發(fā)布時間：2018-12-12 00:43

【摘要】：隨著遙感技術和成像光譜儀的發(fā)展,高光譜遙感圖像在越來越多的領域中得到應用。然而,由于其較低的空間率以及地物分布的復雜性,一個像元往往是由好幾種地物構成的,這嚴重阻礙高光譜圖像的實際應用。因而,對高光譜圖像進行混合像元分解就特別有意義了。目前在該研究領域,國內(nèi)外的新方法新思路層出不窮。基于稀疏約束的高光譜解混問題已經(jīng)成為當今遙感領域的一個熱點,它是一個稀疏回歸問題,目標是在一個較大的光譜庫中尋找能夠表征像元的最優(yōu)光譜子集。但是仍存在著沒有利用圖像的空間信息等缺點,本論文在總結前人研究成果的基礎上,針對基于稀疏約束的高光譜圖像混合像元分解作了大量研究,主要的研究內(nèi)容如下:首先,闡述了高光譜線性和非線性混合模型,介紹了線性解混的基本步驟,對于端元數(shù)目估計算法、端元提取算法和豐度反演算法進行了逐一地介紹。然后,詳細闡述了基于稀疏約束的高光譜解混模型。它假設混合像元可以被表示成一個已知的光譜庫中各光譜曲線的線性組合。這樣,解混就相當于在光譜庫中尋找能夠表征這個像元的最佳的光譜庫子集。稀疏解混問題本質(zhì)上是L0范數(shù)的優(yōu)化問題。通常情況下,將L0范數(shù)最小化問題轉(zhuǎn)化為L1范數(shù)最小化問題來解。本文采用變量分裂和增廣拉格朗日算法來進行稀疏解混,它是一種非�？焖俚姆椒�,并對其正則化參數(shù)和罰參數(shù)的取值進行了研究,以便取得一個相對較優(yōu)的參數(shù)。通過模擬實驗分析了光譜庫的互相關函數(shù)值MC對于解混結果的影響,得到了一般性的結論:光譜庫矩陣的互相關函數(shù)值MC越小,稀疏解混的效果越好。最后,深入研究了加權的L1正則化稀疏解混模型,其相對于L1范數(shù),更加地接近L0范數(shù)。針對其僅僅考慮數(shù)學意義上的最優(yōu)化,并沒有利用地物的實際分布這一問題,提出了基于修正權值的加權L1正則化稀疏解混算法,在權值的迭代更新過程中引入了空間信息。實驗結果了證明改進的加權L1正則化稀疏解混算法在較低信噪比的高光譜圖像中能夠有效地提升解混精度。
[Abstract]:With the development of remote sensing technology and imaging spectrometer, hyperspectral remote sensing image has been applied in more and more fields. However, due to its low spatial rate and the complexity of the distribution of ground objects, a pixel is usually made up of several ground objects, which seriously hinders the practical application of hyperspectral images. Therefore, it is particularly meaningful to decompose hyperspectral images with mixed pixels. At present, in the field of research, new methods and new ideas emerge endlessly at home and abroad. The problem of hyperspectral descrambling based on sparse constraints has become a hot spot in the field of remote sensing. It is a sparse regression problem. The goal is to find the optimal spectral subset which can represent the pixel in a large spectral database. However, there are still some shortcomings, such as not using spatial information of images. Based on the previous research results, this paper makes a lot of research on mixed pixel decomposition of hyperspectral images based on sparse constraints. The main research contents are as follows: firstly, the hyperspectral linear and nonlinear mixed models are described, and the basic steps of linear unmixing are introduced. The number estimation algorithm, the end component extraction algorithm and the abundance inversion algorithm are introduced one by one. Then, the hyperspectral demultiplexing model based on sparse constraint is described in detail. It assumes that the mixed pixel can be represented as a linear combination of the spectral curves in a known spectral library. In this way, unmixing is equivalent to finding the best subset of the spectrum library that can represent the pixel in the spectral library. The sparse unmixing problem is essentially an optimization problem of L _ 0 norm. In general, the L _ 0 norm minimization problem is transformed into a L1 norm minimization problem. In this paper, variable splitting and augmented Lagrangian algorithm are used for sparse demultiplexing, which is a very fast method, and its regularization parameters and penalty parameters are studied in order to obtain a relatively optimal parameter. The influence of cross-correlation function value (MC) of spectral library on the results of descrambling is analyzed through simulation experiments. The general conclusion is drawn that the smaller the cross-correlation function value MC of spectral library matrix, the better the effect of sparse demultiplexing. Finally, the weighted L 1 regularized sparse demultiplexing model is studied, which is closer to L 0 norm than L 1 norm. Aiming at the problem that it only considers the optimization in mathematical sense and does not make use of the actual distribution of ground objects, a weighted L1 regularized sparse demultiplexing algorithm based on modified weights is proposed, and spatial information is introduced into the iterative updating process of weights. The experimental results show that the improved weighted L1 regularized sparse demultiplexing algorithm can effectively improve the resolution of hyperspectral images with lower SNR.
【學位授予單位】：哈爾濱工程大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP751

