高光谱图像稀疏解混模型及算法研究
发布时间:2021-11-03 04:17
高光谱图像是通过光谱成像仪利用几十甚至几百个波段对同一个地区进行拍摄而形成的三维图像。但是由于光谱成像仪的物理限制以及复杂的地理环境,可能使得单个像元处得到的光谱反应为多种不同物质光谱的混合。混合像元问题的存在可能使得在高光谱图像中对识别物体的判别不准,出现错分类的问题。高光谱图像光谱解混的目的即是找出混合像元中各种纯净物质各自所占的比例,通过将混合光谱信号用纯净光谱成分(端元)的叠加来表示,并且其对应的权重称为丰度向量。高光谱图像中包含丰富的结构信息,学者们将全变分正则项(TV)引入经典的稀疏回归公式中,想以此来挖掘高光谱图像中的空间信息。全变分正则项前提假设了相邻像素之间具有相似的混合物质和相似的丰度系数,然而,全变分正则项的这个假设是过于严格了的。因此,解混的结果通常也会带来一些阶梯效应。为了克服这一不足,对于高光谱解混问题我们将通过引入双边滤波来松弛TV正则项的这一假设。由于双边滤波具有既光滑图像又保留图像边缘信息的能力,因此我们首先将双边滤波应用于每一个丰度图上,使得丰度图上光滑的区域更加光滑,同时也不会丢失边缘信息。因此用双边滤波预处理后的丰度图更容易满足TV正则项的分段常...
【文章来源】:电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】:53 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第一章 绪论
1.1 课题研究工作的背景与意义
1.2 国内外研究历史与现状
1.3 本文的主要贡献与创新
1.4 本论文的结构安排
第二章 高光谱图像解混典型方法概述及建模基础
2.1 稀疏表示理论及方法简介
2.2 高光谱图像线性解混方法
2.3 ADMM算法介绍
2.4 基于稀疏回归的高光谱解混方法
2.4.1 分离和增广拉格朗日光谱稀疏解混算法(SUnSAL)
2.4.2 基于协同稀疏回归的高光谱图像解混算法(CLSUnSAL)
2.4.3 全变分-分离和增广拉格朗日光谱稀疏解混算法(SUnSAL-TV)
2.4.4 基于丰度矩阵稀疏性和低秩性的高光谱解混算法(ADSpLRU)
2.5 双边滤波器
2.6 本章小结
第三章 基于全变分的双边滤波正则项高光谱图像解稀疏混算法
3.1 SUnSAL-BF-TV算法模型
3.2 SUnSAL-BF-TV算法的求解过程
3.3 本章小结
第四章 数值实验结果及分析
4.1 模拟数据实验
4.1.1 模拟数据实验设置
4.1.2 模拟数据实验结果及分析
4.1.3 算法参数分析及收敛性分析
4.2 真实数据实验
4.2.1 真实数据实验设置
4.2.2 真实数据实验结果
4.3 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
本文编号:3473030
【文章来源】:电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】:53 页
【学位级别】:硕士
【文章目录】:
摘要
abstract
第一章 绪论
1.1 课题研究工作的背景与意义
1.2 国内外研究历史与现状
1.3 本文的主要贡献与创新
1.4 本论文的结构安排
第二章 高光谱图像解混典型方法概述及建模基础
2.1 稀疏表示理论及方法简介
2.2 高光谱图像线性解混方法
2.3 ADMM算法介绍
2.4 基于稀疏回归的高光谱解混方法
2.4.1 分离和增广拉格朗日光谱稀疏解混算法(SUnSAL)
2.4.2 基于协同稀疏回归的高光谱图像解混算法(CLSUnSAL)
2.4.3 全变分-分离和增广拉格朗日光谱稀疏解混算法(SUnSAL-TV)
2.4.4 基于丰度矩阵稀疏性和低秩性的高光谱解混算法(ADSpLRU)
2.5 双边滤波器
2.6 本章小结
第三章 基于全变分的双边滤波正则项高光谱图像解稀疏混算法
3.1 SUnSAL-BF-TV算法模型
3.2 SUnSAL-BF-TV算法的求解过程
3.3 本章小结
第四章 数值实验结果及分析
4.1 模拟数据实验
4.1.1 模拟数据实验设置
4.1.2 模拟数据实验结果及分析
4.1.3 算法参数分析及收敛性分析
4.2 真实数据实验
4.2.1 真实数据实验设置
4.2.2 真实数据实验结果
4.3 本章小结
第五章 全文总结与展望
5.1 全文总结
5.2 工作展望
致谢
参考文献
攻读硕士学位期间取得的成果
本文编号:3473030
本文链接:https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3473030.html