高光谱图像高阶非线性混合像元分解算法研究
发布时间：2020-09-19 18:51
随着经济社会的发展,城市环境与自然环境在组成成分和空间结构上愈发复杂,与此同时遥感信息挖掘的精度要求也逐渐提高,这对高光谱混合像元分解研究提出了新的挑战,传统的线性光谱解混无法满足精确地物信息提取的要求,非线性光谱解混方法成为研究的热点方向。随着解混要求的提高,高阶的非线性作用在解混中越来越被重视。为了描述场景中的高阶混合作用,光谱混合模型复杂度增加,模型参数量变大,例如p-Linear光谱混合模型。因而,高阶的光谱混合模型在获得完备表达能力的同时,也为丰度反演带来了困难。在此背景下,本文主要探讨了基于高阶光谱混合模型进行丰度反演将会遇到的问题,并提出了相应的解决方案;此外,为了更完备地表达视场中的非线性混合,本文提出了一种新的高阶非线性光谱混合模型。本论文的主要研究成果包括:1.正则化p-Linear非线性解混算法(Normalized p-Linear Algorithm,NPLA)2.整合空间信息的高阶非线性解混算法(Integrating Spatial Information in the Normalized P-Linear Algorithm,SSDP-NPLA)3.基于多调和函数的多项式非线性光谱混合模型(Multi-Harmonic Postnonlinear Mixing Model,MHPNMM)首先,本文提出了两种非线性高光谱混合像元分解算法,以提高高阶非线性光谱混合模型的反演精度和鲁棒性,以p-Linear模型为基础,本文研究工作的重点是在解混中添加先验信息以降低模型的过拟合现象。NPLA算法通过直接对模型的线性与非线性参数进行二范数约束,并将问题纳入到凸优化框架进行求解;SSDP-NPLA算法则在解混前先进行非监督聚类,然后参数反演时采取了局部参数共享的策略考虑图像内部的空间相关性,最后联合线性与非线性参数估计丰度。进而,本文提出了一种新的高阶光谱混合模型以提高模型对场景中光谱混合的表达能力,该模型称为MHPNMM模型,它利用非线性映射对局部紧密混合进行建模,同时假设视场中局部的紧密混合会因多次散射叠加。本文利用模拟数据实验和真实数据实验分别对提出的三个新方法进行了验证,结果证明这三种方法相比传统方法均能提高高光谱混合像元分解的精度。
【学位单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位年份】：2018
【中图分类】：P237
【部分图文】：
景技术的发展，传统多光谱遥感在以像元为单位的信息，但是混合像元的存在，降低了遥感分类和基于遥感谱遥感由于其在连续谱段上的成像能力，能在较窄的达数百个、光谱分辨率达到纳米级，可使遥感研究由获取的地面反射或发射光谱信号是以像元为单位记录质光谱信号的综合[1]。影像像元所覆盖的地表，一般的覆盖类型[1]。由于像元仅仅以一个数值信号记录这像元包含一种地表覆盖类型时，该像元被称为纯像元一地表类型的光谱响应特征，若该像元包含不止一种合像元[1,2]。混合像元记录的信号是多种地表覆盖类如图 1.1 所示。
图 2.1 光谱在波段上展开成单纯形于上述关系，可以将一个像素的 p-Linear 混合光谱表达为如下线性 ,, ,1 1, 1,...,M 1,...,[ ]1tan02k nk n nt tk tt tM n n Ml l k n Nl l tn tl l lAif t nif t notherwiseb b y A y b, 1 ,..., 1 t tk t N ， 1 ,..., t N t；当 t 1时，11ttu N 1时，0t 。求解（2.7）式，可以直接用奇异值分解的方法进行求
图 2.2 NPLA 非线性解混算法流程图基于 NPLA 的解混过程涉及对最优平衡参数 与 的确定，为此我们设计了两个版本的 NPLA 算法：第一种是通过多次实验确定相对最合适的值，然后在之后的实验中直接使用这个值，通过多次实验发现 0.5, 0.08相对合适，故在解混过程中可以直接设置该平衡参数的值，然后逐个像元进行求解；第二种是为每个像元搜索最佳参数组合，搜索过程基于格网搜索的方式，搜索中心根据邻接像元的参数值确定，其搜索范围为 0.0001-100。该搜索过程是逐个像元的，逐像元进行搜索可以保证对于每个像元都是最优的参数组合。算法 1 NPLA 的非线性解混算法(寻参版本)1: 输入图像，给定正则项参数的搜索范围2: loop
本文编号：2822872
【学位单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位年份】：2018
【中图分类】：P237
【部分图文】：
景技术的发展，传统多光谱遥感在以像元为单位的信息，但是混合像元的存在，降低了遥感分类和基于遥感谱遥感由于其在连续谱段上的成像能力，能在较窄的达数百个、光谱分辨率达到纳米级，可使遥感研究由获取的地面反射或发射光谱信号是以像元为单位记录质光谱信号的综合[1]。影像像元所覆盖的地表，一般的覆盖类型[1]。由于像元仅仅以一个数值信号记录这像元包含一种地表覆盖类型时，该像元被称为纯像元一地表类型的光谱响应特征，若该像元包含不止一种合像元[1,2]。混合像元记录的信号是多种地表覆盖类如图 1.1 所示。
图 2.1 光谱在波段上展开成单纯形于上述关系，可以将一个像素的 p-Linear 混合光谱表达为如下线性 ,, ,1 1, 1,...,M 1,...,[ ]1tan02k nk n nt tk tt tM n n Ml l k n Nl l tn tl l lAif t nif t notherwiseb b y A y b, 1 ,..., 1 t tk t N ， 1 ,..., t N t；当 t 1时，11ttu N 1时，0t 。求解（2.7）式，可以直接用奇异值分解的方法进行求
图 2.2 NPLA 非线性解混算法流程图基于 NPLA 的解混过程涉及对最优平衡参数 与 的确定，为此我们设计了两个版本的 NPLA 算法：第一种是通过多次实验确定相对最合适的值，然后在之后的实验中直接使用这个值，通过多次实验发现 0.5, 0.08相对合适，故在解混过程中可以直接设置该平衡参数的值，然后逐个像元进行求解；第二种是为每个像元搜索最佳参数组合，搜索过程基于格网搜索的方式，搜索中心根据邻接像元的参数值确定，其搜索范围为 0.0001-100。该搜索过程是逐个像元的，逐像元进行搜索可以保证对于每个像元都是最优的参数组合。算法 1 NPLA 的非线性解混算法(寻参版本)1: 输入图像，给定正则项参数的搜索范围2: loop
【参考文献】
相关博士学位论文 前1条
1 张兵;时空信息辅助下的高光谱数据挖掘[D];中国科学院研究生院（遥感应用研究所）;2002年
本文编号：2822872
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/2822872.html
