本文關鍵詞：基于非負矩陣分解的高光譜圖像混合像元分解方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：與傳統(tǒng)圖像相比,高光譜圖像擁有幾十甚至幾百個波段,這些波段提供了豐富的地物光譜信息。然而由于高光譜成像儀空間分辨率的限制,在實際的高光譜遙感圖像中,一個像元對應的實際地物可能是若干種物質的混合,即構成了“混合像元”�；旌舷裨纸獾哪康氖前选盎旌舷裨狈纸獬筛鞣N物質的光譜向量(端元)和它們對應所占的比例(豐度)。混合像元分解能夠獲取亞像元信息,為高光譜圖像后續(xù)的分析與處理提供了基礎。非負矩陣分解(Nonnegative Matrix Factorization, NMF)把一個非負矩陣分解成另外兩個非負矩陣的乘積,其分解模型和高光譜圖像混合像元的分解模型相似,可以用來解決高光譜混合像元分解問題。本文利用高光譜圖像的物理以及地理特性,在非負矩陣分解模型的基礎上,增加了有效的正則約束項,并優(yōu)化了求解方法。本文的主要工作如下：1.針對隨機初始化端元和豐度矩陣時迭代求解速度慢,且結果易陷入局部極小等問題,我們采用了VCA-FCLS算法作為端元和豐度的初始化方法。VCA算法雖然只有在純像元存在時才能夠提取出端元,但使用該算法的結果可以有一個較優(yōu)的初始值,從而可以加快收斂速度并使結果避免陷入局部極小值。2.針對傳統(tǒng)非負矩陣分解算法依賴迭代初始值和對噪聲的魯棒性能差等問題,我們提出了基于稀疏和最小體積約束的非負矩陣分解(SMVCNMF)的混合像元分解算法。該方法利用了高光譜遙感圖像豐度的稀疏性和端元所構成的單形體的體積特性,將豐度的稀疏性和端元所構成單形體體積的最小化約束作為正則項加入到非負矩陣分解目標函數中。實驗結果表明,所提出的方法能夠避免陷入局部最小值,同時具有良好的收斂性和魯棒性。3.針對常規(guī)約束非負矩陣分解算法未能有效利用光譜空間信息等問題,我們提出了改進的基于光譜空間信息約束的非負矩陣分解(ASSNMF)算法。該方法充分挖掘了光譜的空間信息,將光譜空間信息加入了到非負矩陣分解中來,并且優(yōu)化了目標函數中的稀疏約束項。實驗結果表明,改進后的方法有效地提高了混合像元分解的精度,同時也加快了算法的收斂速度。
【關鍵詞】：高光譜混合像元分解 非負矩陣分解 稀疏約束 最小體積約束 光譜空間信息
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP751
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-22
• 1.1 本課題的研究背景及意義10-14
• 1.2 高光譜圖像混合像元分解的研究現狀14-20
• 1.2.1 光譜混合模型14-15
• 1.2.2 端元個數的確定15-17
• 1.2.3 現有混合像元分解的方法17-20
• 1.3 本文主要研究內容以及結構安排20-22
• 第2章 非負矩陣分解與高光譜圖像混合像元分解22-28
• 2.1 引言22
• 2.2 非負矩陣分解(NMF)簡介22-24
• 2.2.1 目標函數22-23
• 2.2.2 迭代求解方法23-24
• 2.2.3 停止準則24
• 2.3 非負矩陣分解在混合像元分解上的應用24-27
• 2.3.1 L1/2稀疏性約束非負矩陣分解(L1/2NMF)24-26
• 2.3.2 端元相異性約束非負矩陣分解(EDCNMF)26-27
• 2.4 本章小結27-28
• 第3章 基于稀疏和最小體積約束非負矩陣分解的高光譜圖像混合像元分解28-43
• 3.1 引言28-29
• 3.2 基于最小體積約束的非負矩陣分解(MVCNMF)29-31
• 3.2.1 光譜圖像混合像元分解的幾何解析29-30
• 3.2.2 最小體積約束的非負矩陣分解30-31
• 3.3 基于稀疏和最小體積約束的非負矩陣分解(SMVCNMF)31-33
• 3.4 實驗分析33-41
• 3.4.1 評價指標33-34
• 3.4.2 模擬數據實驗34-39
• 3.4.3 真實高光譜圖像數據實驗39-41
• 3.5 本章小結41-43
• 第4章 改進的光譜空間信息約束非負矩陣分解的混合像元分解算法43-56
• 4.1 引言43-44
• 4.2 基于光譜空間信息的非負矩陣分解算法44-45
• 4.2.1 基于圖論的非負矩陣分解算法44-45
• 4.2.2 基于圖論稀疏約束的非負矩陣分解算法45
• 4.3 改進的基于光譜空間信息的非負矩陣分解算法45-48
• 4.4 實驗分析48-55
• 4.4.1 模擬數據實驗48-54
• 4.4.2 真實高光譜圖像數據實驗54-55
• 4.5 本章小結55-56
• 第5章 總結與展望56-58
• 參考文獻58-63
• 致謝63-64
• 附錄A 攻讀學位期間所發(fā)表的學術論文目錄64

【相似文獻】

中國期刊全文數據庫 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

中國重要會議論文全文數據庫 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據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

中國博士學位論文全文數據庫 前9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 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

5 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

6 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

7 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

8 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

9 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

中國碩士學位論文全文數據庫 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 李敏;多圖正則化非負矩陣分解[D];遼寧師范大學;2015年

6 高鈦;基于近似稀疏約束非負矩陣分解的高光譜圖像混合像元分解[D];江西科技師范大學;2015年

7 張倩敏;非負矩陣分解算法及在語音轉換中的應用[D];安徽大學;2016年

8 沈鵬飛;基于社會網絡用戶差異度預測不信任關系[D];吉林大學;2016年

9 吐爾遜江·托合提;面向腫瘤亞型識別的基因表達譜非負矩陣分解聚類方法研究[D];北京交通大學;2016年

10 鄭燦梁;基于機械圖像的狀態(tài)自動識別方法研究[D];西安工業(yè)大學;2016年

  本文關鍵詞：基于非負矩陣分解的高光譜圖像混合像元分解方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：504565