本文關(guān)鍵詞：基于壓縮感知的高光譜圖像稀疏解混方法研究

  更多相關(guān)文章： 壓縮感知 稀疏解混 測量矩陣 低秩分解 高光譜圖像

【摘要】：隨著衛(wèi)星傳感器空間分辨率的不斷提高,消除光譜二次反射效應(yīng)能力的不斷增強(qiáng),給高光譜圖像分類帶來了新的研究機(jī)遇,但是由于復(fù)雜實(shí)測地物的多樣性、地物光譜多次散射以及實(shí)時(shí)變化等問題,高光譜圖像的混元解混問題(Mixed Pixel Decomposition)成為遙感領(lǐng)域新的研究難點(diǎn)。論文針對高光譜解混過程中存在的分解精度不高,端元數(shù)目冗余以及處理速度慢等問題,以壓縮感知理論作為研究工具,充分利用光譜庫中豐度系數(shù)向量的稀疏性,對解混預(yù)處理、端元特征提取以及端元子空間劃分等內(nèi)容展開了研究。針對高光譜圖像稀疏解混過程中隨機(jī)測量矩陣造成的觀測向量不確定性,本文建立搜索測量矩陣寬度和稀疏度的整數(shù)規(guī)劃數(shù)學(xué)模型,引入混沌蟻群算法來確定測量矩陣的參數(shù)。以混沌Tent Map系統(tǒng)產(chǎn)生的偽隨機(jī)序列為基礎(chǔ),按照循環(huán)/塊對角分裂結(jié)構(gòu),構(gòu)造出改進(jìn)混沌托普利茲矩陣。利用該測量矩陣與投影矩陣的相關(guān)性,在隨機(jī)梯度下降算法中引入塊SVD分解策略,獲得優(yōu)化改進(jìn)混沌托普利茲測量矩陣。測試實(shí)驗(yàn)表明,該優(yōu)化測量矩陣在端元特征提取過程中,不僅能夠有效的減少了端元特征的數(shù)目,保持了較高的處理速度,而且保證了更精確的特征提取精度。由于衛(wèi)星傳感器在采集過程中云層、大氣等實(shí)時(shí)加性噪聲,量化過程中量化噪聲以及高光譜成像儀和對象地物間的相對運(yùn)動造成的線性模糊都會使得高光譜圖像質(zhì)量下降,產(chǎn)生稀疏解混的端元提取精度問題,論文提出一種改進(jìn)分裂Bregman迭代與改進(jìn)型最小近似共軛梯度相結(jié)合的解決方案,通過改進(jìn)型最小近似共軛梯度算法檢測光譜信號的尖峰和突變部分,采用并行優(yōu)化加速策略提高分裂Bregman迭代策略收斂速度,引入了迭代重復(fù)加權(quán)策略改造字典學(xué)習(xí),抑制含噪信號的乘性噪聲。實(shí)驗(yàn)表明,針對不同的噪聲,該策略不僅能夠很好的提取和保留實(shí)時(shí)信號中的尖峰和突變部分,而且具有魯棒重構(gòu)原始測試信號的能力,為后續(xù)實(shí)現(xiàn)混元區(qū)域的多端元稀疏解混中提高分解精度提供了幫助。針對如何將高維數(shù)據(jù)劃分為端元子空間來提高混元分解精度和處理時(shí)間的問題,提出了一種結(jié)合改進(jìn)型交替方向法與魯棒主成分分析(RPCA)的實(shí)時(shí)低秩分解策略,通過預(yù)測學(xué)習(xí)訓(xùn)練在線字典實(shí)現(xiàn)低秩分解,采用冗余補(bǔ)償技術(shù)降低低秩分解中的誤差,引入塊自適應(yīng)SVD分解策略提高低秩分解的速度,將該策略應(yīng)用于高光譜信號的稀疏子空間聚類,達(dá)到劃分端元子空間提高解混分解精度的目的。實(shí)驗(yàn)研究表明,該策略是一種實(shí)時(shí)特征降維中有效的分類方法,能夠?qū)崿F(xiàn)實(shí)時(shí)端元特征降維中有效波段分類。最后,本文的主要研究工作是將壓縮感知理論中所取得的測量矩陣構(gòu)造與優(yōu)化、高光譜圖像噪聲背景下的魯棒重構(gòu)以及高維信號的低秩分解等主要研究成果對于高光譜稀疏解混中端元特征提取、解混預(yù)處理以及端元子空間劃分等問題進(jìn)行了有益的嘗試,重在提高稀疏解混的端元特征提取精度以及提取速度,實(shí)現(xiàn)高光譜圖像的多端元稀疏解混。
【關(guān)鍵詞】：壓縮感知 稀疏解混 測量矩陣 低秩分解 高光譜圖像
【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 中文摘要3-5
• 英文摘要5-10
• 1 緒論10-22
• 1.1 研究背景與意義10-11
• 1.2 高光譜解混的研究現(xiàn)狀11-14
• 1.3 目前仍然存在的問題概述14-15
• 1.4 壓縮感知的研究現(xiàn)狀15-19
• 1.5 主要研究工作19-22
• 2 確定性測量矩陣構(gòu)造與優(yōu)化策略22-46
