基于非负矩阵分解的高光谱遥感数据融合方法分析及应用

发布时间：2017-05-25 13:06

  本文关键词：基于非负矩阵分解的高光谱遥感数据融合方法分析及应用，由笔耕文化传播整理发布。

【摘要】：由于物理条件约束,数据传输速率限制和信噪比等原因,导致遥感传感器设计时需要在波谱分辨率和空间分辨率之间折衷。高光谱遥感数据为了获得很高的波谱分辨率,而以损失空间分辨率为代价;多光谱数据或全色数据虽然仅有几个波段,却可以获得更高的空间分辨率。大多数情况下,我们无法从单一传感器获得同时具有高空间分辨率和高光谱分辨率的遥感数据。高光谱数据的低空间分辨率限制了其在地物分类和识别上的应用。因此,使遥感数据同时具有高空间分辨率和高光谱分辨率成为遥感研究的热点问题之一。在此背景下,本文研究了高光谱数据和多光谱数据融合算法,旨在综合两者的优势得到高空间分辨率和高光谱分辨率的数据。基于波谱混合分解的数据融合方法,在提高高光谱数据空间分辨率的同时,较好地保持了原有的波谱特征。论文结合线性波谱混合模型、传感器观测模型和非负矩阵分解算法导出基于投影梯度优化技术的非负矩阵分解融合算法。该算法首先利用顶点成分分析法分解高光谱数据,得到端元波谱矩阵;其次利用投影梯度优化技术的非负矩阵分解算法交替地对端元波谱矩阵和丰度矩阵进行更新,通过不断迭代优化,得到高波谱分辨率的端元波谱矩阵和高空间分辨率的丰度矩阵;最后两个矩阵相乘得到高空间分辨率和高光谱分辨率的融合结果。传感器之间的观测模型在每步非负矩阵分解过程中用于初始化分解矩阵。研究结合模拟数据和真实数据实验进行分析。论文最后,设计和实现了多源遥感数据融合原型系统。论文的主要研究工作和成果如下:(1)研究基于投影梯度优化技术的非负矩阵分解融合算法。以线性波谱混合模型、传感器观测模型和非负矩阵分解算法为基础,导出梯度投影优化技术的更新规则以对端元波谱矩阵和丰度矩阵进行更新。投影梯度算法融合收敛速度快,避免分解矩阵中0值元素不被更新的情况。(2)结合模拟数据实验分析非负矩阵分解融合方法性能。采用AVIRIS和HYDICE数据经过重采样得到模拟数据进行实验,并与约束最小二乘估计融合方法进行对比分析。两种融合方法的性能采用定量评价指标峰值信噪比、波谱角误差、均方根误差和通用图像质量指标进行定量分析。根据分析结果,非负矩阵分解算法有效的提高了高光谱数据的所有波段的空间分辨率,同时具有很好的波谱保持性。(3)分析非负矩阵分解融合算法在真实数据融合上的应用性能。具有不同地物覆盖类型的四个研究区的环境卫星HJ-1A的HSI高光谱和CCD多光谱数据进行数据融合实验。采用定量评价指标信息熵和图像清晰度对融合结果进行定量评价,同时主成分分析法进行视觉评价。通过实验分析,融合结果的信息熵和图像清晰度均大于原始数据,主成分分量含信息量更加丰富,细节边缘信息更加清晰,不同地物的色彩信息与原始数据基本保持一致,即基于非负矩阵分解的融合方法提高了高光谱数据的空间分辨率,同时波谱失真较少。(4)设计和实现了多源遥感数据融合原型系。基于Windows平台,采用成熟的.NET技术、ArcGIS Engine技术、ENVI/IDL技术和MATLAB技术,开发包括数据预处理、融合、融合结果评价和植被指数计算功能的多源遥感数据融合系统。
【关键词】：高光谱遥感 数据融合 波谱混合模型 非负矩阵分解
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：P237
【目录】：

