基于正交子投影空间的自动形态学端元提取算法

发布时间：2020-09-21 12:52

　　随着遥感技术应用的不断发展,高光谱遥感逐渐反映出信息定量化的趋势,而混合像元分解正成为现今高光谱遥感研究的重点和难点。受制于噪声等外界不确定因素的影响,混合像元分解算法在模拟数据中取得的效果往往要好于真实遥感数据。而提出一种能够在真实遥感数据中取得较好的实验效果的算法是当前研究的一大热点。本文从遥感数据纯净像元提取入手进行研究,以青海省青海湖流域Hyperion高光谱遥感数据作为真实实验数据,主要的工作包括以下几个方面:(1)基于自动形态学算法被广泛应用于高光谱混合像元分解,然而自动形态学算法只能圈定一定范围内的候选端元,而无法将实际的端元提取出来,且需要一定的经验阈值,这给实际处理线性光谱混合分解提出了很大的障碍。本文将正交子投影空间算法与自动形态学算法结合,并运用正交投影散度代替光谱角判定像元纯净度。改进算法从模拟数据和真实遥感数据两个方面进行验证,实验结果表明,改进的自动形态学算法不需要先验数据的支持,且提取精度优于部分传统算法,尤其是在真实数据上取得了不错的效果。(2)迭代计算和逐像元计算的思想在传统的端元提取算法中占比较大,且计算时间过长,实用性较差。初始单形体内部去除法从空间单形体中提取其顶点,然而原始算法受初始顶点选取影响较大,会造成单形体顶点漏选和重复选取的情况。本文对原始算法进行改进,并通过模拟数据和真实数据验证改进算法的可靠性。实验结果表明,改进的初始单形体内部去除法能够很好地增强算法的鲁棒性和可靠性。
【学位单位】：中国地质大学(北京)
【学位级别】：硕士
【学位年份】：2018
【中图分类】：P237
【部分图文】：

原理图,光谱成像,原理,研究背景

1 绪论研究背景与意义研究背景着遥感应用技术的飞速发展，高光谱遥感（Hyperspectral Romote S在我国的遥感发展中占有重要的地位。高光谱起源于 20 世纪 80 年像光谱仪（imaging spectrometer）在获得目标空间信息的同时，为数个至百个窄波段波谱信息（Goetz，et al.1985），波段范围从可外。正是因为从成像光谱仪获取的数据包含了庞大的光谱信息，由谱实现了从二维空间上升到三维空间的过渡（Bioucas-Dias，et al.的强大波段信息使其在描绘地物的波谱曲线时具有更强的优势，强与光谱数据之间的关系。

原理图,线性光谱混合模型,原理,混合模型

谱混合模型据光谱混合的方式，可将光谱混合模型分成线性光谱混合模型（Spectral Mixture Model）和非线光谱性混合模型（NLSMM，Nl Mixture Model）（李二森等，2011）。线性光谱混合模型性光谱混合模型的原理是假设一类或几类纯净地物按照一定的比合，图 2-1 表示多种地物光谱曲线的线性组合组成了混合像元的光，2016）。线性混合模型只考虑端元光谱及其丰度信息，并不考虑质的反射、散射及地形、空间位置等的影响，故其数学模型简单，，且在表达上更贴近真实情况，被广泛使用（Keshava，et al.2002。

单形体,算法原理,迭代,端元

识别算法点成分分析算法（VCA）成分分析算法的主旨是找到单形体中具有最大投影长度的候选端元（Nascimento，et al.2005）。设图像像元在维空= ∈ : = ，1 = 1， ≥ 0， ≥ 0 。凸锥投一个凸面单形体 = ∈ : = ， ∈ 。首先生成形体在此随机向量方向上投影值最大的像元作为第一个候元作正交投影形成正交向量并以此为基础，以第一次的正交单形体中具有最大投影长度的像元作为第二个候选端元，之前已提取端元构成的空间正交向量为基准，提取投影最长。当已提取的端元数目满足设定数目时，算法结束。

【相似文献】