基于深度非负矩阵分解与聚类空间处理的高光谱解混研究
发布时间：2021-08-05 09:50
高光谱遥感影像含有丰富的光谱和空间信息,其图谱合一的特性使得高光谱影像能广泛应用于遥感反演、环境监测和目标探测等领域。由于高光谱影像空间分辨率的限制,像素通常存在大量的混合像元。近年来,非负矩阵分解由于简单有效的特点,已被广泛应用于混合像元分解。但传统的模型往往只有单层结构,不能充分挖掘深层特征,使解混效果受到制约。另一方面,空间预处理类算法虽然可通过考虑相邻像元间的空间关系和光谱相似性提升解混效果,但此类算法的时间效率依旧有待提高,算法结果易受异常值的干扰。针对以上问题,论文在深度非负矩阵结构的基础上,提出了一种基于全变差和重加权稀疏约束的深度非负矩阵分解方法,并且利用蜂窝聚类策略提出了一种新的空间预处理算法。主要研究内容如下:（1）使用深度非负矩阵分解模型代替传统单层模型,在预训练阶段进行逐层预训练,而在微调阶段减少分解误差。由于丰度矩阵是稀疏的,在深度非负矩阵分解模型中加入重加权稀疏正则化项,其权值根据丰度矩阵自适应更新。最后,引入全变差正则化项,以利用空间信息并提升丰度图的分段平滑性。论文采用梯度下降法推导出乘性迭代规则,利用模拟数据集、Cuprite数据集以及高分五号数据集进...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
技术研究路线图
2高光谱混合像元分解理论基础11图2-1高光谱混合像元分解步骤示意图Figure2-1Gramofthehyperspectralunmixingprocess2.2.1端元数目估计对于纯净像元的定义可能是主观的，因为其与所要研究的问题有关[1]。如果某一地物所占的面积很小，在研究中并不需要研究该地物，那么可将该端元忽略。而对于大面积地物，也需要结合实际需求进行研究，比如有两种植物，若研究的是场景中叶绿素的水平，那么可以不用区分两种植物，因为它们有相似的特征。而假设研究的是入侵植物的消除，此时便需要区分两种植物的端元。总而言之，端元数量可以根据研究的内容来定义，不是一成不变的，一切从实际出发，具体问题具体分析。在提取端元之前，端元数量一般是必须被事先指定的，但是在实际中，端元数量难以准确估计。目视解译是一种方法，此外，还有学者提出一些自动算法，最常用的方法有虚拟维度（VirtualDimensionality,VD）方法[95]和信号子空间识别（HyperspectralSignalidentificationbyminimumerror,Hysime）[96]。后者比前者多一个额外的特性：在估算之前先对噪声建模。2.2.2端元提取端元提取的结果同样直接影响后续丰度反演的精度。从几何学的角度分析，理想状态下，含有个波段的高光谱影像可以表示为由B维向量构成的一个高维特征空间，每个像元为特征空间上的一个数据点，所有像元点构成的最小凸集为一个（M-1）维的单形体[1]，M为端元数。假设有一幅包含三个端元的高光谱影像，其数据点将在二维空间中构成一个平面三角形。如图2-2所示，端元[,,]则是三角形的顶点（红色的点），三角形内部的点（绿点）则表示混合像元。
硕士学位论文12图2-2几何学方法的单形体图解[1]Figure2-2Illustrationofthesimplexsetofgeometricalbasedmethods[1]（1）内部最大体积算法（N-FINDR）N-FINDR[22]算法通过在数据中填充一个单形体来寻找尽可能大的像素集。该算法需要评估图像中的每个像素，使得由所选端元集定义的单形体的体积最大，首先随机选择一些像素作为初始的端元，用每个像素代替每一个端元来计算单形体的体积，若单形体的体积增加，则该像素将成为新的端元。重复该过程，直到没有端元出现变化。（2）正交子空间算法(OrthogonalSubspaceProjection,OSP)OSP算法[97]选择场景中像素向量长度最大的像元作为第一个端元，之后寻找与初始像素张成的空间的正交的且绝对投影值最大的像素，记为第二个端元。利用正交子空间投影，在空间中寻找与前两个端元线性张成的空间正交且具有最大正交投影值得像素作为第三个端元。重复该过程，直至找到所有的端元。（3）顶点成分分析算法（VCA）VCA算法[23]借鉴了OSP算法的概念，不同的是VCA假定端元是一个单形体的顶点，且一个单形体经过仿射变换后依旧是单形体，因此，VCA使用一个正锥体对数据建模，该锥体在选定的超平面上的投影是另一个以顶点为端元的单形体。在数据投影到超平面后，VCA将影像中的所有像素投影到一个随机方向，并将投影值最大的像素作为第一个端元。通过迭代，将数据投影到已确定的端元所张成的子空间的正交方向上，将投影的极值作为新的端元。重复该过程，直至找到所有的端元。2.2.3丰度估计在许多高光谱解混方法中，端元提取和反演步骤是同时进行的（如NMF类），本节主要介绍几种在提取出端元后再单独估计丰度的算法。其中最经典的算法为最小二乘算法，基本思想为通过计算误差平方和的最小值来估
【参考文献】：
期刊论文
[1]线性高光谱解混模型综述[J]. 袁静,章毓晋,高方平. 红外与毫米波学报. 2018(05)
[2]空间与谱间相关性分析的NMF高光谱解混[J]. 袁博. 遥感学报. 2018(02)
[3]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)
[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]混合像元分解技术及其进展[J]. 陈晋,马磊,陈学泓,饶玉晗. 遥感学报. 2016(05)
[6]高光谱图像稀疏信息处理综述与展望[J]. 张良培,李家艺. 遥感学报. 2016(05)
[7]基于高光谱的牛奶中真蛋白质含量反演[J]. 张倩倩,谭琨. 光谱学与光谱分析. 2015(12)
