高光谱图像混合像元分解与压缩感知重构算法研究

发布时间：2020-03-21 19:36

【摘要】：高光谱图像具有丰富的空间、辐射和光谱信息,在数据获取、传输、分析过程中,数据量的增加对传统数据采集压缩提出了新的挑战;同时由于地物本身、空间分辨率、大气环境等因素的影响,混合像元现象普遍存在于高光谱图像中,混合像元分解不仅能获取像元真实信息,也有助于图像分类、地物分析等应用。本课题围绕建立基于压缩感知的高光谱混合像元分解以及基于像元线性混合模型进行重构的方法,对信号稀疏表示、压缩感知、混合像元分解以及高光谱图像重构等方面展开研究。本课题主要研究内容如下:(1)介绍稀疏表示、压缩感知技术、高光谱图像混合像元分解的特点和研究现状,介绍稀疏表示、压缩感知框架分析压缩感知重构的实现原理,然后通过对高光谱线性混合模型的分析,从理论上阐述像元线性混合模型和压缩感知理论之间的联系和区别,进而基于两者之间模型的共性,将像元线性混合模型融入到压缩感知框架中,并基于已知光谱库,实现端元提取和丰度反演;(2)通过合成数据,模拟真实场景中高光谱混合像元现象,分析所提出方案的合理性和有效性,分别利用OMP算法、SOMP算法,计算基于光谱库的丰度矩阵,并利用所得丰度矩阵的二范数提取端元、估计相对应的丰度,并利用所提取端元的光谱夹角距离(SAD)和估计丰度的均方根误差(RMSE)及标准偏差对算法性能进行评估,同时与SMACC算法端元提取和丰度估计的结果进行比较。实验结果表明,在压缩感知框架下从已知端元库中提取的端元是真实存在的,而非虚拟端元,且丰度矩阵的二范数差异明显,端元自适应提取效果好,丰度估计精度优于SMACC算法;(3)根据高光谱图像线性混合模型的特点,经过光谱域压缩后的图像仍然满足线性混合模型,分别讨论在已知端元光谱和未知端元光谱的情况下,对压缩数据进行丰度反演,并利用反演结果与端元光谱重构高光谱图像。通过对不同bpp下的压缩数据进行重构,并利用峰值信噪比(PSNR)与标准OMP算法进行比较评估。实验结果表明,在合成数据中,已知端元的重构效果远远好于其余两种;在真实数据中,已知端元和未知端元的重构效果均好于OMP算法;(4)根据高光谱图像在光谱域所具有的强相关性,通过分布式压缩感知的方法提高重构精度。在分布式压缩感知的基础上,基于光谱图像的残差,进行自适应码流分配;根据引导滤波的特点,基于引导滤波进行分布式压缩感知重构,并在考虑高光谱图像噪声分布的同时,优化关键波段与非关键波段的选择策略。实验结果表明,相比于传统的分布式压缩感知重构算法,所提出的算法在重构性能上得到提升,同时具有去除高光谱图像噪声的作用,也可以保持植物光谱关键信息,有效地支持植物高光谱数据处理和分析。本课题通过压缩感知框架与像元线性混合模型之间的联系,利用压缩感知实现混合像元分解,结果表明,所提出的解混方法优于传统解混方法;同时利用线性混合模型对高光谱图像进行重构,结果表明,该方法能够在已知和未知端元的情况下,对高光谱图像进行端元提取及丰度估计从而实现重构,重构效果优于传统方法;同时在分布式压缩感知的基础上做了引导滤波、关键波段选择以及基于图像残差的码流分配等改进,重构效果优于传统方法。
【图文】：

高光谱图像,端元,场景,算法

杭州电子科技大学硕士学位论文元数量均为 14 条的情况分别使用 VCA 算法、MVSA 算法和 SMACC 算法对上进行混合像元分解，如下图 2.5、2.6、2.7、2.8 分别为场景中真实存在的、以SA 算法和 SMACC 算法所提取的高光谱图像的端元光谱：

高光谱图像,端元,算法,场景

杭州电子科技大学硕士学位论文元数量均为 14 条的情况分别使用 VCA 算法、MVSA 算法和 SMACC 算法对进行混合像元分解，，如下图 2.5、2.6、2.7、2.8 分别为场景中真实存在的、以SA 算法和 SMACC 算法所提取的高光谱图像的端元光谱：图 2.5 场景中真实端元
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【相似文献】