学位论文 > 优秀研究生学位论文题录展示

高光谱遥感图像混合像元分解的理论与算法研究

作　者: 李二森
导　师: 朱述龙
学　校: 解放军信息工程大学
专　业: 摄影测量与遥感
关键词: 高光谱图像混合像元混合像元分解线性光谱混合模型端元凸面单体非负矩阵分解
分类号: P237
类　型: 博士论文
年　份: 2011年
下　载: 207次
引　用: 0次
阅　读: 论文下载

内容摘要

高光谱遥感技术处于当前遥感技术发展的前沿,高光谱图像光谱分辨率高、图谱合一的特点使其在民用和军事领域发挥着越来越大的作用。然而,混合像元的广泛存在已经成为阻碍高光谱遥感技术向定量化方向深入发展的主要障碍。混合像元分解是解决混合像元问题最为有效的方法,它能够突破高光谱图像空间分辨率的限制,在亚像元精度上获取混合像元的真实属性信息,提高高光谱图像分类的精度。由于线性光谱混合模型具有模型简单、物理意义明确等优点,本文基于线性光谱混合模型对混合像元分解相关的若干理论与算法进行了深入研究,论文的主要研究内容及创新点可以概括为:1.总结并分析了遥感影像混合像元分解相关的理论基础,主要包括混合像元分解模型、光谱数据降维方法、端元数目确定方法、端元提取算法、丰度估计算法和混合像元分解的精度评定方法。对常用的4种端元识别算法(N FINDR、VCA、SGA和OSP)和2种端元生成算法(ICE和MVC NMF)进行了综合的实验比较,同时总结了端元识别算法和端元生成算法各自的优缺点。2.提出了一种基于原始光谱空间单体体积计算方法的最大体积单体端元提取算法,该算法基于线性光谱混合模型与凸面单体理论之间的关系及N FINDR和SGA端元提取算法的原理,将不需要数据降维的凸面单体体积计算方法引入到N FINDR和SGA中,避免了数据降维带来的信息损失。实验结果表明,基于N FINDR算法原理的最大体积单体端元提取算法的效率优于N FINDR算法,端元提取结果的精度与N FINDR算法相当,基于SGA算法原理的最大体积单体端元提取算法的精度优于N FINDR、SGA和VCA算法。3.在分析漏选、多选端元对混合像元分解误差影响的基础上,基于端元可变理论提出了最优端元子集选择算法,该算法依据初始端元集进行丰度估计的结果对端元进行排序,然后按照端元排序的结果进行非限制性丰度估计,最后利用丰度估计的结果确定最优端元子集,提高混合像元分解的精度,实验结果验证了最优端元子集选择算法的正确性和有效性。4.根据线性光谱混合模型与非负矩阵分解之间的相似性,提出了基于约束条件下非负矩阵分解的混合像元分解算法。为了解决非负矩阵分解直接应用于混合像元分解时不满足丰度和为一约束且结果不具有唯一性的问题,将丰度和为一、端元距离平方和约束引入到非负矩阵分解中,提出了端元距离平方和约束的非负矩阵分解光谱解混算法。在此基础上,考虑到端元可变理论与丰度矩阵为稀疏矩阵的对应关系,将平滑L0范数约束引入到端元距离平方和约束的非负矩阵分解光谱解混算法中,进一步提高了混合像元分解的精度。模拟数据和真实高光谱图像的实验结果表明,基于约束条件下非负矩阵分解的混合像元分解算法与MVC NMF和最大体积单体端元提取算法相比,混合像元分解的精度更高。

