基于非负矩阵分解的高光谱图像混合像元分解方法研究

发布时间：2017-07-01 04:19

  本文关键词：基于非负矩阵分解的高光谱图像混合像元分解方法研究，由笔耕文化传播整理发布。

【摘要】：与传统图像相比,高光谱图像拥有几十甚至几百个波段,这些波段提供了丰富的地物光谱信息。然而由于高光谱成像仪空间分辨率的限制,在实际的高光谱遥感图像中,一个像元对应的实际地物可能是若干种物质的混合,即构成了“混合像元”。混合像元分解的目的是把“混合像元”分解成各种物质的光谱向量(端元)和它们对应所占的比例(丰度)。混合像元分解能够获取亚像元信息,为高光谱图像后续的分析与处理提供了基础。非负矩阵分解(Nonnegative Matrix Factorization, NMF)把一个非负矩阵分解成另外两个非负矩阵的乘积,其分解模型和高光谱图像混合像元的分解模型相似,可以用来解决高光谱混合像元分解问题。本文利用高光谱图像的物理以及地理特性,在非负矩阵分解模型的基础上,增加了有效的正则约束项,并优化了求解方法。本文的主要工作如下：1.针对随机初始化端元和丰度矩阵时迭代求解速度慢,且结果易陷入局部极小等问题,我们采用了VCA-FCLS算法作为端元和丰度的初始化方法。VCA算法虽然只有在纯像元存在时才能够提取出端元,但使用该算法的结果可以有一个较优的初始值,从而可以加快收敛速度并使结果避免陷入局部极小值。2.针对传统非负矩阵分解算法依赖迭代初始值和对噪声的鲁棒性能差等问题,我们提出了基于稀疏和最小体积约束的非负矩阵分解(SMVCNMF)的混合像元分解算法。该方法利用了高光谱遥感图像丰度的稀疏性和端元所构成的单形体的体积特性,将丰度的稀疏性和端元所构成单形体体积的最小化约束作为正则项加入到非负矩阵分解目标函数中。实验结果表明,所提出的方法能够避免陷入局部最小值,同时具有良好的收敛性和鲁棒性。3.针对常规约束非负矩阵分解算法未能有效利用光谱空间信息等问题,我们提出了改进的基于光谱空间信息约束的非负矩阵分解(ASSNMF)算法。该方法充分挖掘了光谱的空间信息,将光谱空间信息加入了到非负矩阵分解中来,并且优化了目标函数中的稀疏约束项。实验结果表明,改进后的方法有效地提高了混合像元分解的精度,同时也加快了算法的收敛速度。
【关键词】：高光谱混合像元分解 非负矩阵分解 稀疏约束 最小体积约束 光谱空间信息
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP751
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-22
• 1.1 本课题的研究背景及意义10-14
• 1.2 高光谱图像混合像元分解的研究现状14-20
• 1.2.1 光谱混合模型14-15
• 1.2.2 端元个数的确定15-17
• 1.2.3 现有混合像元分解的方法17-20
• 1.3 本文主要研究内容以及结构安排20-22
• 第2章 非负矩阵分解与高光谱图像混合像元分解22-28
• 2.1 引言22
• 2.2 非负矩阵分解(NMF)简介22-24
• 2.2.1 目标函数22-23
• 2.2.2 迭代求解方法23-24
• 2.2.3 停止准则24
• 2.3 非负矩阵分解在混合像元分解上的应用24-27
• 2.3.1 L1/2稀疏性约束非负矩阵分解(L1/2NMF)24-26
• 2.3.2 端元相异性约束非负矩阵分解(EDCNMF)26-27
• 2.4 本章小结27-28
• 第3章 基于稀疏和最小体积约束非负矩阵分解的高光谱图像混合像元分解28-43
• 3.1 引言28-29
• 3.2 基于最小体积约束的非负矩阵分解(MVCNMF)29-31
• 3.2.1 光谱图像混合像元分解的几何解析29-30
• 3.2.2 最小体积约束的非负矩阵分解30-31
• 3.3 基于稀疏和最小体积约束的非负矩阵分解(SMVCNMF)31-33
• 3.4 实验分析33-41
• 3.4.1 评价指标33-34
• 3.4.2 模拟数据实验34-39
• 3.4.3 真实高光谱图像数据实验39-41
• 3.5 本章小结41-43
• 第4章 改进的光谱空间信息约束非负矩阵分解的混合像元分解算法43-56
• 4.1 引言43-44
• 4.2 基于光谱空间信息的非负矩阵分解算法44-45
• 4.2.1 基于图论的非负矩阵分解算法44-45
• 4.2.2 基于图论稀疏约束的非负矩阵分解算法45
• 4.3 改进的基于光谱空间信息的非负矩阵分解算法45-48
• 4.4 实验分析48-55
• 4.4.1 模拟数据实验48-54
• 4.4.2 真实高光谱图像数据实验54-55
• 4.5 本章小结55-56
• 第5章 总结与展望56-58
• 参考文献58-63
• 致谢63-64
• 附录A 攻读学位期间所发表的学术论文目录64