• 2.1 測量矩陣參數(shù)選擇22-29
• 2.1.1 參數(shù)的討論23-27
• 2.1.2 搜索最佳參數(shù)的數(shù)學(xué)模型27-28
• 2.1.3 混沌蟻群搜索策略28-29
• 2.2 確定性測量矩陣的構(gòu)造29-33
• 2.2.1 混沌測量矩陣29-31
• 2.2.2 改進(jìn)型托普利茲構(gòu)造策略31-33
• 2.3 測量矩陣的優(yōu)化33-36
• 2.3.1 優(yōu)化數(shù)學(xué)基礎(chǔ)33-35
• 2.3.2 BSVD-SGD優(yōu)化策略35-36
• 2.4 仿真實(shí)驗(yàn)36-43
• 2.4.1 測量矩陣評價(jià)指標(biāo)36-37
• 2.4.2 不同參數(shù)下混沌序列構(gòu)成測量矩陣的結(jié)果及分析37-39
• 2.4.3 不同構(gòu)造策略下測量矩陣的恢復(fù)效果對比39-41
• 2.4.4 不同優(yōu)化策略優(yōu)化測量矩陣的效果對比41-43
• 2.5 本章小結(jié)43-46
• 3 退化高光譜圖像的去噪去模糊策略46-74
• 3.1 降噪理論分析46-48
• 3.1.1 降噪稀疏追蹤模型46-47
• 3.1.2 量化噪聲分析47-48
• 3.2 降噪策略分析48-51
• 3.2.1 改進(jìn)型梯度下降法分析49-50
• 3.2.2 分裂降噪策略分析50-51
• 3.3 去噪去模糊策略研究51-58
• 3.3.1 改進(jìn)型最小近似共軛梯度策略描述及其分析52-55
• 3.3.2 改進(jìn)Bregman分裂迭代策略方法描述及分析55-57
• 3.3.3 基于字典學(xué)習(xí)的迭代重復(fù)加權(quán)追蹤解決策略57-58
• 3.4 降噪仿真實(shí)驗(yàn)結(jié)果與應(yīng)用分析58-71
• 3.4.1 量化噪聲仿真結(jié)果59-61
• 3.4.2 重構(gòu)追蹤仿真效果61-63
• 3.4.3 噪聲情況下重構(gòu)追蹤仿真結(jié)果63-67
• 3.4.4 圖像降噪重構(gòu)追蹤結(jié)果67-69
• 3.4.5 圖像降噪去模糊重構(gòu)追蹤結(jié)果69-71
• 3.5 本章小結(jié)71-74
• 4 高維信號的實(shí)時(shí)低秩分解策略74-88
• 4.1 數(shù)學(xué)模型的建立74-75
• 4.2 常見解決策略的分析與討論75-77
• 4.2.1 交替方向算法75-76
• 4.2.2 在線字典學(xué)習(xí)策略76-77
• 4.3 改進(jìn)型交替方向法的討論77-80
• 4.3.1 基于冗余補(bǔ)償?shù)姆謮K自適應(yīng)奇異值分解策略77-78
• 4.3.2 基于預(yù)測學(xué)習(xí)的訓(xùn)練在線字典策略78-79
• 4.3.3 低秩分解算法步驟與流程圖79-80
• 4.4 實(shí)驗(yàn)仿真與應(yīng)用分析80-87
• 4.4.1 傳統(tǒng)高維特征檢測方法及其分析80-81
• 4.4.2 改進(jìn)的魯棒主成分分析算法結(jié)果及分析81-83
• 4.4.3 改進(jìn)的稀疏子空間聚類算法結(jié)果及分析83-87
• 4.5 本章小結(jié)87-88
• 5 基于光譜庫的多端元稀疏解混問題研究88-102
• 5.1 多端元稀疏特征檢測數(shù)學(xué)模型88-89
• 5.2 檢測步驟與流程圖89-92
• 5.3 實(shí)測高光譜信號分析92-100
• 5.3.1 構(gòu)造優(yōu)化測量矩陣分析93-94
• 5.3.2 降噪去模糊重構(gòu)追蹤效果94-95
• 5.3.3 高維信號稀疏特征提取95-97
• 5.3.4 混元區(qū)域的解混結(jié)果評價(jià)97-100
• 5.4 本章小結(jié)100-102
• 6 結(jié)論和展望102-104
• 6.1 全文總結(jié)102-103
• 6.2 總結(jié)和展望103-104
• 致謝104-106
• 參考文獻(xiàn)106-118
• 附錄118-119
• A. 作者在攻讀博士學(xué)位期間發(fā)表的論文目錄118-119
• B. 作者在攻讀博士學(xué)位期間參加的科研項(xiàng)目119
• C. 申請人在攻讀博士學(xué)位期間參加的學(xué)術(shù)會議情況119

