在高光譜圖像（hyperspectral image,HSI）處理領域中,空間信息越來越成為一個重要的補充信息,因為它考慮了圖像像素的空間相關性,這通常涉及結合光譜信息用于圖像的預處理和（或）端元提取。端元提取算法（endmember extraction algorithms,EEAs）是近三十年來最常被討論的高光譜圖像處理方法之一。大多數(shù)基于光譜的端元提取算法利用了光譜域中數(shù)據(jù)結構的凸性,但忽視了端元的空間屬性。另一方面,基于空間光譜的端元提取算法側重于討論像素間的空間相關性和光譜特征的組合以識別端元,但這需要嚴格的參數(shù)手動調整過程以優(yōu)化端元提取性能,同時要付出計算負擔。預處理算法（preprocessing algorithms,PPAs）是高光譜圖像端元提取領域的一個重要研究方向,它是一個獨立執(zhí)行的模塊,通過聯(lián)合考慮圖像空間上下文和光譜特征,在端元提取之前提供相對較少的高質量像素用于快速端元提取。但是,大多數(shù)的預處理算法使用了較為耗時的聚類算法如K-means、模糊C-means和滑動窗口等去獲取空間信息。此外,這類算法依賴于參數(shù)或者閾值來獲得較好的端元候選,需要根據(jù)數(shù)據(jù)質量,... 

【文章來源】：北方民族大學寧夏回族自治區(qū)

【文章頁數(shù)】：95 頁

【學位級別】：碩士

【部分圖文】：

高光譜解混算法的典型分類圖

北方民族大學2020屆碩士學位論文第一章緒論超像素中的像素，SGPP隨后捕獲它們的空間緊密度和光譜純度。SGPP最終保留每個超像素中具有較高空間緊度和光譜純度指數(shù)的少量高質量像素用于后續(xù)端元提齲2.論文提出了一種基于空間加權單純形的高光譜端元提取策略(spatiallyweightedsimplexstrategy,SWSS)，研究了一種新的用于識別端元的空間信息嵌入單純形的集成框架。具體地說，SWSS通過確定像素對應的空間鄰域相關性來生成每個像素的空間權重標量，以便在單純形框架內對其自身進行加權以正則端元的選擇。SWSS可以在傳統(tǒng)的基于單純形的端元提取算法中實現(xiàn)，如VCA算法，能在不增加計算復雜度或端元提取精度損失的情況下，將空間信息引入到數(shù)據(jù)單純形框架中。3.論文提出了一種空間能量先驗約束最大單純形體積方法(spatialenergypriorconstrainedmaxi-mumsimplexvolume，SENMAV)，稱為SENMAV，用于高光譜圖像端元提齲提出的SENMAV方法從馬爾可夫隨機場(markovrandomfield,MRF)的空間能量先驗角度研究空間信息。利用空間能量先驗作為傳統(tǒng)的最大體積單純形模型的正則化項，同時在空間和光譜角度約束端元的選擇。提出的SENMAV算法很好地平衡了端元提取精度與端元空間屬性要求之間的權衡。為了更好的說明本學位論文所提出的三種算法的內在聯(lián)系，圖1-3描述了三種算法所涉及的內在算法設計策略。圖1-3本文所提出的三種算法的內在聯(lián)系1.3.2章節(jié)安排論文的主要章節(jié)安排如下：-7-

北方民族大學2020屆碩士學位論文第二章高光譜解混理論研究基礎2.在適當?shù)臄?shù)據(jù)集條件下，LMM能產(chǎn)生適定性逆問題;3.在LMM假設下，高光譜解混可以建模為盲源分離問題或非負矩陣分解問題，而這些問題已經(jīng)在許多信號處理領域得到了廣泛的研究。(a)線性混合模型(b)非線性混合模型(多層型混合)(c)非線性混合模型(緊密型混合)圖2-1線性混合與非線性混合的典型模型2.2端元數(shù)目估計算法對于給定的一幅高光譜圖像而言，通常缺少所觀測地物數(shù)目的先驗知識，因此對端元數(shù)目的正確估計是高光譜解混的重要前提步驟。本小節(jié)將會介紹兩種典型的端元數(shù)目估計算法，第一種為虛擬維度(VirturalDimensionality,VD)估計方法[53]，第二種為基于最小誤差的高光譜信號識別方法(Hyper-spectralSignalIdentificationbyMinimumError,HySime)[55]。2.2.1虛擬維度由Harsanyi,Farrand,和Chang等人于2004年提出了Neyman-Pearson(NP)檢測理論的閾值化方法,稱為Harsanyi-Farrand-Chang方法，簡稱HFC，來確定高光譜數(shù)據(jù)中端元數(shù)目，即虛擬維度。算法過程如下:1.獲取圖像數(shù)據(jù)的自相關矩陣RB×B=∑ni=1yiyTi和協(xié)方差矩陣KB×B=∑ni=1(yiμ)(yiμ)T以及兩個矩陣相對應的特征值集λ1>λ2>···>λB和ˇλ1>ˇλ2>···>ˇλB�；谝粋�事實，即數(shù)據(jù)信號源對于相關性矩陣RB×B貢獻了數(shù)據(jù)均值，而協(xié)方差矩陣KB×B移除了數(shù)據(jù)均值。因此對于某一光譜維度l(1<l<B)，其應該滿足λl>ˇλl。2.假設信號源是非隨機未知的正常數(shù)，噪聲為零均值高斯白噪聲，有：λl>ˇλll=1,...,VDλl=ˇλll=VD+1,...,B(2.2)-10-

【參考文獻】：
期刊論文
[1]空譜聯(lián)合的高光譜遙感圖像稀疏解混綜述與展望[J]. 張紹泉,李軍,鄧承志,汪勝前.  南昌工程學院學報. 2018(06)
[2]高光譜遙感影像混合像元分解研究進展[J]. 藍金輝,鄒金霖,郝彥爽,曾溢良,張玉珍,董銘巍.  遙感學報. 2018(01)
[3]中國高光譜遙感的前沿進展[J]. 童慶禧,張兵,張立福.  遙感學報. 2016(05)
[4]高光譜圖像處理與信息提取前沿[J]. 張兵.  遙感學報. 2016(05)
[5]高光譜遙感技術的發(fā)展與應用[J]. 楊哲海,韓建峰,宮大鵬,李之歆.  海洋測繪. 2003(06)



本文編號：2924746