基于仿生智能优化的高光谱图像解混算法研究

发布时间：2021-11-09 09:40

　　高光谱图像解混是高光谱图像处理领域的重要研究方向,高光谱图像中包含了不同地物的地理分布信息及光谱信息,如何从高光谱图像中获取不同地物的端元光谱和丰度图成为高光谱图像的研究热点。本论文通过阅读大量的国内外文献资料,一方面分析了仿生智能优化算法的工作原理,并对仿生智能优化算法中的回溯搜索算法进行了改进,使其拥有更好的优化性能;一方面总结了不同的高光谱图像解混算法,并分析了不同解混算法的优缺点,本文从算法易于实现的角度出发,提出了一种基于仿生智能优化的高光谱图像解混算法。本论文从高光谱图像解混的研究背景及意义出发,介绍了高光谱图像的典型混合模型,总结了不同的高光谱图像解混算法,简单的对仿生智能优化算法进行了介绍,并详细的分析了回溯搜索算法的工作原理。本论文的主要工作如下:（1）对回溯搜索算法进行了改进,提出了基于种群控制因子和最优学习策略的回溯搜索算法。回溯搜索算法具有良好的全局搜索性能,但依然存在着前期收敛速度慢和后期收敛精度低的缺点。为此,本论文首先通过添加种群控制因子来控制种群的搜索方向,以此来加快算法的收敛速度和提高算法跳出局部最优的能力;其次提出了基于最优个体的学习方程,劣势群体将... 

【文章来源】：河北工业大学天津市 211工程院校

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

高光谱图像

基于仿生智能优化的高光谱图像解混算法研究2图1.2混合像元高光谱图像中混合像元的存在严重影响了我们对地物的分类，如何从已知的高光谱遥感数据中获取不同地物的地面分布情况以及不同地物的光谱曲线，这个过程就是高光谱图像解混[3]。高光谱图像解混主要包括以下两个研究方面：（1）从混合像元中提取到不同地物的光谱曲线，即端元；（2）求解出不同地物在混合像元中所占的比例，即丰度。图1.3给出了高光谱图像解混的基本框图。图1.3高光谱图像解混基本框图高光谱图像解混作为高光谱图像处理领域的热门研究方向，成熟的解混算法不仅可以获取不同地物的光谱曲线，而且还可以得到不同地物在特定区域的地面分布情况，从而更好的了解地物的组成与分布。成熟的解混技术会促使我国农业生产、环境监测、军事竞赛、地质勘测等行业的发展，因此实现高光谱图像的精确解混具有重大的现实意义。1.2高光谱图像解混的研究现状高光谱图像解混包括端元的提取和丰度的求解，解混算法可以分为线性解混算法水植被岩石++波段反射率混合像元光谱组成

HYDICE三维立体彩色图

【参考文献】：
期刊论文
[1]基于去噪降维和蝙蝠优化的高光谱图像盲解混算法[J]. 贾志成,薛允艳,陈雷,郭艳菊,许浩达.  光子学报. 2016(05)
[2]基于改进回溯搜索优化算法的应急资源调度[J]. 陈曦,刘三阳,王岩.  计算机应用与软件. 2015(12)
[3]基于回溯搜索算法的决策粗糙集属性约简[J]. 张智磊,刘三阳.  计算机工程与应用. 2016(10)
[4]基于差分进化的回溯搜索优化算法研究与改进[J]. 田文凯,刘三阳,王晓娟.  计算机应用研究. 2015(06)
[5]具有广泛学习策略的回溯搜索优化算法[J]. 李牧东,赵辉,翁兴伟.  系统工程与电子技术. 2015(04)
[6]带高效变异尺度系数和贪婪交叉策略的回溯搜索优化算法[J]. 王晓娟,刘三阳,田文凯.  计算机应用. 2014(09)
[7]基于时间可预测性的差分搜索盲信号分离算法[J]. 陈雷,张立毅,郭艳菊,黄勇,梁静毅.  通信学报. 2014(06)
[8]基于流形学习和空间信息的改进N-FINDR端元提取算法[J]. 唐晓燕,高昆,倪国强,朱振宇,程颢波.  光谱学与光谱分析. 2013(09)
[9]人工蜂群算法在图像分割中的应用研究[J]. 梁建慧,马苗.  计算机工程与应用. 2012(08)
[10]非监督的高光谱混合像元非线性分解方法[J]. 厉小润,伍小明,赵辽英.  浙江大学学报(工学版). 2011(04)



本文编号：3485087