發(fā)布時間：2020-03-21 19:36

【摘要】：高光譜圖像具有豐富的空間、輻射和光譜信息,在數(shù)據(jù)獲取、傳輸、分析過程中,數(shù)據(jù)量的增加對傳統(tǒng)數(shù)據(jù)采集壓縮提出了新的挑戰(zhàn);同時由于地物本身、空間分辨率、大氣環(huán)境等因素的影響,混合像元現(xiàn)象普遍存在于高光譜圖像中,混合像元分解不僅能獲取像元真實信息,也有助于圖像分類、地物分析等應(yīng)用。本課題圍繞建立基于壓縮感知的高光譜混合像元分解以及基于像元線性混合模型進(jìn)行重構(gòu)的方法,對信號稀疏表示、壓縮感知、混合像元分解以及高光譜圖像重構(gòu)等方面展開研究。本課題主要研究內(nèi)容如下:(1)介紹稀疏表示、壓縮感知技術(shù)、高光譜圖像混合像元分解的特點和研究現(xiàn)狀,介紹稀疏表示、壓縮感知框架分析壓縮感知重構(gòu)的實現(xiàn)原理,然后通過對高光譜線性混合模型的分析,從理論上闡述像元線性混合模型和壓縮感知理論之間的聯(lián)系和區(qū)別,進(jìn)而基于兩者之間模型的共性,將像元線性混合模型融入到壓縮感知框架中,并基于已知光譜庫,實現(xiàn)端元提取和豐度反演;(2)通過合成數(shù)據(jù),模擬真實場景中高光譜混合像元現(xiàn)象,分析所提出方案的合理性和有效性,分別利用OMP算法、SOMP算法,計算基于光譜庫的豐度矩陣,并利用所得豐度矩陣的二范數(shù)提取端元、估計相對應(yīng)的豐度,并利用所提取端元的光譜夾角距離(SAD)和估計豐度的均方根誤差(RMSE)及標(biāo)準(zhǔn)偏差對算法性能進(jìn)行評估,同時與SMACC算法端元提取和豐度估計的結(jié)果進(jìn)行比較。實驗結(jié)果表明,在壓縮感知框架下從已知端元庫中提取的端元是真實存在的,而非虛擬端元,且豐度矩陣的二范數(shù)差異明顯,端元自適應(yīng)提取效果好,豐度估計精度優(yōu)于SMACC算法;(3)根據(jù)高光譜圖像線性混合模型的特點,經(jīng)過光譜域壓縮后的圖像仍然滿足線性混合模型,分別討論在已知端元光譜和未知端元光譜的情況下,對壓縮數(shù)據(jù)進(jìn)行豐度反演,并利用反演結(jié)果與端元光譜重構(gòu)高光譜圖像。通過對不同bpp下的壓縮數(shù)據(jù)進(jìn)行重構(gòu),并利用峰值信噪比(PSNR)與標(biāo)準(zhǔn)OMP算法進(jìn)行比較評估。實驗結(jié)果表明,在合成數(shù)據(jù)中,已知端元的重構(gòu)效果遠(yuǎn)遠(yuǎn)好于其余兩種;在真實數(shù)據(jù)中,已知端元和未知端元的重構(gòu)效果均好于OMP算法;(4)根據(jù)高光譜圖像在光譜域所具有的強相關(guān)性,通過分布式壓縮感知的方法提高重構(gòu)精度。在分布式壓縮感知的基礎(chǔ)上,基于光譜圖像的殘差,進(jìn)行自適應(yīng)碼流分配;根據(jù)引導(dǎo)濾波的特點,基于引導(dǎo)濾波進(jìn)行分布式壓縮感知重構(gòu),并在考慮高光譜圖像噪聲分布的同時,優(yōu)化關(guān)鍵波段與非關(guān)鍵波段的選擇策略。實驗結(jié)果表明,相比于傳統(tǒng)的分布式壓縮感知重構(gòu)算法,所提出的算法在重構(gòu)性能上得到提升,同時具有去除高光譜圖像噪聲的作用,也可以保持植物光譜關(guān)鍵信息,有效地支持植物高光譜數(shù)據(jù)處理和分析。本課題通過壓縮感知框架與像元線性混合模型之間的聯(lián)系,利用壓縮感知實現(xiàn)混合像元分解,結(jié)果表明,所提出的解混方法優(yōu)于傳統(tǒng)解混方法;同時利用線性混合模型對高光譜圖像進(jìn)行重構(gòu),結(jié)果表明,該方法能夠在已知和未知端元的情況下,對高光譜圖像進(jìn)行端元提取及豐度估計從而實現(xiàn)重構(gòu),重構(gòu)效果優(yōu)于傳統(tǒng)方法;同時在分布式壓縮感知的基礎(chǔ)上做了引導(dǎo)濾波、關(guān)鍵波段選擇以及基于圖像殘差的碼流分配等改進(jìn),重構(gòu)效果優(yōu)于傳統(tǒng)方法。
【圖文】：

杭州電子科技大學(xué)碩士學(xué)位論文元數(shù)量均為 14 條的情況分別使用 VCA 算法、MVSA 算法和 SMACC 算法對上進(jìn)行混合像元分解，如下圖 2.5、2.6、2.7、2.8 分別為場景中真實存在的、以SA 算法和 SMACC 算法所提取的高光譜圖像的端元光譜：

杭州電子科技大學(xué)碩士學(xué)位論文元數(shù)量均為 14 條的情況分別使用 VCA 算法、MVSA 算法和 SMACC 算法對進(jìn)行混合像元分解，，如下圖 2.5、2.6、2.7、2.8 分別為場景中真實存在的、以SA 算法和 SMACC 算法所提取的高光譜圖像的端元光譜：圖 2.5 場景中真實端元
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP751