• 摘要6-8
• ABSTRACT8-13
• 第一章 绪论13-22
• 1.1 研究背景和意义13-14
• 1.2 国内外研究现状14-20
• 1.2.1 遥感数据融合方法14-16
• 1.2.2 高光谱遥感数据融合方法16-18
• 1.2.2.1 替换类和波谱相关分析法16
• 1.2.2.2 小波变换分析法16-17
• 1.2.2.3 统计估计法17
• 1.2.2.4 基于线性波谱混合分析的方法17-18
• 1.2.3 遥感数据融合结果的质量评价18-20
• 1.2.3.1 均方根误差18
• 1.2.3.2 峰值信噪比18-19
• 1.2.3.3 波谱角误差19
• 1.2.3.4 通用图像质量指标19
• 1.2.3.5 信息熵19-20
• 1.2.3.6 图像清晰度20
• 1.2.4 存在问题与分析20
• 1.3 论文的研究内容及组织结构20-22
• 第二章 波谱混合模型与非负矩阵分解22-33
• 2.1 波谱混合模型22-24
• 2.2 非负矩阵分解算法24-29
• 2.2.1 非负矩阵分解基本问题24-28
• 2.2.1.1 乘法更新规则25-26
• 2.2.1.2 交替约束二乘算法26-27
• 2.2.1.3 投影梯度算法27-28
• 2.2.3 约束非负矩阵分解问题28-29
• 2.2.4 终止条件29
• 2.3 非负矩阵分解在波谱混合分解中的应用29-32
• 2.3.1 最小体积约束的非负矩阵分解算法30-31
• 2.3.2 平滑和稀疏约束的非负矩阵分解算法31
• 2.3.3 最小分离约束的非负矩阵分解算法31
• 2.3.4 丰度分离和平滑的非负矩阵分解算法31-32
• 2.3.5 波谱相似性约束的非负矩阵分解算法32
• 2.4 小结32-33
• 第三章 基于非负矩阵分解的高光谱数据融合算法33-52
• 3.1 非负矩阵分解算法融合模型33-41
• 3.1.1 传感器观测模型33-34
• 3.1.2 非负矩阵分解算法34-36
• 3.1.3 端元波谱矩阵的初始化36-38
• 3.1.4 终止条件的判定38-39
• 3.1.5 基于非负矩阵分解融合框架39-41
• 3.2 模拟数据实验分析41-50
• 3.2.1 S和R的获取41-43
• 3.2.2 端元数目的选取43-44
• 3.2.3 高光谱数据融合实验分析44-50
• 3.3 小结50-52
• 第四章 环境卫星高光谱遥感数据融合实验52-63
• 4.1 数据源52-53
• 4.2 数据预处理53-55
• 4.3 参数设置55-57
• 4.3.1 S和R的获取55-56
• 4.3.2 迭代次数设置56
• 4.3.3 端元数目的选取56-57
• 4.4 数据融合实验分析57-62
• 4.4.1 实验数据显示57-59
• 4.4.2 定量评价指标59-61
• 4.4.3 主成分分量分析61-62
• 4.5 小结62-63
• 第五章 多源遥感数据融合原型系统设计与实现63-78
• 5.1 系统简介63-64
• 5.1.1 需求分析63
• 5.1.3 系统开发工具63-64
• 5.1.3 系统运行环境64
• 5.2 系统架构设计64-65
• 5.3 系统主要功能模块设计65-66
• 5.4 系统主要功能模块实现66-78
• 5.4.1 预处理模块67-68
• 5.4.2 IHS融合68-69
• 5.4.3 PCA融合69
• 5.4.4 LS-GIF-WC融合69-71
• 5.4.5 MTF-GIF融合71-72
• 5.4.6 联合非负矩阵分解CNMF72-73
• 5.4.7 约束最小二乘CLS73-74
• 5.4.8 融合结果评价74
• 5.4.9 植被指数计算74-78
• 第六章 结论与展望78-80
• 6.1 结论78-79
• 6.2 展望79-80
• 致谢80-81
• 参考文献81-89
• 攻读硕士期间取得的成果89-90

【共引文献】

中国硕士学位论文全文数据库 前4条

1 靳焕庭;基于稀疏表示与压缩感知的图像融合方法研究[D];西安电子科技大学;2013年

2 范鹏宇;基于热红外遥感影像的地表温度空间降尺度研究[D];福建师范大学;2013年

3 庞庆非;基于移动变窗口的地表温度空间分辨率提升模型[D];电子科技大学;2013年

4 李梦云;基于VSDI指数的土壤湿度遥感降尺度研究[D];东北师范大学;2014年

  本文关键词：基于非负矩阵分解的高光谱遥感数据融合方法分析及应用，，由笔耕文化传播整理发布。

本文编号：393808