發(fā)布時(shí)間：2021-08-05 09:50

　　高光譜遙感影像含有豐富的光譜和空間信息,其圖譜合一的特性使得高光譜影像能廣泛應(yīng)用于遙感反演、環(huán)境監(jiān)測(cè)和目標(biāo)探測(cè)等領(lǐng)域。由于高光譜影像空間分辨率的限制,像素通常存在大量的混合像元。近年來(lái),非負(fù)矩陣分解由于簡(jiǎn)單有效的特點(diǎn),已被廣泛應(yīng)用于混合像元分解。但傳統(tǒng)的模型往往只有單層結(jié)構(gòu),不能充分挖掘深層特征,使解混效果受到制約。另一方面,空間預(yù)處理類算法雖然可通過(guò)考慮相鄰像元間的空間關(guān)系和光譜相似性提升解混效果,但此類算法的時(shí)間效率依舊有待提高,算法結(jié)果易受異常值的干擾。針對(duì)以上問(wèn)題,論文在深度非負(fù)矩陣結(jié)構(gòu)的基礎(chǔ)上,提出了一種基于全變差和重加權(quán)稀疏約束的深度非負(fù)矩陣分解方法,并且利用蜂窩聚類策略提出了一種新的空間預(yù)處理算法。主要研究?jī)?nèi)容如下:（1）使用深度非負(fù)矩陣分解模型代替?zhèn)鹘y(tǒng)單層模型,在預(yù)訓(xùn)練階段進(jìn)行逐層預(yù)訓(xùn)練,而在微調(diào)階段減少分解誤差。由于豐度矩陣是稀疏的,在深度非負(fù)矩陣分解模型中加入重加權(quán)稀疏正則化項(xiàng),其權(quán)值根據(jù)豐度矩陣自適應(yīng)更新。最后,引入全變差正則化項(xiàng),以利用空間信息并提升豐度圖的分段平滑性。論文采用梯度下降法推導(dǎo)出乘性迭代規(guī)則,利用模擬數(shù)據(jù)集、Cuprite數(shù)據(jù)集以及高分五號(hào)數(shù)據(jù)集進(jìn)... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)研究路線圖

2高光譜混合像元分解理論基礎(chǔ)11圖2-1高光譜混合像元分解步驟示意圖Figure2-1Gramofthehyperspectralunmixingprocess2.2.1端元數(shù)目估計(jì)對(duì)于純凈像元的定義可能是主觀的，因?yàn)槠渑c所要研究的問(wèn)題有關(guān)[1]。如果某一地物所占的面積很小，在研究中并不需要研究該地物，那么可將該端元忽略。而對(duì)于大面積地物，也需要結(jié)合實(shí)際需求進(jìn)行研究，比如有兩種植物，若研究的是場(chǎng)景中葉綠素的水平，那么可以不用區(qū)分兩種植物，因?yàn)樗鼈冇邢嗨频奶卣鳌６僭O(shè)研究的是入侵植物的消除，此時(shí)便需要區(qū)分兩種植物的端元�？偠灾嗽獢�(shù)量可以根據(jù)研究的內(nèi)容來(lái)定義，不是一成不變的，一切從實(shí)際出發(fā)，具體問(wèn)題具體分析。在提取端元之前，端元數(shù)量一般是必須被事先指定的，但是在實(shí)際中，端元數(shù)量難以準(zhǔn)確估計(jì)。目視解譯是一種方法，此外，還有學(xué)者提出一些自動(dòng)算法，最常用的方法有虛擬維度（VirtualDimensionality,VD）方法[95]和信號(hào)子空間識(shí)別（HyperspectralSignalidentificationbyminimumerror,Hysime）[96]。后者比前者多一個(gè)額外的特性：在估算之前先對(duì)噪聲建模。2.2.2端元提取端元提取的結(jié)果同樣直接影響后續(xù)豐度反演的精度。從幾何學(xué)的角度分析，理想狀態(tài)下，含有個(gè)波段的高光譜影像可以表示為由B維向量構(gòu)成的一個(gè)高維特征空間，每個(gè)像元為特征空間上的一個(gè)數(shù)據(jù)點(diǎn)，所有像元點(diǎn)構(gòu)成的最小凸集為一個(gè)（M-1）維的單形體[1]，M為端元數(shù)。假設(shè)有一幅包含三個(gè)端元的高光譜影像，其數(shù)據(jù)點(diǎn)將在二維空間中構(gòu)成一個(gè)平面三角形。如圖2-2所示，端元[,,]則是三角形的頂點(diǎn)（紅色的點(diǎn)），三角形內(nèi)部的點(diǎn)（綠點(diǎn)）則表示混合像元。