【相似文献】

中国期刊全文数据库 前10条

1 于彬;;基于局部非负矩阵分解的人脸识别[J];科学技术与工程;2010年33期

2 高燕燕;;非负矩阵分解及其应用探讨[J];硅谷;2011年23期

3 程明松;刘勺连;;一种实用快速非负矩阵分解算法[J];大连理工大学学报;2013年01期

4 卢进军,杨杰,梁栋,常宇畴;基于非负矩阵分解的相关反馈图像检索算法[J];上海交通大学学报;2005年04期

5 吕亚丽;赵辽英;;基于约束非负矩阵分解的混合象元分解新方法[J];杭州电子科技大学学报;2009年04期

6 陈鹰;郭睿;;非负矩阵分解在遥感图像融合中的应用[J];计算机工程与应用;2007年20期

7 张凤斌;杨辉;;非负矩阵分解在入侵检测中的应用[J];哈尔滨理工大学学报;2008年02期

8 李兵;米双山;刘鹏远;刘东升;张培林;;二维非负矩阵分解在齿轮故障诊断中的应用[J];振动.测试与诊断;2012年05期

9 李兵;徐榕;贾春宁;郭清晨;;基于自适应形态提升小波与改进非负矩阵分解的发动机故障诊断方法[J];兵工学报;2013年03期

10 钱诚;徐舒畅;张三元;;采用增量型非负矩阵分解建模的目标跟踪算法[J];计算机辅助设计与图形学学报;2010年06期

中国重要会议论文全文数据库 前10条

1 孙江明;李通化;;非平滑三维非负矩阵分解[A];第九届全国计算（机）化学学术会议论文摘要集[C];2007年

2 蒋永锴;叶东毅;;基于稀疏非负矩阵分解的自动多文摘方法[A];中国计算机语言学研究前沿进展（2007-2009）[C];2009年

3 马帅;吴飞;杨易;邵健;;基于稀疏非负矩阵分解的图像检索[A];第七届和谐人机环境联合学术会议（HHME2011)论文集【oral】[C];2011年

4 徐利民;龚珊;余再军;;奇异值分解与非负矩阵分解色在数据降维方面的特性分析[A];2010年通信理论与信号处理学术年会论文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非负矩阵分解和支持向量机的轴心轨迹图识别[A];2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集[C];2008年

6 蒋霈霖;;KL散度下的非负矩阵分解[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年

7 杨宝;朱启兵;黄敏;;基于非负矩阵分解一稀疏表示分类的玻璃缺陷图像识别[A];第24届中国控制与决策会议论文集[C];2012年

8 钱乐乐;高隽;徐小红;;非负性约束的图像稀疏编码[A];第七届全国信息获取与处理学术会议论文集[C];2009年

9 朱昊;黄源水;付梦印;;基于NMF的道路识别算法在野外环境感知中的应用[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

10 郑能恒;蔡毅;李霞;Tan Lee;;基于非负矩阵分解和向量相似测度的语音与音乐分离算法[A];第十一届全国人机语音通讯学术会议论文集（一）[C];2011年

中国博士学位论文全文数据库 前9条

1 杨士准;基于样本和特征的迁移学习方法及应用[D];国防科学技术大学;2013年

2 叶军;基于正则化方法的非负矩阵分解算法及其应用研究[D];南京理工大学;2014年

3 陆玉武;图像分类中流形回归与非负矩阵分解研究[D];哈尔滨工业大学;2015年

4 胡俐蕊;非负矩阵分解方法及其在选票图像识别中的应用[D];安徽大学;2013年

5 殷海青;图像分析中的非负矩阵分解理论及其最优化和正则化方法研究[D];西安电子科技大学;2011年

6 杨洪礼;非负矩阵与张量分解及其应用[D];山东科技大学;2011年

7 史加荣;多尺度张量逼近及应用[D];西安电子科技大学;2012年

8 方蔚涛;人脸识别特征抽取算法的研究[D];重庆大学;2012年

9 刘昱昊;基于非负矩阵分解算法的人脸识别技术的研究[D];吉林大学;2014年

中国硕士学位论文全文数据库 前10条

1 谢昊;非负矩阵分解初始化及其应用[D];暨南大学;2015年

2 王一;凸与半非负矩阵分解的近点梯度方法研究[D];东北师范大学;2015年

3 项磊;基于乳腺癌计算机辅助诊断的病理图像分析[D];南京信息工程大学;2015年

4 王丹;基于非负矩阵分解的脑电信号特征提取算法研究[D];燕山大学;2015年

5 李敏;多图正则化非负矩阵分解[D];辽宁师范大学;2015年

6 高钛;基于近似稀疏约束非负矩阵分解的高光谱图像混合像元分解[D];江西科技师范大学;2015年

7 张倩敏;非负矩阵分解算法及在语音转换中的应用[D];安徽大学;2016年

8 沈鹏飞;基于社会网络用户差异度预测不信任关系[D];吉林大学;2016年

9 吐尔逊江·托合提;面向肿瘤亚型识别的基因表达谱非负矩阵分解聚类方法研究[D];北京交通大学;2016年

10 郑灿梁;基于机械图像的状态自动识别方法研究[D];西安工业大学;2016年

  本文关键词：基于非负矩阵分解的高光谱图像混合像元分解方法研究，由笔耕文化传播整理发布。

，

本文编号：504565