线性模型下多通道遥感图像混合像元分解方法研究

论文摘要

通常,多光谱和高光谱遥感图像是以像元为单位来检测和获取地物信息。由于遥感图像空间分辨率的限制,一个像元往往覆盖几十甚至几百平方米的地面范围,在其中可能包含着多种地物类型,这就形成了混合像元。混合像元问题不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍。如果通过一定方法,找出组成混合像元的各种地物种类的比例,则可解决混合像元问题,提高定性和定量遥感精度。混合像元的精确分解在基于多光谱和高光谱遥感图像的高精度地物分类以及地面目标的检测和识别方面有重要应用价值。本文针对这个问题作了大量深入的研究,创新内容主要包括以下几部分:1.本文提出一种新的基于数据空间正交基的多通道遥感图像混合像元分解算法。该算法通过在数据集中确定一个具有最大体积的单形体来搜索端元。本算法将原基于行列式的单形体体积计算,等价于一组正交基的模值乘积计算,从而大大提高了算法的计算效率;同时,由于顺序搜索概念的引入,确保了本算法总能获得相同的端元提取结果。此外,利用这组正交基,本文所提出的算法还可以同时完成端元个数的确定与丰度的估计两项工作。2.在高混数据中进行混合像元分解是一项非常困难的问题。本文提出一种新的基于非负矩阵因式分解(Nonnegative Matrix Factorization,NMF)算法和单形方法相结合的混合像元分解方法去解决上述问题。并在NMF算法中加入适当的约束条件用于多通道混合像元分解问题。模拟与实际数据实验结果表明,本文提出的算法在端元光谱特性提取和丰度解混两方面均有很好的精度。3.本文提出一种基于噪声估计的全约束丰度估计方法。该方法阐述了约束最小二乘估计的几何意义,通过引入噪声估计以及条件判断机制,可以有效的避免过拟合以及提高估计效率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 高光谱遥感图像数据简介
• 1.3 混合像元分解研究现状
• 1.4 选题意义及应用价值
• 1.5 本文章节安排
• 第二章 基于线性模型的混合像元分解模型
• 2.1 线性光谱混合模型
• 2.2 端元个数确定方法
• 2.2.1 主成分分析方法
• 2.2.2 噪声调整的主成分分析方法
• 2.2.3 虚拟维方法
• 2.3 端元提取算法
• 2.3.1 N-FINDR算法
• 2.3.2 VCA（Vertex Component Analysis）算法
• 2.3.3 SGA（Simplex Growing Algorithm）算法
• 2.4 丰度解混算法
• 2.4.1 最小二乘方法
• 2.4.2 半约束及全约束最小二乘方法
• 2.4.3 最大熵方法
• 2.5 NMF（Nonnegative Matrix Factorization）算法
• 第三章 基于数据空间正交基的遥感图像混合像元分解方法
• 3.1 N-FINDR及 SGA算法不足
• 3.2 OBA（Orthogonal Bases Approach）算法
• 3.2.1 端元提取算法
• 3.2.2 端元个数确定
• 3.2.3 丰度估计
• 3.3 实验结果与分析
• 3.3.1 模拟遥感数据实验
• 3.3.2 实际模拟遥感数据实验
• 3.4 总结与讨论
• 第四章 基于 NMF与单形算法的遥感图像数据处理方法
• 4.1 已有方法在处理高混合数据的不足
• 4.1.1 单形方法的不足
• 4.1.2 NMF算法及其在混合像元分解中的不足
• 4.2 基于 NMF和单形算法的高混合图像分解方法
• 4.3 实验结果与分析
• 4.3.1 模拟遥感数据实验
• 4.3.2 实际遥感数据实验
• 4.4 总结与讨论
• 第五章 基于噪声估计的全约束丰度估计方法
• 5.1 最小二乘意义下丰度估计的模型及其几何解释
• 5.2 FCLS算法及 GDME算法
• 5.2.1 FCLS方法
• 5.2.2 GDME方法
• 5.3 基于噪声估计的全约束丰度估计方法
• 5.4 实验结果与分析
• 5.5 总结与讨论
• 第六章 总结与展望
• 附录
• 1. 定理1的证明
• 2. 正交基的模值的单调下降证明
• 3. 解混方程组的推导
• 4. 丰度估计结果与（3-6）式的等价关系证明
• 参考文献
• 攻读硕士期间发表论文情况
• 致谢