遥感图像特征提取与融合方法的研究
发布时间：2021-08-26 09:24
随着微电子与传感器技术的不断发展,遥感卫星的图像采集能力日益增强,可以获取全色图、多光谱、高光谱等多种类型图像,并且其光谱分辨率、空间分辨率等方面都得到显著的提升。高光谱图像包含丰富的光谱信息与空间分布信息,具有极强的地物探测能力,被广泛应用到地表矿物探测、环境监测、军事目标检测与分析等领域。然而,由于传感器工艺以及技术等因素制约,全色图像仅含有一个光谱波段但空间分辨率较高,多光谱图像空间分辨率较低但包含几个至十几个波段,而高光谱图像包含几十至数百个波段但空间分辨率很低。因此,高光谱图像中存在大量的混合像元,这为图像处理带来两大问题:一是如何从高光谱混合像元中准确地提取图像所包含物质（端元）的光谱特征及相应的空间分布（丰度）;二是如何提升高光谱图像的空间分辨率,尽可能地减少混合像元。高光谱图像的特征提取即为光谱解混过程,而基于光谱解混的图像融合则是获取高光谱超分辨率图像一条非常有效的途径。此外,高光谱与多光谱图像都是立方体数据,利用矩阵分解实现特征提取与图像融合时需要将三维数据展开成矩阵形式,这将导致部分数据结构信息丢失等问题。本论文在光谱解混的框架下,利用凸几何理论中最小体积准则,深...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：155 页
【学位级别】：博士
【部分图文】：
图１－２高光谱图像数据说明示意图［ｌ】（ａ）单波段灰度图、（ｂ）高光谱图懞数据立方体、（ｃ）单个像??元向量与其光谱特怔??
第一章绪论??§沾阪?—＿＞?Ｉ修，产、??（！．堉和拙）?｜Ｈ．?／?飞??。３？?二“祐??ｙ?／／Ａ?Ｗｉｎ＇ｅｋｎｅｉｈ?ｆｉｉｍｉ??＝－ｔ?Ｊ??＝?一?■＇，、』??２ｃｃ?ｅｃｏ?？ｅｏ?ｉ＾ｉ?ｉｓ？?ｉｅｏｏ?：ｉ〇ｑ?；？？〇??＼ＶａｖｃＩ？ｎｇｒｈ?（ｎｎｕ??图１－３高光谱丨象元光谱特怔示意图??Ｂｒ??围１４遥感图慄浅性混合模型和非残性混合模型的反射垛理??中所含物质的数量，其估计方法包括主成分分析（ＰＣＡ）、虚拟维（ＶＤ）算法、基干最??小误差的高光谱信号识别（ＨｙＳｉｍｅ）等，由干端元数目估计不是本文研究的重点，因??此在研究并对比各算法性能后．本文釆用虚拟维（ＶＤ）算法Ｗ估计目际图像中端元??数Ｈ．或者利用算法参数鲁棒性确定具体的端元数量，详见具体算法的参数设置。高??光谱图像数据中像元可能包含纯像元和混合像元．而且混合像元的混合程度对特征??提取也有直接的影响。基于光谱解混的特征提取方法的核心是端元特征的提取，具有??代表性的方法大致可以分为：纯像元法、稀疏回归法、凸几何法、非负矩阵分解、深??度神经网络等几类方法。??（１）纯像元法??这类算法是假设数据集中每个端元至少存在一个纯像元，即在纯像元假设条件??下的单纯形顶点是一个端元向量。这类具有代表性的算法包括纯像元指数法（ｐｉｘｅｌ??ｐｕｒｉｔｙ?ｉｎｄｅｘ，ＰＰＩ）？正交子空间投影（Ｏｒｔｈｏｇｏｎａ．１?Ｓｕｂｓｐａｃｅ?Ｐｒｏｊｅｃｔｉｏｎ＇?ＯＳＰ）、Ｎ－ＦＩＮＤＲ、??５??