碩士學(xué)位論文12圖2-2幾何學(xué)方法的單形體圖解[1]Figure2-2Illustrationofthesimplexsetofgeometricalbasedmethods[1]（1）內(nèi)部最大體積算法（N-FINDR）N-FINDR[22]算法通過(guò)在數(shù)據(jù)中填充一個(gè)單形體來(lái)尋找盡可能大的像素集。該算法需要評(píng)估圖像中的每個(gè)像素，使得由所選端元集定義的單形體的體積最大，首先隨機(jī)選擇一些像素作為初始的端元，用每個(gè)像素代替每一個(gè)端元來(lái)計(jì)算單形體的體積，若單形體的體積增加，則該像素將成為新的端元。重復(fù)該過(guò)程，直到?jīng)]有端元出現(xiàn)變化。（2）正交子空間算法(OrthogonalSubspaceProjection,OSP)OSP算法[97]選擇場(chǎng)景中像素向量長(zhǎng)度最大的像元作為第一個(gè)端元，之后尋找與初始像素張成的空間的正交的且絕對(duì)投影值最大的像素，記為第二個(gè)端元。利用正交子空間投影，在空間中尋找與前兩個(gè)端元線性張成的空間正交且具有最大正交投影值得像素作為第三個(gè)端元。重復(fù)該過(guò)程，直至找到所有的端元。（3）頂點(diǎn)成分分析算法（VCA）VCA算法[23]借鑒了OSP算法的概念，不同的是VCA假定端元是一個(gè)單形體的頂點(diǎn)，且一個(gè)單形體經(jīng)過(guò)仿射變換后依舊是單形體，因此，VCA使用一個(gè)正錐體對(duì)數(shù)據(jù)建模，該錐體在選定的超平面上的投影是另一個(gè)以頂點(diǎn)為端元的單形體。在數(shù)據(jù)投影到超平面后，VCA將影像中的所有像素投影到一個(gè)隨機(jī)方向，并將投影值最大的像素作為第一個(gè)端元。通過(guò)迭代，將數(shù)據(jù)投影到已確定的端元所張成的子空間的正交方向上，將投影的極值作為新的端元。重復(fù)該過(guò)程，直至找到所有的端元。2.2.3豐度估計(jì)在許多高光譜解混方法中，端元提取和反演步驟是同時(shí)進(jìn)行的（如NMF類），本節(jié)主要介紹幾種在提取出端元后再單獨(dú)估計(jì)豐度的算法。其中最經(jīng)典的算法為最小二乘算法，基本思想為通過(guò)計(jì)算誤差平方和的最小值來(lái)估

【參考文獻(xiàn)】：
期刊論文
[1]線性高光譜解混模型綜述[J]. 袁靜,章毓晉,高方平.  紅外與毫米波學(xué)報(bào). 2018(05)
[2]空間與譜間相關(guān)性分析的NMF高光譜解混[J]. 袁博.  遙感學(xué)報(bào). 2018(02)
[3]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)
[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]混合像元分解技術(shù)及其進(jìn)展[J]. 陳晉,馬磊,陳學(xué)泓,饒玉晗.  遙感學(xué)報(bào). 2016(05)
[6]高光譜圖像稀疏信息處理綜述與展望[J]. 張良培,李家藝.  遙感學(xué)報(bào). 2016(05)
[7]基于高光譜的牛奶中真蛋白質(zhì)含量反演[J]. 張倩倩,譚琨.  光譜學(xué)與光譜分析. 2015(12)
[8]高光譜遙感在精準(zhǔn)農(nóng)業(yè)生產(chǎn)中的應(yīng)用[J]. 洪霞,江洪,余樹全.  安徽農(nóng)業(yè)科學(xué). 2010(01)
[9]基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來(lái)西亞吉隆坡市城市中心區(qū)為例[J]. 蘇偉,李京,陳云浩,張錦水,胡德勇,劉翠敏.  遙感學(xué)報(bào). 2007(04)

碩士論文
[1]基于空間相關(guān)性約束稀疏表示的高光譜圖像解混方法研究[D]. 林雅文.南京航空航天大學(xué) 2014



本文編號(hào)：3323539