基于联合稀疏表示的高光谱图像解混方法研究

摘要

卫星遥感成像技术能够同时获得图像的空间信息和光谱信息，是人们获取对地遥感和深空探测目标信息的重要手段，在地质勘测，环境监测，土地规划，目标检测与跟踪等许多领域有着非常重要的应用。但是受到成像光谱仪的限制，高光谱图像空间分辨率较低，导致混合像元普遍存在，严重制约了高光谱图像的广泛应用。因此，研究高光谱图像混合像元分解具有非常重要的现实意义。
　　论文对传统高光谱图像解混技术进行了论述，在对国内外现有的高光谱图像稀疏解混方法进行深入研究的基础上，对现有高光谱稀疏解混算法进行改进。本文的主要研究成果可概括如下：
　　(1)针对端元候选集中包含冗余端元导致丰度重构精度不高的问题，提出了一种基于回溯的联合正交匹配追踪高光谱图像解混算法。首先将高光谱图像分为若干个图像块，并对每个图像块采用联合匹配追踪的方法提取端元，将每个子块端元候选集合并作为整幅图像的端元集合，然后通过检测当前端元集合中每个端元与当前像元的相关性，将冗余端元从端元集合中剔除。对比其他联合贪婪算法，该算法有效减少了端元集合的冗余端元，提高了丰度重构的精度。
　　(2)针对光谱曲线相关性较高，影响最优端元提取的问题，提出了一种基于递归字典的联合正交匹配追踪高光谱图像解混算法。在每次迭代过程中，先将光谱库投影到子空间并进行正交化处理，降低光谱曲线的相关性，再利用残差与正交化后的光谱曲线进行端元提取。该算法能够有效提取最优端元，与其他贪婪算法相比具有更高的光谱解混精度。
　　(3)提出了一种复合正则化的联合稀疏贝叶斯学习解混算法。在贝叶斯框架下，对各参数建立概率模型，经贝叶斯推断得到最优化问题，利用一种快速迭代方法进行参数学习。将丰度系数的非负性与和为一性加入最优化问题，并利用交替迭代方法进行求解。对比贪婪算法和凸优化算法，该算法能够获得更高的解混精度。
　　(4)提出基于空间相关性约束的联合稀疏贝叶斯学习算法。将相邻像元的联合稀疏性和空间相关性同时作为约束条件加入到最优化问题中，并利用惩罚参数平衡联合稀疏约束与空间相关性约束的影响。该算法针对模拟图像和真实图像都获得了较好的解混结果。

目录

声明

注释表

缩略词

第一章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 主要内容与章节安排

第二章 高光谱图像稀疏解混的理论基础

2.1 引言

2.2 联合稀疏解混模型

2.3 贪婪算法

2.4 凸优化算法

2.5 贝叶斯算法

2.6 混合像元分解精度的评价指标

2.7 本章小结

第三章 基于联合贪婪算法的稀疏解混算法

3.1 联合正交匹配追踪算法

3.2基于回溯的联合正交匹配追踪的稀疏解混算法

3.3 递归字典联合正交匹配跟踪的稀疏解混算法

3.4 本章小结

第四章 基于联合稀疏贝叶斯学习的解混算法

4.1 联合稀疏贝叶斯学习模型

4.2复合正则化的联合稀疏贝叶斯学习解混算法

4.3 基于空间相关性的联合稀疏贝叶斯学习解混算法

4.4 本章小结

第五章 总结与展望

5.1 本文总结

5.2 展望分析

参考文献

致谢

在学期间的研究成果及发表的学术论文