基于联合贪婪算法的高光谱图像稀疏解混方法研究

发布时间：2020-03-22 05:16

【摘要】：相比于多光谱图像和全色图像,从高光谱图像中不仅可以获得图像上每个像素点的光谱数据,还可以获得任一个谱段的空间影像信息,因此可以更有效地对地物进行分析和识别,在地质勘探、海洋资源普查、战场环境侦测等民用和军事领域具有广阔的应用前景。但是混合像元的存在是扩展高光谱遥感应用场景面临的重大难题。混合像元分解问题引起了广大学者的关注,目前已发展出了众多理论和方法。其中,贪婪类解混算法是通过贪婪迭代的方式寻找混合像元的端元支撑集,然后通过最小二乘法估计出丰度系数。该类算法具有解混精度高、速度快的优点。本文主要对其进行了深入研究,主要内容如下:1.针对单路径搜索算法容易在端元选择过程中陷入局部最优的问题,提出了一种基于多路径搜索的A星联合正交匹配追踪算法。该算法首先将高光谱图像进行分块处理,针对每个高光谱图像子块,在选择端元的过程中,A星搜索将建立一棵通过节点表示光谱库中端元的搜索树,依据最佳优先原则,利用代价函数在搜索树的所有路径中选出最好的一条,并对该路径进行扩展。在搜索树的路径扩张过程中,使用了剪枝和路径替换等多个策略来降低计算的复杂度。待满足搜索截止条件后,算法停止迭代,并将代价最小路径上的端元作为该图像子块的端元集合。最后,将所有图像子块的端元支撑集合并作为完整图像的端元支撑集,并通过最小二乘法重构丰度图像。对A*SOMP算法分别进行了模拟图像实验和真实图像实验,实验结果表明,与参与对比的其它算法相比,本文提出的A*SOMP算法具有更高的解混精度。2.通过深入分析高光谱图像相邻像元之间的空间相关性,提出一种基于空间相关性约联合子空间追踪的高光谱图像解混方法。算法采用分块策略将高光谱图像分块处理。在每个图像子块的子空间追踪算法的端元选择步骤中,先通过初步测试选择合适的端元加入端元集合,再按照结合空间相关性约束的残差最小准则对已存在于端元集合中的端元进行再次检验,剔除其中的冗余端元,保证当次端元集合相对于当前高光谱图像残差是最优的。在丰度估计中将图像块的端元集合合并作为整幅图像的端元支撑集,通过求解非负性约束的最小二乘法获得重构的丰度图像。模拟图像和真实图像实验结果表明,与其它算法相比,本文算法提取的端元集合更加精确,具有更好的解混精度和抗噪性能。
【图文】：

混合问题,多光谱遥感,混合像元,成因

、农业普查等工作取得了良好的效益。部分企业开发的便携式高光别和医疗辅助诊断等领域也开始崭露头角[6]。此外，在战场目标侦事领域，高光谱成像技术的潜力也得到了高度重视。谱混合像元反射或发射的电磁波将被高光谱相机上的分光装置分解到成百上千电磁波的强度将会很低，受制于当前高光谱相机的光学和微电子器得较高的光谱分辨率的同时，其空间分辨率却相对较低[7]。例如，2载高光谱相机距离地面 700km，空间分辨率仅达到 50m，即图像中2m 的地面。由于高光谱相机有限的空间分辨率，高光谱相机的瞬时物，并且自然界地物分布复杂多样，部分地物的分布甚至呈现犬牙中存在的建筑，道路和绿化带等。因此，在真实环境中，纯净像元大气传输和高光谱相机本身存在的混合效应，所以高光谱相机接收物的光谱按照一定规则混合之后形成的复合光谱，这样的像元一般。

表示模型,稀疏解

同时稀疏度尽可能高的 x。多数情景下，光谱库中的端元数目要远远多于光谱的波段数，即如图1.7所示，矩阵A 的列数要大于行数，所以图 1.7 实际上表示了一个欠定方程组。所以，半监督解混问题的求解可以通过计算欠定方程组的稀疏解来完成，即稀疏解混。稀疏解混研究在近些年发展迅速，各种模型和算法层出不穷，这些将作为下一章的主要内容进行具体讲述。图 1.7 稀疏表示模型1.3 本文的研究内容和安排本文主要研究利用光谱库对混合像元进行稀疏解混的方法，研究对象是真实场景下普遍存在混合像元的高光谱图像。针对已有方法存在的不足之处，本文以提高混合像元分解的精度为目的，，以提升端元选择的准确性作为切入点，提出了两种新的稀疏解混方法。本文内容安排如下：第一章，绪论。首先介绍了高光谱遥感影像混合像元分解问题的研究背景和研究意义；然后介绍了线性和非线性光谱混合模型，并对目前基于线性光谱混合模型的各种光谱解混方法进行了分类与说明。第二章，首先说明了基于 SMV 和 MMV 的稀疏解混模型，将现有的主流稀疏解混算法分为凸优化类、贪婪类和稀疏贝叶斯学习类，并从中选取了具有代表性的算法分析了它们的原理、流程以及各自的优势与不足。最后明确了本文模拟图像解混实验和真实图像解混实验的解混性能评价指标。第三章，针对 SOMP 算法由于光谱库中的端元之间具有较强的相关性而在端元选择阶段可能落入局部最优陷阱的问题，本文提出了基于 A 星联合正交匹配追踪的解混算法。在端元选择迭代过程中，A 星搜索将依据最佳优先原则
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP301.6;TP751

【相似文献】