北京邮电大学工学博士学位论文???—端元数目估计Ｉ?２??髙光谱??１?＾??＿?＾??混???Ｉ???端元特征提取｜—？丰度特征提取］???Ｉ?Ｊ???????＞■端元特征｜—？丰度???■?比例??图１－５光谱解混一般步骤??顶点成分分析（Ｖｅｒｔｅｘ?ｃｏｍｐｏｎｅｎｔ?ａｎａｌｙｓｉｓ，?ＶＣＡ）等算法。纯像元指数算法１１１１是以单??纯形理论为基础．使图像中的纯像元位于单纯形的顶点，则纯像元的投影点一定在??投影集合的边界点上。对各个像元在边界点的投影次数（即纯像元指数）作统计，数??值越大则该像元是纯像元的可能性越大．由此可根据各像元的纯像元指数确定端元。??在Ｎ－ＦＩＮＤＲ算法中Ｍｌ．假定原始高光谱场景中存在纯像元并对图像进行最小噪声分??离，计算＼个（端元数目）随机像元构成的单纯形体积，通过像元光谱替换找到由端??元为顶点构成的最大体积的单纯形．从而提取端元特征向量。正交子空间投影技术??（０ＳＰ）『１３１建立在向量正交子空间投影的理论基础上．通过将像元矢量投影到干扰特??征的正交子空间并利用误差最小准则消除干扰，再将剩余信号投影到要提取的特征??空间，釆用信噪比最大准则获得特定端元的丰度图。而顶点成分分析（ＶＣＡｐｍ则??是将数据通过迭代算法投影到与端元所形成的子空间正交的方向上，降低对噪声的??敏感性，使用奇异值分解（ＳＶＤ）来获得在最大强度意义下最能代表数据的投影作为??端元特征。??（２）稀疏回归法??稀疏解混的目标是提取高光谱图像中描述混合像元的光谱特征与丰度比例。该??方法假定所观察到的图像特征可以用若干预先知道的纯光谱特征的线性组合来表示，??
【参考文献】：
期刊论文
[1]基于复指数矩的图像旋转角检测[J]. 杨飞霞,张惠中,平子良. 内蒙古师范大学学报(自然科学汉文版). 2019(02)
[2]线性高光谱解混模型综述[J]. 袁静,章毓晋,高方平. 红外与毫米波学报. 2018(05)
[3]遥感数据融合的进展与前瞻[J]. 张良培,沈焕锋. 遥感学报. 2016(05)
[4]基于不变矩的高分辨率遥感图像建筑物提取方法[J]. 高薇,王珂,原发杰,余涛,李玉霞,高斌. 计算机应用研究. 2014(02)
[5]基于Zernike矩的多时相遥感影像匹配方法研究[J]. 宋妍,田玉刚,贾小霞. 武汉大学学报(信息科学版). 2009(10)
博士论文
[1]基于稀疏矩阵分解的遥感图像融合[D]. 张凯.西安电子科技大学 2018
本文编号：3363982
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：155 页
【学位级别】：博士
【部分图文】：
图１－２高光谱图像数据说明示意图［ｌ】（ａ）单波段灰度图、（ｂ）高光谱图懞数据立方体、（ｃ）单个像??元向量与其光谱特怔??