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 諶德榮;宮久路;陳乾;曹旭平;;基于樣本分割的快速高光譜圖像異常檢測支持向量數(shù)據(jù)描述方法[J];兵工學(xué)報(bào);2008年09期

2 蒲曉豐;雷武虎;張林虎;蔣奇材;;基于Fukunaga-Koontz變換的高光譜圖像異常檢測[J];紅外技術(shù);2010年04期

3 成寶芝;郭宗光;;高光譜圖像波段間相關(guān)特性研究[J];大慶師范學(xué)院學(xué)報(bào);2013年06期

4 楊龍;易宏杰;李因彥;;遙感高光譜圖像赤潮識別[J];傳感器世界;2007年05期

5 汪倩;陶鵬;;結(jié)合空間信息的高光譜圖像快速分類方法[J];微計(jì)算機(jī)信息;2010年21期

6 王立國;孫杰;肖倩;;結(jié)合空-譜信息的高光譜圖像分類方法[J];黑龍江大學(xué)自然科學(xué)學(xué)報(bào);2010年06期

7 馮朝麗;朱啟兵;朱曉;黃敏;;基于光譜特征的玉米品種高光譜圖像識別[J];江南大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年02期

8 付歡;龍海南;韓曉霞;;基于冗余字典的高光譜圖像的稀疏分解[J];河北軟件職業(yè)技術(shù)學(xué)院學(xué)報(bào);2013年04期

9 耿修瑞,張霞,陳正超,張兵,鄭蘭芬,童慶禧;一種基于空間連續(xù)性的高光譜圖像分類方法[J];紅外與毫米波學(xué)報(bào);2004年04期

10 張綺瑋;機(jī)載高光譜遙感圖像處理軟件系統(tǒng)[J];紅外;2005年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張兵;王向偉;鄭蘭芬;童慶禧;;高光譜圖像地物分類與識別研究[A];成像光譜技術(shù)與應(yīng)用研討會論文集[C];2004年

2 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

3 王成;何偉基;陳錢;;基于波段重組和小波變換的高光譜圖像嵌入式壓縮方法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

4 孫蕾;羅建書;;基于分類預(yù)測的高光譜遙感圖像無損壓縮[A];第一屆建立和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

