高光譜圖像是通過光譜成像儀利用幾十甚至幾百個波段對同一個地區(qū)進行拍攝而形成的三維圖像。但是由于光譜成像儀的物理限制以及復雜的地理環(huán)境,可能使得單個像元處得到的光譜反應為多種不同物質光譜的混合�；旌舷裨獑栴}的存在可能使得在高光譜圖像中對識別物體的判別不準,出現錯分類的問題。高光譜圖像光譜解混的目的即是找出混合像元中各種純凈物質各自所占的比例,通過將混合光譜信號用純凈光譜成分（端元）的疊加來表示,并且其對應的權重稱為豐度向量。高光譜圖像中包含豐富的結構信息,學者們將全變分正則項（TV）引入經典的稀疏回歸公式中,想以此來挖掘高光譜圖像中的空間信息。全變分正則項前提假設了相鄰像素之間具有相似的混合物質和相似的豐度系數,然而,全變分正則項的這個假設是過于嚴格了的。因此,解混的結果通常也會帶來一些階梯效應。為了克服這一不足,對于高光譜解混問題我們將通過引入雙邊濾波來松弛TV正則項的這一假設。由于雙邊濾波具有既光滑圖像又保留圖像邊緣信息的能力,因此我們首先將雙邊濾波應用于每一個豐度圖上,使得豐度圖上光滑的區(qū)域更加光滑,同時也不會丟失邊緣信息。因此用雙邊濾波預處理后的豐度圖更容易滿足TV正則項的分段常... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：53 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究工作的背景與意義
    1.2 國內外研究歷史與現狀
    1.3 本文的主要貢獻與創(chuàng)新
    1.4 本論文的結構安排
第二章 高光譜圖像解混典型方法概述及建�；A
    2.1 稀疏表示理論及方法簡介
    2.2 高光譜圖像線性解混方法
    2.3 ADMM算法介紹
    2.4 基于稀疏回歸的高光譜解混方法
        2.4.1 分離和增廣拉格朗日光譜稀疏解混算法(SUnSAL)
        2.4.2 基于協同稀疏回歸的高光譜圖像解混算法(CLSUnSAL)
        2.4.3 全變分-分離和增廣拉格朗日光譜稀疏解混算法(SUnSAL-TV)
        2.4.4 基于豐度矩陣稀疏性和低秩性的高光譜解混算法(ADSpLRU)
    2.5 雙邊濾波器
    2.6 本章小結
第三章 基于全變分的雙邊濾波正則項高光譜圖像解稀疏混算法
    3.1 SUnSAL-BF-TV算法模型
    3.2 SUnSAL-BF-TV算法的求解過程
    3.3 本章小結
第四章 數值實驗結果及分析
    4.1 模擬數據實驗
        4.1.1 模擬數據實驗設置
        4.1.2 模擬數據實驗結果及分析
        4.1.3 算法參數分析及收斂性分析
    4.2 真實數據實驗
        4.2.1 真實數據實驗設置
        4.2.2 真實數據實驗結果
    4.3 本章小結
第五章 全文總結與展望
    5.1 全文總結
    5.2 工作展望
致謝
參考文獻
攻讀碩士學位期間取得的成果



本文編號：3473030