發(fā)布時(shí)間：2020-12-18 22:54

　　在高光譜圖像（hyperspectral image,HSI）處理領(lǐng)域中,空間信息越來越成為一個(gè)重要的補(bǔ)充信息,因?yàn)樗紤]了圖像像素的空間相關(guān)性,這通常涉及結(jié)合光譜信息用于圖像的預(yù)處理和（或）端元提取。端元提取算法（endmember extraction algorithms,EEAs）是近三十年來最常被討論的高光譜圖像處理方法之一。大多數(shù)基于光譜的端元提取算法利用了光譜域中數(shù)據(jù)結(jié)構(gòu)的凸性,但忽視了端元的空間屬性。另一方面,基于空間光譜的端元提取算法側(cè)重于討論像素間的空間相關(guān)性和光譜特征的組合以識別端元,但這需要嚴(yán)格的參數(shù)手動(dòng)調(diào)整過程以優(yōu)化端元提取性能,同時(shí)要付出計(jì)算負(fù)擔(dān)。預(yù)處理算法（preprocessing algorithms,PPAs）是高光譜圖像端元提取領(lǐng)域的一個(gè)重要研究方向,它是一個(gè)獨(dú)立執(zhí)行的模塊,通過聯(lián)合考慮圖像空間上下文和光譜特征,在端元提取之前提供相對較少的高質(zhì)量像素用于快速端元提取。但是,大多數(shù)的預(yù)處理算法使用了較為耗時(shí)的聚類算法如K-means、模糊C-means和滑動(dòng)窗口等去獲取空間信息。此外,這類算法依賴于參數(shù)或者閾值來獲得較好的端元候選,需要根據(jù)數(shù)據(jù)質(zhì)量,... 

【文章來源】：北方民族大學(xué)寧夏回族自治區(qū)

【文章頁數(shù)】：95 頁

【學(xué)位級別】：碩士

【部分圖文】：

高光譜解混算法的典型分類圖

北方民族大學(xué)2020屆碩士學(xué)位論文第一章緒論超像素中的像素，SGPP隨后捕獲它們的空間緊密度和光譜純度。SGPP最終保留每個(gè)超像素中具有較高空間緊度和光譜純度指數(shù)的少量高質(zhì)量像素用于后續(xù)端元提齲2.論文提出了一種基于空間加權(quán)單純形的高光譜端元提取策略(spatiallyweightedsimplexstrategy,SWSS)，研究了一種新的用于識別端元的空間信息嵌入單純形的集成框架。具體地說，SWSS通過確定像素對應(yīng)的空間鄰域相關(guān)性來生成每個(gè)像素的空間權(quán)重標(biāo)量，以便在單純形框架內(nèi)對其自身進(jìn)行加權(quán)以正則端元的選擇。SWSS可以在傳統(tǒng)的基于單純形的端元提取算法中實(shí)現(xiàn)，如VCA算法，能在不增加計(jì)算復(fù)雜度或端元提取精度損失的情況下，將空間信息引入到數(shù)據(jù)單純形框架中。3.論文提出了一種空間能量先驗(yàn)約束最大單純形體積方法(spatialenergypriorconstrainedmaxi-mumsimplexvolume，SENMAV)，稱為SENMAV，用于高光譜圖像端元提齲提出的SENMAV方法從馬爾可夫隨機(jī)場(markovrandomfield,MRF)的空間能量先驗(yàn)角度研究空間信息。利用空間能量先驗(yàn)作為傳統(tǒng)的最大體積單純形模型的正則化項(xiàng)，同時(shí)在空間和光譜角度約束端元的選擇。提出的SENMAV算法很好地平衡了端元提取精度與端元空間屬性要求之間的權(quán)衡。為了更好的說明本學(xué)位論文所提出的三種算法的內(nèi)在聯(lián)系，圖1-3描述了三種算法所涉及的內(nèi)在算法設(shè)計(jì)策略。圖1-3本文所提出的三種算法的內(nèi)在聯(lián)系1.3.2章節(jié)安排論文的主要章節(jié)安排如下：-7-

北方民族大學(xué)2020屆碩士學(xué)位論文第二章高光譜解混理論研究基礎(chǔ)2.在適當(dāng)?shù)臄?shù)據(jù)集條件下，LMM能產(chǎn)生適定性逆問題;3.在LMM假設(shè)下，高光譜解混可以建模為盲源分離問題或非負(fù)矩陣分解問題，而這些問題已經(jīng)在許多信號處理領(lǐng)域得到了廣泛的研究。(a)線性混合模型(b)非線性混合模型(多層型混合)(c)非線性混合模型(緊密型混合)圖2-1線性混合與非線性混合的典型模型2.2端元數(shù)目估計(jì)算法對于給定的一幅高光譜圖像而言，通常缺少所觀測地物數(shù)目的先驗(yàn)知識，因此對端元數(shù)目的正確估計(jì)是高光譜解混的重要前提步驟。本小節(jié)將會介紹兩種典型的端元數(shù)目估計(jì)算法，第一種為虛擬維度(VirturalDimensionality,VD)估計(jì)方法[53]，第二種為基于最小誤差的高光譜信號識別方法(Hyper-spectralSignalIdentificationbyMinimumError,HySime)[55]。2.2.1虛擬維度由Harsanyi,Farrand,和Chang等人于2004年提出了Neyman-Pearson(NP)檢測理論的閾值化方法,稱為Harsanyi-Farrand-Chang方法，簡稱HFC，來確定高光譜數(shù)據(jù)中端元數(shù)目，即虛擬維度。算法過程如下:1.獲取圖像數(shù)據(jù)的自相關(guān)矩陣RB×B=∑ni=1yiyTi和協(xié)方差矩陣KB×B=∑ni=1(yiμ)(yiμ)T以及兩個(gè)矩陣相對應(yīng)的特征值集λ1>λ2>···>λB和ˇλ1>ˇλ2>···>ˇλB。基于一個(gè)事實(shí)，即數(shù)據(jù)信號源對于相關(guān)性矩陣RB×B貢獻(xiàn)了數(shù)據(jù)均值，而協(xié)方差矩陣KB×B移除了數(shù)據(jù)均值。因此對于某一光譜維度l(1<l<B)，其應(yīng)該滿足λl>ˇλl。2.假設(shè)信號源是非隨機(jī)未知的正常數(shù)，噪聲為零均值高斯白噪聲，有：λl>ˇλll=1,...,VDλl=ˇλll=VD+1,...,B(2.2)-10-

【參考文獻(xiàn)】：
期刊論文
[1]空譜聯(lián)合的高光譜遙感圖像稀疏解混綜述與展望[J]. 張紹泉,李軍,鄧承志,汪勝前.  南昌工程學(xué)院學(xué)報(bào). 2018(06)
[2]高光譜遙感影像混合像元分解研究進(jìn)展[J]. 藍(lán)金輝,鄒金霖,郝彥爽,曾溢良,張玉珍,董銘巍.  遙感學(xué)報(bào). 2018(01)
[3]中國高光譜遙感的前沿進(jìn)展[J]. 童慶禧,張兵,張立福.  遙感學(xué)報(bào). 2016(05)
[4]高光譜圖像處理與信息提取前沿[J]. 張兵.  遙感學(xué)報(bào). 2016(05)
[5]高光譜遙感技術(shù)的發(fā)展與應(yīng)用[J]. 楊哲海,韓建峰,宮大鵬,李之歆.  海洋測繪. 2003(06)



本文編號：2924746