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳晉;馬磊;陳學(xué)泓;饒玉晗;;混合像元分解技術(shù)及其進(jìn)展[J];遙感學(xué)報;2016年05期

2 奚禎苑;劉麗娟;陸燈盛;葛宏立;陳耀亮;;基于線性混合像元分解技術(shù)提取山核桃空間分布[J];林業(yè)科學(xué);2015年10期

3 譚熊;余旭初;張鵬強;余岸竹;黃偉杰;;一種基于模糊混合像元分解的高光譜影像分類方法[J];測繪科學(xué)技術(shù)學(xué)報;2013年03期

4 張志新;鄧孺孺;李灝;陳蕾;陳啟東;何穎清;;基于混合像元分解的南方地區(qū)植被覆蓋度遙感監(jiān)測——以廣州市為例[J];國土資源遙感;2011年03期

5 李劍萍,鄭有飛;氣象衛(wèi)星混合像元分解研究綜述[J];中國農(nóng)業(yè)氣象;2000年02期

6 李劍萍;氣象衛(wèi)星混合像元分解研究綜述[J];氣象科技;1999年02期

7 張彥,邵美珍;基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的混合像元分解[J];遙感學(xué)報;2002年04期

8 施長惠;王紅;;基于混合像元分解和知識規(guī)則的人工刺槐林健康分類[J];地理與地理信息科學(xué);2014年02期

9 陳麗;張曉麗;焦志敏;;基于混合像元分解模型的森林葉面積指數(shù)反演[J];農(nóng)業(yè)工程學(xué)報;2013年13期

10 胡健波;陳瑋;李小玉;何興元;;基于線性混合像元分解的沈陽市三環(huán)內(nèi)城市植被蓋度變化[J];應(yīng)用生態(tài)學(xué)報;2009年05期

相關(guān)會議論文 前10條

1 胡霞;雷星松;;基于時序的遙感影像混合像元分解模型的研究[A];第十七屆中國遙感大會摘要集[C];2010年

2 王強;黃楠;;混合像元分解研究綜述[A];中國地理信息系統(tǒng)協(xié)會第四次會員代表大會暨第十一屆年會論文集[C];2007年

3 魏一葦;黃世奇;;高光譜混合像元分解技術(shù)研究綜述[A];國家安全地球物理叢書（九）——防災(zāi)減災(zāi)與國家安全[C];2013年

4 俞晨;鄒偉;余先川;;遙感圖像混合像元分解方法研究[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

5 張良培;叢浩;;一種可選端元的混合像元分解方法[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

6 鄧書斌;陳秋錦;;基于MTMF的混合像元分解方法研究[A];中國遙感應(yīng)用協(xié)會2010年會暨區(qū)域遙感發(fā)展與產(chǎn)業(yè)高層論壇論文集[C];2010年

7 鄧書斌;陳秋錦;;基于MTMF的混合像元分解方法研究[A];第十七屆中國遙感大會摘要集[C];2010年

8 牛貝貝;武靜;;混合像元分解中的端元提取綜述[A];全國測繪科技信息網(wǎng)中南分網(wǎng)第三十次學(xué)術(shù)信息交流會論文集[C];2016年

9 魏一葦;黃世奇;劉代志;;基于獨立成分分析的高光譜混合像元分解方法[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

10 高連如;張兵;孫旭;李山山;張文娟;;高光譜數(shù)據(jù)降維與分類技術(shù)研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

相關(guān)博士學(xué)位論文 前7條

1 徐超;傳感器點擴(kuò)散函數(shù)對混合像元分解影響模擬研究[D];中國科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2016年

2 李二森;高光譜遙感圖像混合像元分解的理論與算法研究[D];解放軍信息工程大學(xué);2011年

3 張逸然;地表溫度空間降尺度方法及其基于國產(chǎn)高分影像的應(yīng)用研究[D];浙江大學(xué);2017年

4 孔祥兵;基于同質(zhì)區(qū)分析的高光譜影像混合像元分解[D];武漢大學(xué);2012年

5 李華麗;高光譜遙感影像自動混合像元分解研究[D];武漢大學(xué);2012年

6 夏威;高光譜遙感圖像的解混和波段選擇方法研究[D];復(fù)旦大學(xué);2013年

7 王來剛;基于多源遙感信息融合的小麥生長監(jiān)測研究[D];南京農(nóng)業(yè)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 鄭柱;高光譜圖像混合像元分解與壓縮感知重構(gòu)算法研究[D];杭州電子科技大學(xué);2018年

2 王鵬舉;高溫目標(biāo)遙感識別及混合像元分解方法研究[D];吉林大學(xué);2018年

3 陳香香;基于流形約束的高光譜圖像混合像元分解研究[D];湖南大學(xué);2017年

4 羅恩湖;基于進(jìn)化多目標(biāo)優(yōu)化的高光譜稀疏混合像元分解技術(shù)研究[D];西安電子科技大學(xué);2015年

5 李君;線性與非線性混合像元分解模型的比較研究[D];東北林業(yè)大學(xué);2008年

6 蔡薇;基于MODIS遙感數(shù)據(jù)混合像元分解的小麥識別及其面積估算[D];山東師范大學(xué);2010年

7 高鈦;基于近似稀疏約束非負(fù)矩陣分解的高光譜圖像混合像元分解[D];江西科技師范大學(xué);2015年

8 劉學(xué);棉花遙感識別的混合像元分解研究[D];石河子大學(xué);2008年

9 范e

本文編號：2593830