to-noise ratio (SNR). The fusion space and spectral information are robust to noise. Conclusion in this paper, spatial spectral pretreatment is added to the unmixing algorithm of constrained nonnegative matrix decomposition. By using spatial and spectral information of hyperspectral remote sensing data, the pre-selected endelements are optimized and the experimental flow of non-negative matrix unmixing with spatial spectral preprocessing is optimized. In the case of complex scene, it has good robustness to noise.
【作者單位】： 中國科學院遙感與數(shù)字地球研究所;鄭州大學信息工程學院;
【基金】：國家自然科學基金項目(41325004,41571349)~~
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 于彬;;基于局部非負矩陣分解的人臉識別[J];科學技術與工程;2010年33期

2 高燕燕;;非負矩陣分解及其應用探討[J];硅谷;2011年23期

3 程明松;劉勺連;;一種實用快速非負矩陣分解算法[J];大連理工大學學報;2013年01期

4 盧進軍,楊杰,梁棟,常宇疇;基于非負矩陣分解的相關反饋圖像檢索算法[J];上海交通大學學報;2005年04期

5 呂亞麗;趙遼英;;基于約束非負矩陣分解的混合象元分解新方法[J];杭州電子科技大學學報;2009年04期

6 陳鷹;郭睿;;非負矩陣分解在遙感圖像融合中的應用[J];計算機工程與應用;2007年20期

7 張鳳斌;楊輝;;非負矩陣分解在入侵檢測中的應用[J];哈爾濱理工大學學報;2008年02期

8 李兵;米雙山;劉鵬遠;劉東升;張培林;;二維非負矩陣分解在齒輪故障診斷中的應用[J];振動.測試與診斷;2012年05期

9 李兵;徐榕;賈春寧;郭清晨;;基于自適應形態(tài)提升小波與改進非負矩陣分解的發(fā)動機故障診斷方法[J];兵工學報;2013年03期

10 錢誠;徐舒暢;張三元;;采用增量型非負矩陣分解建模的目標跟蹤算法[J];計算機輔助設計與圖形學學報;2010年06期

相關會議論文 前10條

1 孫江明;李通化;;非平滑三維非負矩陣分解[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負矩陣分解的自動多文摘方法[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負矩陣分解的圖像檢索[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號處理學術年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負矩陣分解和支持向量機的軸心軌跡圖識別[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負矩陣分解[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學術會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應用[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機語音通訊學術會議論文集（一）[C];2011年

相關博士學位論文 前10條

1 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術大學;2013年

2 葉軍;基于正則化方法的非負矩陣分解算法及其應用研究[D];南京理工大學;2014年

3 陸玉武;圖像分類中流形回歸與非負矩陣分解研究[D];哈爾濱工業(yè)大學;2015年

4 張恩德;在線社會網(wǎng)絡分析與挖掘若干關鍵問題研究[D];東北大學;2014年

5 胡俐蕊;非負矩陣分解方法及其在選票圖像識別中的應用[D];安徽大學;2013年

6 殷海青;圖像分析中的非負矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學;2011年

7 楊洪禮;非負矩陣與張量分解及其應用[D];山東科技大學;2011年

8 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

9 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

10 劉昱昊;基于非負矩陣分解算法的人臉識別技術的研究[D];吉林大學;2014年

相關碩士學位論文 前10條

1 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

2 王一;凸與半非負矩陣分解的近點梯度方法研究[D];東北師范大學;2015年

3 項磊;基于乳腺癌計算機輔助診斷的病理圖像分析[D];南京信息工程大學;2015年

4 王丹;基于非負矩陣分解的腦電信號特征提取算法研究[D];燕山大學;2015年

5 馬春霞;非負矩陣分解及在基因表達數(shù)據(jù)分析中的應用研究[D];曲阜師范大學;2015年

6 崔艷榮;基于非負矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應用[D];電子科技大學;2014年

7 賴淑珍;非負矩陣分解若干算法研究與應用[D];電子科技大學;2014年

8 趙龍;基于多流形正則化非負矩陣分解的多視圖聚類[D];大連理工大學;2015年

9 黃震;基于多視角非負矩陣分解的同名區(qū)分算法研究[D];大連理工大學;2015年

10 邵強;改進的非負矩陣分解算法及其在人臉識別中的應用[D];河北工業(yè)大學;2015年

，

本文編號：2069025