[8]高光谱遥感在精准农业生产中的应用[J]. 洪霞,江洪,余树全. 安徽农业科学. 2010(01)
[9]基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J]. 苏伟,李京,陈云浩,张锦水,胡德勇,刘翠敏. 遥感学报. 2007(04)
硕士论文
[1]基于空间相关性约束稀疏表示的高光谱图像解混方法研究[D]. 林雅文.南京航空航天大学 2014
本文编号：3323539
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
技术研究路线图
2高光谱混合像元分解理论基础11图2-1高光谱混合像元分解步骤示意图Figure2-1Gramofthehyperspectralunmixingprocess2.2.1端元数目估计对于纯净像元的定义可能是主观的，因为其与所要研究的问题有关[1]。如果某一地物所占的面积很小，在研究中并不需要研究该地物，那么可将该端元忽略。而对于大面积地物，也需要结合实际需求进行研究，比如有两种植物，若研究的是场景中叶绿素的水平，那么可以不用区分两种植物，因为它们有相似的特征。而假设研究的是入侵植物的消除，此时便需要区分两种植物的端元。总而言之，端元数量可以根据研究的内容来定义，不是一成不变的，一切从实际出发，具体问题具体分析。在提取端元之前，端元数量一般是必须被事先指定的，但是在实际中，端元数量难以准确估计。目视解译是一种方法，此外，还有学者提出一些自动算法，最常用的方法有虚拟维度（VirtualDimensionality,VD）方法[95]和信号子空间识别（HyperspectralSignalidentificationbyminimumerror,Hysime）[96]。后者比前者多一个额外的特性：在估算之前先对噪声建模。2.2.2端元提取端元提取的结果同样直接影响后续丰度反演的精度。从几何学的角度分析，理想状态下，含有个波段的高光谱影像可以表示为由B维向量构成的一个高维特征空间，每个像元为特征空间上的一个数据点，所有像元点构成的最小凸集为一个（M-1）维的单形体[1]，M为端元数。假设有一幅包含三个端元的高光谱影像，其数据点将在二维空间中构成一个平面三角形。如图2-2所示，端元[,,]则是三角形的顶点（红色的点），三角形内部的点（绿点）则表示混合像元。
硕士学位论文12图2-2几何学方法的单形体图解[1]Figure2-2Illustrationofthesimplexsetofgeometricalbasedmethods[1]（1）内部最大体积算法（N-FINDR）N-FINDR[22]算法通过在数据中填充一个单形体来寻找尽可能大的像素集。该算法需要评估图像中的每个像素，使得由所选端元集定义的单形体的体积最大，首先随机选择一些像素作为初始的端元，用每个像素代替每一个端元来计算单形体的体积，若单形体的体积增加，则该像素将成为新的端元。重复该过程，直到没有端元出现变化。（2）正交子空间算法(OrthogonalSubspaceProjection,OSP)OSP算法[97]选择场景中像素向量长度最大的像元作为第一个端元，之后寻找与初始像素张成的空间的正交的且绝对投影值最大的像素，记为第二个端元。利用正交子空间投影，在空间中寻找与前两个端元线性张成的空间正交且具有最大正交投影值得像素作为第三个端元。重复该过程，直至找到所有的端元。（3）顶点成分分析算法（VCA）VCA算法[23]借鉴了OSP算法的概念，不同的是VCA假定端元是一个单形体的顶点，且一个单形体经过仿射变换后依旧是单形体，因此，VCA使用一个正锥体对数据建模，该锥体在选定的超平面上的投影是另一个以顶点为端元的单形体。在数据投影到超平面后，VCA将影像中的所有像素投影到一个随机方向，并将投影值最大的像素作为第一个端元。通过迭代，将数据投影到已确定的端元所张成的子空间的正交方向上，将投影的极值作为新的端元。重复该过程，直至找到所有的端元。2.2.3丰度估计在许多高光谱解混方法中，端元提取和反演步骤是同时进行的（如NMF类），本节主要介绍几种在提取出端元后再单独估计丰度的算法。其中最经典的算法为最小二乘算法，基本思想为通过计算误差平方和的最小值来估
【参考文献】：
期刊论文
[1]线性高光谱解混模型综述[J]. 袁静,章毓晋,高方平. 红外与毫米波学报. 2018(05)
[2]空间与谱间相关性分析的NMF高光谱解混[J]. 袁博. 遥感学报. 2018(02)
[3]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)
[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]混合像元分解技术及其进展[J]. 陈晋,马磊,陈学泓,饶玉晗. 遥感学报. 2016(05)
[6]高光谱图像稀疏信息处理综述与展望[J]. 张良培,李家艺. 遥感学报. 2016(05)
[7]基于高光谱的牛奶中真蛋白质含量反演[J]. 张倩倩,谭琨. 光谱学与光谱分析. 2015(12)
[8]高光谱遥感在精准农业生产中的应用[J]. 洪霞,江洪,余树全. 安徽农业科学. 2010(01)
[9]基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J]. 苏伟,李京,陈云浩,张锦水,胡德勇,刘翠敏. 遥感学报. 2007(04)
硕士论文
[1]基于空间相关性约束稀疏表示的高光谱图像解混方法研究[D]. 林雅文.南京航空航天大学 2014
本文编号：3323539
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3323539.html
