高光譜圖像包含除一般圖像的空間信息外,還包含光譜維信息,這使得高光譜圖像相比一般圖像具有更豐富的信息,也使得高光譜遙感有了廣泛的應(yīng)用。光譜傳感器的分辨率有限,采集到的像元往往是多種地物混合而成混合像元,不利于對(duì)地物信息的分析,使得可以提取像元更深層更精確信息的光譜解混技術(shù)成了熱門的研究領(lǐng)域。盡管近年來針對(duì)高光譜解混技術(shù)進(jìn)行了大量研究,有了長足的進(jìn)展,但端元和豐度的解混精確度還存在較大的提升空間。本文針對(duì)解混算法還存在的一些常見問題,提出了兩點(diǎn)創(chuàng)新。第一,針對(duì)傳統(tǒng)的約束非負(fù)矩陣分解方法對(duì)于解混的物理特性考慮較少,提出一種以散射項(xiàng)作為約束的非負(fù)矩陣分解算法。與大多數(shù)約束非負(fù)矩陣分解算法將約束建立在數(shù)據(jù)的數(shù)學(xué)特性之上不同,所提算法考慮到如大氣中的懸浮物、膠著物的散射作用等米氏散射(Mie Scattering)現(xiàn)象,這種光學(xué)現(xiàn)象對(duì)成像光譜儀接收到的光譜信號(hào)有著不可忽視的影響。所提算法將大氣中的米氏散射造成的鄰域貢獻(xiàn)視作干擾,在數(shù)學(xué)表達(dá)上通過將散射相位函數(shù)作為約束條件參與約束非負(fù)矩陣分解,使得算法在豐度上對(duì)目標(biāo)像素及其鄰域的米氏散射干擾進(jìn)行約束,以達(dá)到在目標(biāo)函數(shù)上將米氏散射和噪聲造成的干擾有效...

【文章頁數(shù)】：66 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 引言
    1.1 課題研究背景及意義
    1.2 高光譜遙感國內(nèi)外研究現(xiàn)狀
        1.2.1 高光譜解混研究現(xiàn)狀
        1.2.2 基于非負(fù)矩陣分解高光譜解混研究現(xiàn)狀
    1.3 研究內(nèi)容及安排
        1.3.1 研究內(nèi)容
        1.3.2 章節(jié)安排
第2章 非負(fù)矩陣分解與高光譜圖像解混
    2.1 混合模型
        2.1.1 線性混合模型
        2.1.2 非線性混合模型
    2.2 高光譜圖像的線性解混流程
        2.2.1 圖像數(shù)據(jù)的預(yù)處理和降維
        2.2.2 端元數(shù)量確定和端元提取與其常見算法
        2.2.3 豐度反演與其常見算法
        2.2.4 端元和豐度的精度評(píng)價(jià)
    2.3 非負(fù)矩陣分解方法簡介
        2.3.1 非負(fù)矩陣分解的目標(biāo)函數(shù)的構(gòu)建
        2.3.2 非負(fù)矩陣分解的迭代規(guī)則的推導(dǎo)
        2.3.3 非負(fù)矩陣分解的停止準(zhǔn)則確定
    2.4 本章小結(jié)
第3章 散射項(xiàng)約束非負(fù)矩陣分解的高光譜圖像解混
    3.1 約束非負(fù)矩陣分解的高光譜解混研究現(xiàn)狀
    3.2 米氏散射
    3.3 散射項(xiàng)約束非負(fù)矩陣分解
        3.3.1 散射項(xiàng)約束和目標(biāo)函數(shù)
        3.3.2 迭代規(guī)則確定
        3.3.3 停止條件和算法流程總結(jié)
    3.4 實(shí)驗(yàn)仿真
        3.4.1 數(shù)據(jù)集
        3.4.2 參數(shù)設(shè)置與算法對(duì)比
    3.5 本章小結(jié)
第4章 基于再權(quán)重稀疏和正交約束的非負(fù)矩陣分解的高光譜解混
    4.1 稀疏約束和正交約束的研究現(xiàn)狀
    4.2 再權(quán)重非負(fù)矩陣分解
    4.3 正交約束非負(fù)矩陣分解
    4.4 基于再權(quán)重稀疏和正交約束的非負(fù)矩陣分解
    4.5 實(shí)驗(yàn)仿真
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 發(fā)展展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3768950