高光谱图像稀疏解混算法研究

发布时间：2020-06-21 20:38

【摘要】：光谱解混在高光谱图像应用中起着重要作用。由于传感器的低空间分辨率和特征分布的复杂性,高光谱图像中每个像元通常包含多于一个的特征对象。因此光谱解混作为许多高光谱图像应用背后的一项极具挑战性任务,旨在将每个混合像元的测量光谱分解为组成光谱(端元)和相应的一组比率(丰度)。作为一种半监督的解混策略,稀疏解混已经受到广泛的关注与研究。同基于几何和统计的解混算法相比,稀疏解混避免了提取没有物理意义的虚拟端元的问题。本文对近年来高光谱图像稀疏解混算法的国内外研究现状进行了总结,针对全变差正则化变量分离与增量拉格朗日(SUnSAL-TV)算法求解的丰度图像存在边缘模糊与过平滑的现象,提出了一种结构张量全变差再优化稀疏解混算法。根据结构张量全变差具有捕获局部邻域周围一阶信息的能力,在SUnSAL-TV解混模型中引入结构张量全变差正则项来校正求解的丰度矩阵,提高解混精度。在合成数据与真实高光谱数据上的实验中已得到证明,提出的算法获得更好的解混性能,能够有效地克服丰度矩阵的过平滑与边缘模糊。此外,考虑到局部协同稀疏解混算法使用固定窗口来包含局部空间信息是不严谨的,提出了基于超像素的局部协同稀疏解混算法。采用基于四元数颜色距离理论和基于简单线性迭代聚类的超像素分割算法可以将图像分割为多个同质区域,分割所得的每个同质区所包含的像元具有相似的光谱特性,在每个同质区域内执行协同稀疏解混可以更精确地包含局部空间信息。同时,考虑到自然图像中非局部相似块的存在,作为超像素分割算法的扩展,提出了一种非局部超像素分割算法来改进简单线性迭代聚类(SLIC)算法,提出的算法会包含更丰富的空间先验信息。
【学位授予单位】：哈尔滨工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751
【图文】：

示意图,高光谱图像,示意图

和意义在没有接触的情况下探测和感知远距离目其类型、特征和所处的环境条件不同而具有所以遥感可以根据收集的电磁波判断地物ectral Remote Sensing)技术是20世纪80年代是一种结合了成像技术和光谱技术的多维围覆盖了电磁波段的紫外到红外区域，通过几何空间信息和一维光谱信息。因此，获得像数据[3]。高光谱图像的光谱分辨率达到现目标图像二维空间景象信息的同时还提技术是通过处理目标图像的光谱特征和空地物目标的目的。这对遥感图像在诸如医物识别[7]、军事侦察[8]等方面都具有重要

示意图,稀疏解,算法,示意图

3 3SUnSAL 算法是针对单像元的稀疏回归算法，该算法没有考虑高光谱图像间先验信息，虽然算法的复杂度较低，但解混性能却较差。2.4 CLSUnSAL 算法Iordache M D 等人考虑在稀疏解混的数学模型中引入空间先验信息，他们出现在一个高光谱图像中的端元是少数的且所有像元共享同样活跃的端元集于上述假设他们提出了协同稀疏解混算法(CLSUnSAL)，由于所有像元共享的端元集，丰度矩阵只有少数几个非零行，即该算法强调的是全局协同稀疏5]。与 SUnSAL 算法为丰度矩阵添加1 范数稀疏约束来实现单像元的稀疏限同，CLSUnSAL 通过为丰度矩阵添加2,1 [28]范数稀疏约束来实现对丰度矩阵局协同稀疏限制。为了便于理解和说明 CLSUnSAL 算法数学模型中2,1 范数约束正则项(也称为协同正则项)的作用，图 2.1 展示了协同稀疏解混算法的示意图。1x

【相似文献】