基于深度学习和结构化矩阵分解的高光谱图像解混研究

发布时间：2024-01-23 20:47

　　随着光谱成像技术和光谱分析技术的发展,高光谱图像的应用越来越广泛。从传统遥感领域的矿物勘探到食品安全领域的果蔬农药残留检测,高光谱图像正逐渐走进人们的生活,不再“遥”感。高光谱图像蕴藏了丰富的数据信息,既承载了空间影像特征,又承载了光谱域信息。高光谱图像在光谱维度上进行了更为细致的划分,具有很高的光谱分辨率,这也正是它的优势所在。然而,受制于器件性能和其它环境因素,高光谱图像中普遍存在着混合像元。混合像元严重制约了高光谱图像从定性化描述向定量化分析方向的发展。因此,对高光谱图像的混合像元解混就显得十分迫切和必要。深度学习虽然并不是一类新生的技术,但在如今的大数据时代和具有强大计算能力的计算设备作支撑的条件下,深度学习开始逐渐展现出巨大的潜力和优势。从图像识别到语音处理再到智能机器人,深度学习无处不彰显着它强大的学习能力和特征提取能力。基于这样的机遇和挑战,本文主要开展了深度学习在高光谱图像解混中的研究,同时也兼顾了一些统计学方法在高光谱图像解混中的应用。本文所做的工作主要有:1.设计了一个基于全连接神经网络的端元提取网络。在全连接神经网络结构的基础上,通过增加一些具有明确意义的功能层(...

【文章页数】：80 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
        1.1.1 高光谱图像简介及混合像元问题
        1.1.2 深度学习简介及其发展历程
        1.1.3 深度学习的优势
    1.2 国内外研究现状
        1.2.1 高光谱解混方法的研究现状
        1.2.2 深度学习的研究现状
    1.3 论文的结构安排
第二章 高光谱图像解混的基本理论
    2.1 光谱混合模型
        2.1.1 线性混合模型
        2.1.2 非线性混合模型
    2.2 高光谱图像解混的处理流程
    2.3 高光谱图像解混算法的性能评价指标
    2.4 本章小结
第三章 基于全连接神经网络的端元提取网络
    3.1 引言
    3.2 M-P神经元模型简介
    3.3 全连接神经网络简介
    3.4 基于全连接神经网络的端元提取网络
        3.4.1 网络结构分析
        3.4.2 网络复杂度分析
    3.5 实验验证与结果分析
    3.6 本章小结
第四章 基于模型驱动的深度学习网络CLSUnSAL-Net
    4.1 引言
    4.2 Deep Unfolding方法介绍
    4.3 CLSUnSAL算法简介
    4.4 CLSUnSAL-Net介绍
        4.4.1 网络结构分析
        4.4.2 网络复杂度分析
    4.5 实验验证与结果分析
        4.5.1 在仿真数据集上的实验结果
        4.5.2 在Jasper Ridge数据集上的结果
    4.6 本章小结
第五章 基于MISSO优化采样的最大似然结构化矩阵分解算法
    5.1 引言
    5.2 相关数学知识介绍
    5.3 高光谱图像解混中的结构化矩阵分解问题
    5.4 利用随机最大似然求解SMF问题
    5.5 结合MISSO的随机最大似然算法
    5.6 实验验证与结果分析
        5.6.1 在仿真数据集上的实验结果
        5.6.2 在Jasper Ridge数据集上的结果
    5.7 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的研究成果



本文编号：3883336