基于混合像元分解的高光谱图像去雾方法的研究

发布时间：2017-05-13 07:23

  本文关键词：基于混合像元分解的高光谱图像去雾方法的研究，，由笔耕文化传播整理发布。

【摘要】：高光谱遥感具有高光谱分辨率、图谱合一、光谱波段多、在某一光谱段范围内连续成像的突出特点,因此可以利用完整的光谱曲线记录所观测到的各种地物信息,已经广泛的应用于地质学、植被生态学、大气、土壤、水环境遥感等领域。但是在成像过程中高光谱图像依然会因为诸多因素的干扰而受到诸多制约。云雾就是其中主要的影响因素。它们的存在干扰大气中可见光和红外线的传播,使得大气能见度降低,严重影响了光学设备的正常运行,使得光学遥感平台获取的高光谱图像模糊不清,无法从中得到准确的地物信息。因此我们需要找到一种有效的高光谱图像去雾方法使得高光谱遥感成像技术更好的发展。本文详细介绍了高光谱图像混合像元分解理论,建立了薄雾下的混合像元分解模型,实验比较分析了3种经典端元提取算法(PPI、VCA、ATGP)以及四种基于最小二乘的丰度反演方法。本文对非负矩阵分解的理论进行了详细介绍,在此基础上提出了基于小体积约束的非负矩阵分解(MVC-NMF)图像去雾方法,实验表明该方法可以实现很好的去雾效果。最后介绍了支持向量机理论和支持向量数据描述理论,因为传统的高光谱图像混合像元分解技术在进行端元提取时忽略了图像中未知端元的影响,在此理论的基础上提出了一种基于支持向量数据描述(SVDD)的高光谱图像去雾方法,最后用该算法对高光谱图像进行了实验研究以及结果分析。
【关键词】：高光谱 混合像元分解 端元提取 丰度反演 MVC-NMF SVDD
【学位授予单位】：南京理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP751
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 1 绪论9-16
• 1.1 研究的目的及意义9-11
• 1.2 研究现状及发展动态11-15
• 1.2.1 高光谱遥感技术的发展11-12
• 1.2.2 国内外研究现状及分析12-15
• 1.3 论文主要研究内容15-16
• 2 高光谱图像去雾算法中的端元提取方法16-28
• 2.1 线性混合像元分解模型16-18
• 2.2 薄雾下的混合像元分解模型18-20
• 2.3 高光谱图像的降维方法20-22
• 2.3.1 主成份分析法PCA21
• 2.3.2 最大噪声分离法MNF21-22
• 2.4 高光谱图像的端元提取方法22-25
• 2.4.1 纯像元指数法PPI22-23
• 2.4.2 顶点成分分析法VCA23-24
• 2.4.3 自动目标生成法ATGP24-25
• 2.5 实验结果分析25-27
• 2.6 本章小结27-28
• 3 高光谱图像去雾算法中的丰度反演方法28-34
• 3.1 基于最小二乘法的丰度反演方法28-30
• 3.1.1 无约束最小二乘法UCLS28
• 3.1.2 “和为1”约束最小二乘法SCLS28-29
• 3.1.3 “非负”约束最小二乘法NCLS29
• 3.1.4 全约束最小二乘法FCLS29-30
• 3.2 实验结果分析30-33
• 3.3 本章小结33-34
• 4 基于最小体积约束的非负矩阵分解的高光谱图像去雾方法34-42
• 4.1 非负矩阵分解算法的原理34-35
• 4.2 基于最小体积约束的非负矩阵分解的高光谱图像去雾方法35-38
• 4.2.1 高光谱图像的最小体积约束35-36
• 4.2.2 基于最小体积约束的非负矩阵分解的高光谱图像去雾方法36-37
• 4.2.3 算法步骤37-38
• 4.3 实验结果及分析38-41
• 4.3.1 模拟数据实验38-39
• 4.3.2 真实图像实验39-41
• 4.4 本章总结41-42
• 5 基于支持向量数据描述的高光谱图像去雾方法42-57
• 5.1 支持向量机理论42-44
• 5.2 支持向量数据描述理论44-47
• 5.2.1 支持向量数据描述44-46
• 5.2.2 核函数46-47
• 5.3 基于SVDD的高光谱图像去雾方法47-49
• 5.4 算法步骤49-50
• 5.5 实验结果及分析50-56
• 5.5.1 模拟数据实验50-52
• 5.5.2 真实数据实验52-56
• 5.6 小结56-57
• 6 总结与展望57-59
• 6.1 工作总结57
• 6.2 研究展望57-59
• 致谢59-60
• 参考文献60-62

【参考文献】

中国期刊全文数据库 前3条

1 郭t

本文编号：361929