第一章绪论??§沾阪?—＿＞?Ｉ修，产、??（！．堉和拙）?｜Ｈ．?／?飞??。３？?二“祐??ｙ?／／Ａ?Ｗｉｎ＇ｅｋｎｅｉｈ?ｆｉｉｍｉ??＝－ｔ?Ｊ??＝?一?■＇，、』??２ｃｃ?ｅｃｏ?？ｅｏ?ｉ＾ｉ?ｉｓ？?ｉｅｏｏ?：ｉ〇ｑ?；？？〇??＼ＶａｖｃＩ？ｎｇｒｈ?（ｎｎｕ??图１－３高光谱丨象元光谱特怔示意图??Ｂｒ??围１４遥感图慄浅性混合模型和非残性混合模型的反射垛理??中所含物质的数量，其估计方法包括主成分分析（ＰＣＡ）、虚拟维（ＶＤ）算法、基干最??小误差的高光谱信号识别（ＨｙＳｉｍｅ）等，由干端元数目估计不是本文研究的重点，因??此在研究并对比各算法性能后．本文釆用虚拟维（ＶＤ）算法Ｗ估计目际图像中端元??数Ｈ．或者利用算法参数鲁棒性确定具体的端元数量，详见具体算法的参数设置。高??光谱图像数据中像元可能包含纯像元和混合像元．而且混合像元的混合程度对特征??提取也有直接的影响。基于光谱解混的特征提取方法的核心是端元特征的提取，具有??代表性的方法大致可以分为：纯像元法、稀疏回归法、凸几何法、非负矩阵分解、深??度神经网络等几类方法。??（１）纯像元法??这类算法是假设数据集中每个端元至少存在一个纯像元，即在纯像元假设条件??下的单纯形顶点是一个端元向量。这类具有代表性的算法包括纯像元指数法（ｐｉｘｅｌ??ｐｕｒｉｔｙ?ｉｎｄｅｘ，ＰＰＩ）？正交子空间投影（Ｏｒｔｈｏｇｏｎａ．１?Ｓｕｂｓｐａｃｅ?Ｐｒｏｊｅｃｔｉｏｎ＇?ＯＳＰ）、Ｎ－ＦＩＮＤＲ、??５??
北京邮电大学工学博士学位论文???—端元数目估计Ｉ?２??髙光谱??１?＾??＿?＾??混???Ｉ???端元特征提取｜—？丰度特征提取］???Ｉ?Ｊ???????＞■端元特征｜—？丰度???■?比例??图１－５光谱解混一般步骤??顶点成分分析（Ｖｅｒｔｅｘ?ｃｏｍｐｏｎｅｎｔ?ａｎａｌｙｓｉｓ，?ＶＣＡ）等算法。纯像元指数算法１１１１是以单??纯形理论为基础．使图像中的纯像元位于单纯形的顶点，则纯像元的投影点一定在??投影集合的边界点上。对各个像元在边界点的投影次数（即纯像元指数）作统计，数??值越大则该像元是纯像元的可能性越大．由此可根据各像元的纯像元指数确定端元。??在Ｎ－ＦＩＮＤＲ算法中Ｍｌ．假定原始高光谱场景中存在纯像元并对图像进行最小噪声分??离，计算＼个（端元数目）随机像元构成的单纯形体积，通过像元光谱替换找到由端??元为顶点构成的最大体积的单纯形．从而提取端元特征向量。正交子空间投影技术??（０ＳＰ）『１３１建立在向量正交子空间投影的理论基础上．通过将像元矢量投影到干扰特??征的正交子空间并利用误差最小准则消除干扰，再将剩余信号投影到要提取的特征??空间，釆用信噪比最大准则获得特定端元的丰度图。而顶点成分分析（ＶＣＡｐｍ则??是将数据通过迭代算法投影到与端元所形成的子空间正交的方向上，降低对噪声的??敏感性，使用奇异值分解（ＳＶＤ）来获得在最大强度意义下最能代表数据的投影作为??端元特征。??（２）稀疏回归法??稀疏解混的目标是提取高光谱图像中描述混合像元的光谱特征与丰度比例。该??方法假定所观察到的图像特征可以用若干预先知道的纯光谱特征的线性组合来表示，??
【参考文献】：
期刊论文
[1]基于复指数矩的图像旋转角检测[J]. 杨飞霞,张惠中,平子良. 内蒙古师范大学学报(自然科学汉文版). 2019(02)
[2]线性高光谱解混模型综述[J]. 袁静,章毓晋,高方平. 红外与毫米波学报. 2018(05)
[3]遥感数据融合的进展与前瞻[J]. 张良培,沈焕锋. 遥感学报. 2016(05)
[4]基于不变矩的高分辨率遥感图像建筑物提取方法[J]. 高薇,王珂,原发杰,余涛,李玉霞,高斌. 计算机应用研究. 2014(02)
[5]基于Zernike矩的多时相遥感影像匹配方法研究[J]. 宋妍,田玉刚,贾小霞. 武汉大学学报(信息科学版). 2009(10)
博士论文
[1]基于稀疏矩阵分解的遥感图像融合[D]. 张凯.西安电子科技大学 2018
本文编号：3363982
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3363982.html
