融合空间光谱信息的高光谱遥感图像解混算法研究
发布时间：2020-12-18 22:54
在高光谱图像（hyperspectral image,HSI）处理领域中,空间信息越来越成为一个重要的补充信息,因为它考虑了图像像素的空间相关性,这通常涉及结合光谱信息用于图像的预处理和（或）端元提取。端元提取算法（endmember extraction algorithms,EEAs）是近三十年来最常被讨论的高光谱图像处理方法之一。大多数基于光谱的端元提取算法利用了光谱域中数据结构的凸性,但忽视了端元的空间属性。另一方面,基于空间光谱的端元提取算法侧重于讨论像素间的空间相关性和光谱特征的组合以识别端元,但这需要严格的参数手动调整过程以优化端元提取性能,同时要付出计算负担。预处理算法（preprocessing algorithms,PPAs）是高光谱图像端元提取领域的一个重要研究方向,它是一个独立执行的模块,通过联合考虑图像空间上下文和光谱特征,在端元提取之前提供相对较少的高质量像素用于快速端元提取。但是,大多数的预处理算法使用了较为耗时的聚类算法如K-means、模糊C-means和滑动窗口等去获取空间信息。此外,这类算法依赖于参数或者阈值来获得较好的端元候选,需要根据数据质量,...
【文章来源】：北方民族大学宁夏回族自治区
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
高光谱解混算法的典型分类图
北方民族大学2020届硕士学位论文第一章绪论超像素中的像素，SGPP随后捕获它们的空间紧密度和光谱纯度。SGPP最终保留每个超像素中具有较高空间紧度和光谱纯度指数的少量高质量像素用于后续端元提龋2.论文提出了一种基于空间加权单纯形的高光谱端元提取策略(spatiallyweightedsimplexstrategy,SWSS)，研究了一种新的用于识别端元的空间信息嵌入单纯形的集成框架。具体地说，SWSS通过确定像素对应的空间邻域相关性来生成每个像素的空间权重标量，以便在单纯形框架内对其自身进行加权以正则端元的选择。SWSS可以在传统的基于单纯形的端元提取算法中实现，如VCA算法，能在不增加计算复杂度或端元提取精度损失的情况下，将空间信息引入到数据单纯形框架中。3.论文提出了一种空间能量先验约束最大单纯形体积方法(spatialenergypriorconstrainedmaxi-mumsimplexvolume，SENMAV)，称为SENMAV，用于高光谱图像端元提龋提出的SENMAV方法从马尔可夫随机场(markovrandomfield,MRF)的空间能量先验角度研究空间信息。利用空间能量先验作为传统的最大体积单纯形模型的正则化项，同时在空间和光谱角度约束端元的选择。提出的SENMAV算法很好地平衡了端元提取精度与端元空间属性要求之间的权衡。为了更好的说明本学位论文所提出的三种算法的内在联系，图1-3描述了三种算法所涉及的内在算法设计策略。图1-3本文所提出的三种算法的内在联系1.3.2章节安排论文的主要章节安排如下：-7-
北方民族大学2020届硕士学位论文第二章高光谱解混理论研究基础2.在适当的数据集条件下，LMM能产生适定性逆问题;3.在LMM假设下，高光谱解混可以建模为盲源分离问题或非负矩阵分解问题，而这些问题已经在许多信号处理领域得到了广泛的研究。(a)线性混合模型(b)非线性混合模型(多层型混合)(c)非线性混合模型(紧密型混合)图2-1线性混合与非线性混合的典型模型2.2端元数目估计算法对于给定的一幅高光谱图像而言，通常缺少所观测地物数目的先验知识，因此对端元数目的正确估计是高光谱解混的重要前提步骤。本小节将会介绍两种典型的端元数目估计算法，第一种为虚拟维度(VirturalDimensionality,VD)估计方法[53]，第二种为基于最小误差的高光谱信号识别方法(Hyper-spectralSignalIdentificationbyMinimumError,HySime)[55]。2.2.1虚拟维度由Harsanyi,Farrand,和Chang等人于2004年提出了Neyman-Pearson(NP)检测理论的阈值化方法,称为Harsanyi-Farrand-Chang方法，简称HFC，来确定高光谱数据中端元数目，即虚拟维度。算法过程如下:1.获取图像数据的自相关矩阵RB×B=∑ni=1yiyTi和协方差矩阵KB×B=∑ni=1(yiμ)(yiμ)T以及两个矩阵相对应的特征值集λ1>λ2>···>λB和ˇλ1>ˇλ2>···>ˇλB。基于一个事实，即数据信号源对于相关性矩阵RB×B贡献了数据均值，而协方差矩阵KB×B移除了数据均值。因此对于某一光谱维度l(1<l<B)，其应该满足λl>ˇλl。2.假设信号源是非随机未知的正常数，噪声为零均值高斯白噪声，有：λl>ˇλll=1,...,VDλl=ˇλll=VD+1,...,B(2.2)-10-
【参考文献】：
期刊论文
[1]空谱联合的高光谱遥感图像稀疏解混综述与展望[J]. 张绍泉,李军,邓承志,汪胜前. 南昌工程学院学报. 2018(06)
