基于低秩和稀疏表示的高光谱解混研究

发布时间：2020-04-13 02:44

【摘要】：高光谱解混是当前遥感领域一个热门的研究课题,是为了提取单个像元中更深层更精确的信息。它的主要内容是通过分解混合像元来获取实际的物质存在和对应物质的比例。通过对单个像元组成更加精确的分析和计算,能够大大地推动测绘和识别课题的研究。由于遥感技术本身的空间分辨率低,故而混合像元对应实际的地表上一个区域块,根据地表物质分布的特征,在某个区域块中分布的物质一般是相同的,那么对应的物质占比也存在一定的结构特征。传统的高光谱解混方法一般是对高光谱图像的整体性质来做限制约束进行解混工作。本文则通过提取高光谱区域相似块,根据在区域块分布的物质基本一致的这个特征,提取和利用更深层次的局部空间信息。具体工作如下:1.在高光谱图像局部的区域块中,端元的分布基本是相同的,利用超像素分割(Simple Linear Iterative Cluster,SLIC)算法将高光谱图像分割为很多相似度很高的区域块。在这些获取的区域块中,可以基本认定端元的分布是相同的,进而在NMF的基础上,可以利用其对应的丰度的特征,进而获取更加精确有效的解混结果。2.核范数是指矩阵奇异值的和,根据奇异值的重要性的不同,赋予每个奇异值一个权值,重要的权值相对应大,反之则小。加权核范数表示矩阵奇异值的加权和,能更加灵活和有效的表达低秩信息,同时有比较良好的抗噪特性。在超像素分割的基础上,利用每个小块的空间特征信息,使用加权核范数算法获取更加有效的解混精度,并且对外界噪声干扰有一定的抑制作用。3.结构化稀疏(l_(2,1)范数)不同于l_2,l_1范数的稀疏,l_(2,1)范数更要求行稀疏。在针对解混效率方面它更胜一筹。但是,对于整幅高光谱图像解混而言,获取的丰度图像在本质上是稀疏的表现,l_(2,1)范数则充分的利用了稀疏的特性,但是并未充分利用结构化。本方法是在超像素分割的基础上,获取区域相似的区域块中丰度的特征表现是结构化明显的。因为区域块端元的存在是一定的并且相同的。有效的利用了结构化的特征,获取更加有效的解混精度。4.信息熵是表示信息量的多少。变量的不确定性越大就信息量也就越大。利用熵来提取矩阵中奇异值的信息,能够简洁的体现出该矩阵的低秩性质和稀疏性质。根据获取的局部区域块中的空间特征信息,利用信息熵函数来约束矩阵的奇异值,更加精确的表示当前区域块中的空间信息。有效充分的利用了局部信息,获取了更加精确的解混结果。
【图文】：

原理图,遥感成像,原理图,遥感技术

第一章绪论本章最开始概述了遥感研究方向的背景和意义，接着叙述了遥感技术以及它的历史，然后描述了高光谱解混技术在图像处理领域的发展以及现实工作中的应用后一节说明了本文的工作创新点和章节布局。.1研究背景和意义遥感技术是使用航天器或者航空遥感器对地表、气候、环境等多项进行探测和的一种多学科相结合的，，综合性很强的高精尖技术[1]。经过近几十年科学的不断和实际技术的不断推广，已广泛应用于气象[2]、能源[3]、水利[4]、环境检测[5]、[6]、项目工程[7]、安全[8]、自然灾害检测[9]和国防[10]等多个研究领域，而且大大进了各行各业的前进的步伐。遥感技术的广泛应用更能表现出当前它的举足轻重位。

线性光谱混合模型,形成原理

最后简要介绍了在解混课题研究领域中应用广泛体的描述其优化过程。本章对经典解混理论的叙述，为本章后供了基础理论支撑。元分解模型概述混算法必须先假定该研究的对象的混合像元的混合模式，接着提出对应针对性的算法来求解问题。按照实际高光谱形成过最多的三类模式分别如下章节概述。性混合模型合像元的线性混合模型是假定从地面上反射到达遥感传感器的一种物质（即表示为端元）发生作用。这种假设并不会考虑和其他的设备等额外因素的影响。正是因为遥感传感器自身空才使得不仅仅只包含一种物质信息的像元大量出现于高光谱图
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】