發(fā)布時間：2017-04-02 09:17

  本文關(guān)鍵詞：基于聯(lián)合稀疏表示的高光譜圖像解混方法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：衛(wèi)星遙感成像技術(shù)能夠同時獲得圖像的空間信息和光譜信息,是人們獲取對地遙感和深空探測目標(biāo)信息的重要手段,在地質(zhì)勘測,環(huán)境監(jiān)測,土地規(guī)劃,目標(biāo)檢測與跟蹤等許多領(lǐng)域有著非常重要的應(yīng)用。但是受到成像光譜儀的限制,高光譜圖像空間分辨率較低,導(dǎo)致混合像元普遍存在,嚴(yán)重制約了高光譜圖像的廣泛應(yīng)用。因此,研究高光譜圖像混合像元分解具有非常重要的現(xiàn)實意義。論文對傳統(tǒng)高光譜圖像解混技術(shù)進(jìn)行了論述,在對國內(nèi)外現(xiàn)有的高光譜圖像稀疏解混方法進(jìn)行深入研究的基礎(chǔ)上,對現(xiàn)有高光譜稀疏解混算法進(jìn)行改進(jìn)。本文的主要研究成果可概括如下:(1)針對端元候選集中包含冗余端元導(dǎo)致豐度重構(gòu)精度不高的問題,提出了一種基于回溯的聯(lián)合正交匹配追蹤高光譜圖像解混算法。首先將高光譜圖像分為若干個圖像塊,并對每個圖像塊采用聯(lián)合匹配追蹤的方法提取端元,將每個子塊端元候選集合并作為整幅圖像的端元集合,然后通過檢測當(dāng)前端元集合中每個端元與當(dāng)前像元的相關(guān)性,將冗余端元從端元集合中剔除。對比其他聯(lián)合貪婪算法,該算法有效減少了端元集合的冗余端元,提高了豐度重構(gòu)的精度。(2)針對光譜曲線相關(guān)性較高,影響最優(yōu)端元提取的問題,提出了一種基于遞歸字典的聯(lián)合正交匹配追蹤高光譜圖像解混算法。在每次迭代過程中,先將光譜庫投影到子空間并進(jìn)行正交化處理,降低光譜曲線的相關(guān)性,再利用殘差與正交化后的光譜曲線進(jìn)行端元提取。該算法能夠有效提取最優(yōu)端元,與其他貪婪算法相比具有更高的光譜解混精度。(3)提出了一種復(fù)合正則化的聯(lián)合稀疏貝葉斯學(xué)習(xí)解混算法。在貝葉斯框架下,對各參數(shù)建立概率模型,經(jīng)貝葉斯推斷得到最優(yōu)化問題,利用一種快速迭代方法進(jìn)行參數(shù)學(xué)習(xí)。將豐度系數(shù)的非負(fù)性與和為一性加入最優(yōu)化問題,并利用交替迭代方法進(jìn)行求解。對比貪婪算法和凸優(yōu)化算法,該算法能夠獲得更高的解混精度。(4)提出基于空間相關(guān)性約束的聯(lián)合稀疏貝葉斯學(xué)習(xí)算法。將相鄰像元的聯(lián)合稀疏性和空間相關(guān)性同時作為約束條件加入到最優(yōu)化問題中,并利用懲罰參數(shù)平衡聯(lián)合稀疏約束與空間相關(guān)性約束的影響。該算法針對模擬圖像和真實圖像都獲得了較好的解混結(jié)果。
【關(guān)鍵詞】：高光譜解混 聯(lián)合稀疏表示 貪婪算法 稀疏貝葉斯學(xué)習(xí)
【學(xué)位授予單位】：南京航空航天大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 注釋表11-12
• 縮略詞12-13
• 第一章 緒論13-22
• 1.1 研究背景與意義13-15
• 1.2 國內(nèi)外研究現(xiàn)狀15-21
• 1.2.1 光譜混合模型15-17
• 1.2.2 傳統(tǒng)高光譜解混算法17-20
• 1.2.3 稀疏高光譜解混算法20-21
• 1.3 主要內(nèi)容與章節(jié)安排21-22
• 第二章 高光譜圖像稀疏解混的理論基礎(chǔ)22-38
• 2.1 引言22
• 2.2 聯(lián)合稀疏解混模型22-24
• 2.3 貪婪算法24-27
• 2.3.1 聯(lián)合正交匹配追蹤算法24-26
• 2.3.2 聯(lián)合子空間追蹤算法26
• 2.3.3 子空間匹配追蹤算法26-27
• 2.4 凸優(yōu)化算法27-32
• 2.4.1 SUnSAL算法28-29
• 2.4.2 CLSUnSAL算法29-31
• 2.4.3 SUnSAL-TV算法31-32
• 2.5 貝葉斯算法32-35
• 2.5.1 貝葉斯理論33-34
• 2.5.2 稀疏貝葉斯學(xué)習(xí)理論34-35
• 2.6 混合像元分解精度的評價指標(biāo)35-37
• 2.6.1 已知模擬圖像數(shù)據(jù)的分解精度評價指標(biāo)35-37
• 2.6.2 未知真實圖像數(shù)據(jù)的分解精度評價指標(biāo)37
• 2.7 本章小結(jié)37-38
• 第三章 基于聯(lián)合貪婪算法的稀疏解混算法38-64
• 3.1 聯(lián)合正交匹配追蹤算法38-39
• 3.2 基于回溯的聯(lián)合正交匹配追蹤的稀疏解混算法39-52
• 3.2.1 基于回溯的聯(lián)合正交匹配追蹤算法39-41
• 3.2.2 算法理論分析41-44
• 3.2.3 實驗結(jié)果與分析44-52
• 3.3 遞歸字典聯(lián)合正交匹配跟蹤的稀疏解混算法52-63
• 3.3.1 基于遞歸字典聯(lián)合正交匹配跟蹤的稀疏解混算法53-54
• 3.3.2 算法理論分析54-56
• 3.3.3 實驗結(jié)果與分析56-63
• 3.4 本章小結(jié)63-64
• 第四章 基于聯(lián)合稀疏貝葉斯學(xué)習(xí)的解混算法64-88
• 4.1 聯(lián)合稀疏貝葉斯學(xué)習(xí)模型64-67
• 4.2 復(fù)合正則化的聯(lián)合稀疏貝葉斯學(xué)習(xí)解混算法67-76
• 4.2.1 算法推導(dǎo)68-69
• 4.2.2 算法實現(xiàn)與步驟69-70
• 4.2.3 實驗結(jié)果與分析70-76
• 4.3 基于空間相關(guān)性的聯(lián)合稀疏貝葉斯學(xué)習(xí)解混算法76-87
• 4.3.1 算法實現(xiàn)77-80
• 4.3.2 實驗結(jié)果與分析80-87
• 4.4 本章小結(jié)87-88
• 第五章 總結(jié)與展望88-90
• 5.1 本文總結(jié)88
• 5.2 展望分析88-90
• 參考文獻(xiàn)90-95
• 致謝95-96
• 在學(xué)期間的研究成果及發(fā)表的學(xué)術(shù)論文96