[2]高光谱遥感影像混合像元分解研究进展[J]. 蓝金辉,邹金霖,郝彦爽,曾溢良,张玉珍,董铭巍. 遥感学报. 2018(01)
[3]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福. 遥感学报. 2016(05)
[4]高光谱图像处理与信息提取前沿[J]. 张兵. 遥感学报. 2016(05)
[5]高光谱遥感技术的发展与应用[J]. 杨哲海,韩建峰,宫大鹏,李之歆. 海洋测绘. 2003(06)
本文编号：2924746
【文章来源】：北方民族大学宁夏回族自治区
【文章页数】：95 页
【学位级别】：硕士
【部分图文】：
高光谱解混算法的典型分类图
北方民族大学2020届硕士学位论文第一章绪论超像素中的像素，SGPP随后捕获它们的空间紧密度和光谱纯度。SGPP最终保留每个超像素中具有较高空间紧度和光谱纯度指数的少量高质量像素用于后续端元提龋2.论文提出了一种基于空间加权单纯形的高光谱端元提取策略(spatiallyweightedsimplexstrategy,SWSS)，研究了一种新的用于识别端元的空间信息嵌入单纯形的集成框架。具体地说，SWSS通过确定像素对应的空间邻域相关性来生成每个像素的空间权重标量，以便在单纯形框架内对其自身进行加权以正则端元的选择。SWSS可以在传统的基于单纯形的端元提取算法中实现，如VCA算法，能在不增加计算复杂度或端元提取精度损失的情况下，将空间信息引入到数据单纯形框架中。3.论文提出了一种空间能量先验约束最大单纯形体积方法(spatialenergypriorconstrainedmaxi-mumsimplexvolume，SENMAV)，称为SENMAV，用于高光谱图像端元提龋提出的SENMAV方法从马尔可夫随机场(markovrandomfield,MRF)的空间能量先验角度研究空间信息。利用空间能量先验作为传统的最大体积单纯形模型的正则化项，同时在空间和光谱角度约束端元的选择。提出的SENMAV算法很好地平衡了端元提取精度与端元空间属性要求之间的权衡。为了更好的说明本学位论文所提出的三种算法的内在联系，图1-3描述了三种算法所涉及的内在算法设计策略。图1-3本文所提出的三种算法的内在联系1.3.2章节安排论文的主要章节安排如下：-7-
北方民族大学2020届硕士学位论文第二章高光谱解混理论研究基础2.在适当的数据集条件下，LMM能产生适定性逆问题;3.在LMM假设下，高光谱解混可以建模为盲源分离问题或非负矩阵分解问题，而这些问题已经在许多信号处理领域得到了广泛的研究。(a)线性混合模型(b)非线性混合模型(多层型混合)(c)非线性混合模型(紧密型混合)图2-1线性混合与非线性混合的典型模型2.2端元数目估计算法对于给定的一幅高光谱图像而言，通常缺少所观测地物数目的先验知识，因此对端元数目的正确估计是高光谱解混的重要前提步骤。本小节将会介绍两种典型的端元数目估计算法，第一种为虚拟维度(VirturalDimensionality,VD)估计方法[53]，第二种为基于最小误差的高光谱信号识别方法(Hyper-spectralSignalIdentificationbyMinimumError,HySime)[55]。2.2.1虚拟维度由Harsanyi,Farrand,和Chang等人于2004年提出了Neyman-Pearson(NP)检测理论的阈值化方法,称为Harsanyi-Farrand-Chang方法，简称HFC，来确定高光谱数据中端元数目，即虚拟维度。算法过程如下:1.获取图像数据的自相关矩阵RB×B=∑ni=1yiyTi和协方差矩阵KB×B=∑ni=1(yiμ)(yiμ)T以及两个矩阵相对应的特征值集λ1>λ2>···>λB和ˇλ1>ˇλ2>···>ˇλB。基于一个事实，即数据信号源对于相关性矩阵RB×B贡献了数据均值，而协方差矩阵KB×B移除了数据均值。因此对于某一光谱维度l(1<l<B)，其应该满足λl>ˇλl。2.假设信号源是非随机未知的正常数，噪声为零均值高斯白噪声，有：λl>ˇλll=1,...,VDλl=ˇλll=VD+1,...,B(2.2)-10-
【参考文献】：
期刊论文
[1]空谱联合的高光谱遥感图像稀疏解混综述与展望[J]. 张绍泉,李军,邓承志,汪胜前. 南昌工程学院学报. 2018(06)
[2]高光谱遥感影像混合像元分解研究进展[J]. 蓝金辉,邹金霖,郝彦爽,曾溢良,张玉珍,董铭巍. 遥感学报. 2018(01)
[3]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福. 遥感学报. 2016(05)
[4]高光谱图像处理与信息提取前沿[J]. 张兵. 遥感学报. 2016(05)
[5]高光谱遥感技术的发展与应用[J]. 杨哲海,韩建峰,宫大鹏,李之歆. 海洋测绘. 2003(06)
本文编号：2924746
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2924746.html
