高光谱遥感混合光谱模拟与分解方法研究

发布时间：2019-06-13 13:04

【摘要】：由于地物目标的复杂多样性及传感器的空间分辨率限制等因素,混合像元普遍存在于遥感数据中,从而影响遥感数据对地物特征分析及信息提取的精度。混合像元分解是解决混合像元问题最直接有效的方法,可依据其物理或统计特征建立光谱模型,模拟混合像元形成过程,突破遥感影像空间分辨率的限制,实现对混合像元端元光谱及其丰度信息的提取,提高地物真实属性分析及高光谱影像分类的精度。从混合光谱的形成及分解过程上,光谱模型分为光谱混合模型和光谱分解模型。光谱混合模型描述的是光线照射到端元物质上,经过折射、反射等到达传感器,形成混合像元光谱反射率,是正演过程;而光谱分解模型大多以光谱混合模型为基础,通过已建立模型的反演,求解各种参数。因此,两种模型之间相互联系,密不可分。从光谱混合机理上,光谱模型分为线性光谱混合模型和非线性光谱混合模型两种。线性光谱模型具有模型简单、物理意义明确等特点,通过简化光线传输过程,以线性混合机理来假设混合像元形成过程,可实现端元光谱及其丰度分布信息的提取。非线性光谱模型通过对光线传输过程的精确模拟,考虑混合像元形成过程中的各种综合因素,能够达到对混合像元中端元及相关信息的精确提取。本文在分析高光谱数据端元光谱特征及空间分布规律的基础上,提出了不同的光谱混合模型及混合像元分解方法。考虑端元组分的空间位置对混合光谱的影响,计算探测区域内不同位置点在混合光谱中所占的权重系数大小,根据不同位置权重系数变化规律,提出等距离/等面积光谱混合模型。为验证模型的精度,以ASD光谱仪及二向性反射平台为基础,固定探测区域大小与几何观测条件,设计实验测量端元不同位置情况下方解石与叶片混合光谱,即规则叶片与无规则叶片分别与方解石的混合光谱。分析实测混合光谱的变化规律发现,端元物质距离探测区域中心位置越近,其在混合光谱反射率中的权重系数越大。等距离/等面积划分探测区域,探测方解石覆盖不同区域时与黑色背景的混合光谱,计算等距离/等面积模型参数,模拟混合光谱。经过比较发现,等距离/等面积模型考虑了空间位置对混合光谱的影响,相比于其它模型能得到较精确的结果,提高了混合光谱模拟精度,为测量地物混合光谱提ii供了合适的方法及理论基础,也为消除地形起伏对遥感数据的应用限制提供了新的思路。不同的地物在不同的波长有着不同的反射特征。通过分析光谱反射率在不同波长的特征变化,可对地物进行识别和分析。方解石的吸收特征波段在2300nm附近,表现为此波段的吸收谷。而绿色植被在此波段为一个反射峰,当覆盖方解石上的绿色叶片面积增加时,其光谱的吸收特征会被减弱。为消除叶片透射对混合光谱信息提取精度的影响,考虑叶片透射的影响,以叶片透射的反射率来代替叶片透射率加入线性模型进行改进,提出了改进的光谱混合模型。设计无透射扇形叶片与有透射扇形叶片分别与方解石混合的光谱测量实验,模拟混合光谱与实测光谱对比分析来验证模型适用性。分析不同叶片覆盖面积下,方解石在特征吸收波长的光谱吸收特征的变化规律。以usgs波谱库中方解石光谱为端元光谱,与不同面积比例的绿色叶片光谱模拟混合光谱,求解方解石吸收特征变化规律,并应用于hyperion高光谱数据进行碳酸盐类矿物含量反演。通过地质图及采样点验证结果表明,光谱吸收特征变化规律可达到对矿物含量反演的要求,为混合像元分解及端元含量分布特征的反演提供了新的方法。盲源分离算法是在端元光谱及其丰度信息未知的情况下,对混合信号达到分解目的的方法。NMF(nonnegativematrixfactorization)算法是盲源分离算法中应用较为广泛的方法之一。其以线性混合光谱模型为基础,以高光谱数据的非负特性为限制条件,通过迭代运算使混合光谱矩阵分解为两个非负矩阵之积,即端元光谱矩阵和端元丰度矩阵的乘积。由于算法的非凸性,导致分解结果不唯一。为解决这一问题并提高算法的分解精度及分解效率,我们提出了有约束分层的NMF算法(constrainedmultilayerNMF,cmlNMF)。cmlNMF算法以最小体积约束来约束光谱矩阵,以稀疏性约束来限制丰度矩阵,并对丰度矩阵进行分层处理,增加丰度分布的稀疏性,使算法更有意义的同时提高算法分解的精度。对模拟数据及实测数据分解的结果与其它NMF算法对比分析发现,cmlNMF算法分解误差较低,且效率相对较高。ICA(Independentcomponentanalysis)算法是盲源分离中应用的较为广泛的另一种方法。ICA算法假设信号源之间相互统计上独立。其目的就是通过迭代分解矩阵使得到的信号矩阵之间各个信号源相互独立,从而达到分解的目的。在信号分离、图像处理等领域有广泛的应用。但传统ICA算法需对分解信号进行均值和白化处理,使得分解结果有幅度不确定和出现负值的缺陷,从而导致算法不适合遥感数据分析。为改进ICA算法分解精度及运行效率,以FastICA算法为基础,以水面目标物识别分析为目的,以实测水体与不同复合材料光谱矩阵作为源信号,对FastICA算法分解结果进行了分析。并从可能影响算法分解结果六个影响因素的分析,通过改变参数,以决定系数分析了分解结果的误差。分析结果表明,初始矩阵、波谱形状及光谱信噪比对ICA分解结果影响较大,为改进ICA算法提供了研究方向,为水面目标物的识别分析提供了新的方法。根据高光谱数据的特征,对丰度非负性及丰度和为1的约束通常作为光谱分解模型的限制条件。一般来说,和为1及非负性约束以函数形式表达,但这种函数表达要求较高,当约束函数不当时会导致约束不彻底,从而使算法发散或者收敛到不正确的结果。为解决这一难题,几何约束ICA算法(GeometrICAl constrained ICA,GCICA)从几何学的观点出发,对算法和为1约束和非负性约束分别处理。在每一次迭代中通过归一化处理使丰度矩阵满足和为1的约束,并使约束力达到最大化,然后以最小互信息约束和非负性约束使算法收敛到正确的结果。另外,GCICA算法根据FastICA算法的影响因素分析,以端元光谱提取方法进行光谱矩阵初始化,提高了算法精度及效率。通过模拟影像数据和实测影像数据验证,GCICA分解结果精度相对较高,实现了对影像数据端元光谱和丰度分布信息的提取,为混合像元分解提供了一种新的有效手段。
[Abstract]:......
【学位授予单位】：吉林大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP751

【相似文献】