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報;2008年09期

2 王雷;喬曉艷;董有爾;張姝;尚艷飛;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用進(jìn)展[J];應(yīng)用光學(xué);2009年04期

3 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

4 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報;2013年06期

5 王慶國;黃敏;朱啟兵;孫群;;基于高光譜圖像的玉米種子產(chǎn)地與年份鑒別[J];食品與生物技術(shù)學(xué)報;2014年02期

6 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

7 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計算機(jī)信息;2010年21期

8 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報;2010年06期

9 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學(xué)學(xué)報(自然科學(xué)版);2012年02期

10 徐爽;何建國;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)檢測中的研究進(jìn)展[J];食品研究與開發(fā);2013年10期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

2 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預(yù)測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機(jī)械化道路——中國農(nóng)業(yè)機(jī)械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測方法研究[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標(biāo)探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計算和互信息理論的遙感圖像地物分類[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實現(xiàn)[D];成都理工大學(xué);2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

10 南一冰;星載推掃型高光譜運(yùn)動成像誤差建模與高精度校正技術(shù)研究[D];北京理工大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 豐爍;高光譜圖像波段選取問題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無先驗信息的高光譜圖像小目標(biāo)檢測算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

  本文關(guān)鍵詞：基于聯(lián)合稀疏表示的高光譜圖像解混方法研究，由筆耕文化傳播整理發(fā)布。

本文編號：282254