基于深度学习的高光谱图像解混方法

发布时间：2021-07-02 08:20

　　高光谱图像具有较高的光谱分辨率,通常每一个像元的光谱维度能够达到几十甚至几百。但是高光谱图像的空间分辨率较低,同时由于地表物质的微观混合、多重反射、大气散射以及仪器本身等因素,使得高光谱图像普遍存在混合像元的问题,即成像光谱仪所测量的光谱信号其实是场景中多种物质反射率的混合。因此,光谱解混便成为了高光谱图像数据探索中一个富有挑战性的课题。众所周知,深度学习近年来大放异彩,在文本分类、语音识别、机器翻译、计算机视觉等领域取得了令人瞩目的成果,这主要归功于深度学习强大的拟合能力和特征提取能力。虽然深度学习已经被广泛应用在了高光谱图像分类当中,但却较少应用于高光谱图像解混。本文即利用深度学习的相关模型,设计能与光谱解混相匹配的网络结构,实现高光谱图像解混。本文首先对高光谱图像解混的相关概念进行叙述,并阐述了现有解混方法的研究现状;同时也介绍了深度学习的相关知识,总结了深度学习的优势及其在相关领域的应用。随后,针对高光谱图像解混,本文构建了两种深度学习框架下的网络架构:（1）基于光谱信息的网络架构。该架构应用了全连接的前馈神经网络,将高光谱图像的光谱信息作为输入进行解混。这一网络架构设计了特定... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

高光谱成像原理

在对高光谱图像解混时，第一步就是要建立光谱混合模型，不同不同的物理意义，然后再选取相应的数学工具，针对不同的光谱算法，实现高光谱图像解混。光谱混合模型可以分为线性混合模，下面分别对这两种模型进行介绍。混合模型混合模型成立的条件是混合尺度是宏观的，即太阳入射光线仅与作用，经物质反射后的光线直接被传感器所接收。当地物分布呈就是地表物质分区明显，便可以假设光谱混合模型是线性的。此是由高光谱成像仪本身的空间分辨率较低造成的，空间分辨率元所代表的实际区域的大小。高光谱图像中每一个像元所代表包含了几种不同的物质，它们所反射的光线都会被传感器接收光谱上，此时便出现了混合像元问题。图 2-1 展示了线性混合模

为丰度矩阵，每一列代表的是对应混合像元的丰度系数阵。 表示丰度矩阵 中的每一个元素都是非负的， 表示。性混合模型，非线性混合通常是由于场景中多种物质散射的光之间发生了物相互作用可以分为传统的（classical）和亲密的（intimate）[4]。互作用是指，太阳入射光照射到一个物体之后，该物体所反射的物体上，最终才被传感器所接收；亲密交互通常发生在地表物质此时一种物质的分子受太阳光照射所发射的光子被另一种物质的会因此发射更多的光子，而这些光子最终被传感器接收。图 2-2 非线性光谱混合情形。


本文编号：3260109