全文目录

摘要  8-9
Abstract  9-11
图目录  11-14
表目录  14-16
第一章绪论  16-30
  1.1 研究的目的与意义  16-19
  1.2 研究现状与发展动态  19-27
    1.2.1 光谱成像技术的发展与应用  19-22
    1.2.2 混合像元分解的研究现状及发展动态  22-27
  1.3 论文的主要研究内容及章节安排  27-30
    1.3.1 论文的主要研究内容  27-28
    1.3.2 章节安排  28-30
第二章遥感影像混合像元分解的研究基础  30-85
  2.1 混合像元分解模型  30-34
    2.1.1 线性光谱混合模型  31-32
    2.1.2 非线性光谱混合模型  32-34
  2.2 光谱数据的降维方法  34-36
    2.2.1 主成分分析  34-35
    2.2.2 极小化噪声分离  35-36
  2.3 端元数目估计算法  36-40
    2.3.1 HFC  36-37
    2.3.2 NWHFC  37-38
    2.3.3 NSP  38
    2.3.4 HySime 算法  38-40
  2.4 端元提取算法  40-55
    2.4.1 端元识别算法  40-49
    2.4.2 端元生成算法  49-55
  2.5 丰度估计算法  55-57
    2.5.1 非限制性最小二乘方法  55
    2.5.2 和为一限制性最小二乘方法  55-56
    2.5.3 非负限制性最小二乘方法  56-57
    2.5.4 全限制性最小二乘方法  57
  2.6 混合像元分解的精度评价  57-60
    2.6.1 已知真实数据的精度评价  57-60
    2.6.2 未知真实数据的精度评价  60
  2.7 论文实验数据集  60-64
    2.7.1 模拟数据一  60-62
    2.7.2 模拟数据二  62
    2.7.3 AVIRIS Cuprite 数据  62-63
    2.7.4 HYMAP Montana Cooke 数据  63-64
    2.7.5 PHI 常州数据  64
  2.8 实验与分析  64-84
    2.8.1 模拟数据一的实验对比  64-65
    2.8.2 端元数不同时的实验对比  65-69
    2.8.3 对噪声的稳健性对比  69-71
    2.8.4 图像大小不同时的实验对比  71-75
    2.8.5 真实高光谱图像实验对比  75-84
  2.9 本章小结  84-85
第三章基于最大体积单体的端元提取算法  85-106
  3.1 凸面单体的定义及体积计算方法  85-86
  3.2 最大体积单体端元提取算法  86-90
    3.2.1 MVSEEA 1  86-88
    3.2.2 MVSEEA 2  88-90
  3.3 实验与分析  90-105
    3.3.1 模拟数据一的实验对比  90
    3.3.2 端元数不同时的实验对比  90-93
    3.3.3 对噪声的稳健性对比  93-96
    3.3.4 图像大小不同时的实验对比  96-99
    3.3.5 真实高光谱图像实验对比  99-105
  3.4 本章小结  105-106
第四章最优端元子集选择算法  106-122
  4.1 端元可变的理论与算法  106-109
    4.1.1 迭代光谱混合分析算法  107-108
    4.1.2 端元变化的线性混合模型算法  108-109
  4.2 最优端元子集选择算法的原理及流程  109-112
    4.2.1 线性光谱混合模型下漏选、多选端元时的误差分析  109-110
    4.2.2 最优端元子集选择算法  110-112
  4.3 实验与分析  112-121
    4.3.1 模拟数据二实验对比  112-116
    4.3.2 真实高光谱图像实验对比  116-121
  4.4 本章小结  121-122
第五章基于约束条件下非负矩阵分解的光谱解混算法  122-166
  5.1 非负矩阵分解的原理及求解方法  122-128
    5.1.1 非负矩阵分解的原理  122-123
    5.1.2 非负矩阵分解的求解方法  123-127
    5.1.3 非负矩阵分解在光谱解混中的应用  127-128
  5.2 端元距离平方和约束的非负矩阵分解光谱解混算法  128-130
  5.3 稀疏约束的非负矩阵分解光谱解混算法  130-134
  5.4 实验与分析  134-165
    5.4.1 初始化方法不同时的实验对比  134-142
    5.4.2 端元数不同时的实验对比  142-148
    5.4.3 对噪声的稳健性对比  148-154
    5.4.4 图像大小不同时的实验对比  154-159
    5.4.5 真实高光谱图像实验对比  159-165
  5.5 本章小结  165-166
第六章总结与展望  166-169
  6.1 已经完成的工作  166
  6.2 进一步研究的方向  166-169
参考文献  169-176
作者简历攻读博士学位期间完成的主要工作  176-178
致谢  178

高光谱遥感图像混合像元分解的理论与算法研究

内容摘要

全文目录

相似论文