【參考文獻】

相關期刊論文 前10條

1 王立國;王群明;劉丹鳳;吳永慶;;基于幾何估計的光譜解混方法[J];紅外與毫米波學報;2013年01期

2 趙春暉;成寶芝;楊偉超;;利用約束非負矩陣分解的高光譜解混算法[J];哈爾濱工程大學學報;2012年03期

3 趙春暉;齊濱;王玉磊;;一種改進的N-FINDR高光譜端元提取算法[J];電子與信息學報;2012年02期

4 吳澤彬;韋志輝;孫樂;劉建軍;;基于迭代加權L1正則化的高光譜混合像元分解[J];南京理工大學學報;2011年04期

5 王立國;鄧祿群;張晶;;基于線性最小二乘支持向量機的光譜端元選擇算法[J];光譜學與光譜分析;2010年03期

6 吳文瑾;;基于光譜曲線特性和波譜角分類的赤潮監(jiān)測方法[J];遙感信息;2009年04期

7 馬玲;崔德琪;王瑞;張倩倩;高巍;;成像光譜技術的研究與發(fā)展[J];光學技術;2006年S1期

8 吳波,張良培,李平湘;非監(jiān)督正交子空間投影的高光譜混合像元自動分解[J];中國圖象圖形學報;2004年11期

9 張鈞萍,張曄,周廷顯;成像光譜技術超譜圖像分類研究現(xiàn)狀與分析[J];中國空間科學技術;2001年01期

10 童慶禧,鄭蘭芬,王晉年,王向軍,董衛(wèi)東,胡遠滿,黨順行;濕地植被成象光譜遙感研究[J];遙感學報;1997年01期

相關博士學位論文 前7條

1 路錦正;基于稀疏表示的圖像超分辨率重構技術研究[D];電子科技大學;2013年

2 齊濱;高光譜圖像分類及端元提取方法研究[D];哈爾濱工程大學;2012年

3 李二森;高光譜遙感圖像混合像元分解的理論與算法研究[D];解放軍信息工程大學;2011年

4 黃遠程;高光譜影像混合像元分解的若干關鍵技術研究[D];武漢大學;2010年

5 崔燕;光譜成像儀定標技術研究[D];中國科學院研究生院（西安光學精密機械研究所）;2009年

6 賈森;非監(jiān)督的高光譜圖像解混技術研究[D];浙江大學;2007年

7 張兵;時空信息輔助下的高光譜數(shù)據(jù)挖掘[D];中國科學院研究生院（遙感應用研究所）;2002年

相關碩士學位論文 前8條

1 肖倩;結合空間信息與光譜信息的高光譜圖像分類研究[D];哈爾濱工程大學;2013年

2 魏芳潔;高光譜圖像波段選擇方法的研究[D];哈爾濱工程大學;2013年

3 鐘曉姣;高光譜數(shù)據(jù)混合像元分解與光譜匹配驗證算法[D];南京理工大學;2013年

4 吳國峰;基于分組Fisher判別的高光譜圖像解混技術[D];哈爾濱工程大學;2012年

5 劉雪松;基于非負矩陣分解的高光譜遙感圖像混合像元分解研究[D];復旦大學;2011年

6 金晶;多/高光譜遙感圖像光譜分解研究與應用[D];復旦大學;2010年

7 鄧祿群;高光譜圖像類別信息相關技術研究[D];哈爾濱工程大學;2010年

8 于淼;基于計算機視覺的公路障礙識別系統(tǒng)的設計與實現(xiàn)[D];沈陽工業(yè)大學;2005年

，

本文編號：2373551