5 楊勇;劉木華;鄒小蓮;苗蓬勃;趙珍珍;;基于高光譜圖像技術(shù)的獼猴桃硬度品質(zhì)檢測[A];走中國特色農(nóng)業(yè)機(jī)械化道路——中國農(nóng)業(yè)機(jī)械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

6 張曉紅;張立福;王晉年;童慶禧;;HJ-1A衛(wèi)星高光譜遙感圖像質(zhì)量綜合評價(jià)[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

7 高東生;高連知;;基于獨(dú)立分量分析的高光譜圖像目標(biāo)盲探測方法研究[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

8 馮維一;陳錢;何偉基;;基于小波稀疏的高光譜目標(biāo)探測算法[A];黑龍江、江蘇、山東、河南、江西 五省光學(xué)（激光）聯(lián)合學(xué)術(shù)‘13年會論文（摘要）集[C];2013年

9 彭妮娜;易維寧;方勇華;;基于核函數(shù)的高光譜圖像信息提取研究[A];光子科技創(chuàng)新與產(chǎn)業(yè)化——長三角光子科技創(chuàng)新論壇暨2006年安徽博士科技論壇論文集[C];2006年

10 蒲曉豐;雷武虎;黃濤;王迪;;基于穩(wěn)健背景子空間的高光譜圖像異常檢測[A];中國光學(xué)學(xué)會2010年光學(xué)大會論文集[C];2010年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 普晗曄;高光譜遙感圖像的解混理論和方法研究[D];復(fù)旦大學(xué);2014年

2 王亮亮;非線性流形結(jié)構(gòu)在高光譜圖像異常檢測中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2014年

3 賀智;改進(jìn)的經(jīng)驗(yàn)?zāi)B(tài)分解算法及其在高光譜圖像分類中的應(yīng)用[D];哈爾濱工業(yè)大學(xué);2014年

4 魏然;基于成像機(jī)理分析的高光譜圖像信息恢復(fù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 葉珍;高光譜圖像特征提取與分類算法研究[D];西北工業(yè)大學(xué);2015年

6 馮婕;基于軟計(jì)算和互信息理論的遙感圖像地物分類[D];西安電子科技大學(xué);2014年

7 孫濤;快速多核學(xué)習(xí)分類研究及應(yīng)用[D];西安電子科技大學(xué);2015年

8 李昌國;基于譜間和校正相關(guān)性的高光譜圖像壓縮方法研究及GPU并行實(shí)現(xiàn)[D];成都理工大學(xué);2015年

9 徐速;基于壓縮感知的高光譜圖像稀疏解混方法研究[D];重慶大學(xué);2015年

10 賀霖;高光譜圖像自動目標(biāo)檢測技術(shù)研究[D];西北工業(yè)大學(xué);2007年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 豐爍;高光譜圖像波段選取問題的改進(jìn)算法研究[D];昆明理工大學(xué);2015年

2 趙偉彥;果蔬干燥過程中的品質(zhì)無損檢測技術(shù)研究[D];江南大學(xué);2015年

3 馬亞楠;果蔬中內(nèi)部害蟲的高光譜圖像檢測技術(shù)研究[D];江南大學(xué);2015年

4 劉大洋;基于近紅外光譜和高光譜圖像技術(shù)無損識別獼猴桃膨大果[D];西北農(nóng)林科技大學(xué);2015年

5 王坤;高光譜圖像異常目標(biāo)檢測及光譜成像在偽裝評估方面的應(yīng)用研究[D];南京理工大學(xué);2015年

6 王啟聰;高光譜圖像分類的GPU并行優(yōu)化研究[D];南京理工大學(xué);2015年

7 程凱;無先驗(yàn)信息的高光譜圖像小目標(biāo)檢測算法研究[D];蘇州大學(xué);2015年

8 李秩期;基于高光譜及多信息融合的馬鈴薯外部缺陷無損檢測研究[D];寧夏大學(xué);2015年

9 王健;基于高光譜圖像的馬鈴薯形狀及重量分類識別建模研究[D];寧夏大學(xué);2015年

10 吳蓓芬;偏振高光譜圖像場景仿真及分類方法研究[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號：758677