高光谱数据混合像元线性分解方法研究

摘要

高光谱图像以图像立方体的形式存储成百个连续的光谱通道收集的辐射值。每个像元对应一条光谱曲线,利用特征光谱曲线识别地物和分类。但是,大多数高光谱都具有较低的空间分辨率。所以,一个像元的光谱曲线往往是传感器视域范围内的多种物质的组合。高光谱数据处理的一个难题就是利用其高光谱分辨率,将混合像元分解为各组成物质(称为端元)以及其对应的丰度值,这就是高光谱数据的解混问题。
　　在目前的解混方法中,线性分解模型是应用最广泛的一种。假设图像上至少存在一个物质的纯像元,以此作为端元来分解图像。结合典型的端元选择方法,提出了对端元概念新的理解,即,端元是某类物质含量较纯的像元,纯净像元则是某类物质含量达到100％的像元,一般不存在。端元为纯度较高的像元,这一定性概念决定了同一类物质的端元位置可能不同,因为其纯度接近的像元都可能成为最终“端元”,即不同端元提取算法产生的端元可能不同,因为端元分解是一个迭代近似的过程,但是,端元丰度图像分布应该具有一致性。
　　丰度估计是线性解混的重要环节,其算法影响分解结果的质量,采用合理的分解方法能更准确的反映地面真实情况。研究证明,全限制最小二乘方法在理论和实践中都得到广泛认可,分解效果较好。
　　基于端元的上述理解,结合经典的端元选择方法和丰度估计方法,本文提出了一种高光谱端元自动提取的迭代改进算法。并通过实验证明了算法的有效性。同时,实现了N-FINDR算法和SGA算法,并用N-FINDR算法从实验角度论述了多选端元、漏选端元对分解结果的影响,同时证明了全限制最小二乘分解的合理性与有效性。同时比较了N-FINDR算法、SGA算法和高光谱端元自动提取的迭代改进算法。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 研究背景和目的

1.2 研究方法

1.3 研究内容

1.4 文章结构

第二章 高光谱遥感概念与背景

2.1 高光谱成像光谱仪

2.2 高光谱遥感数据的特点

2.3 高光谱数据处理的挑战和难题

2.4 高光谱数据预处理

2.5 特征选择与特征提取

第三章 线性光谱解混模型原理

3.1 线性光谱解混模型（LSMM）

3.2 线性解混模型的几何学意义

3.3 端元在高光谱图像中的进一步理解

第四章 端元个数估计及端元探测

4.1 端元个数估计

4.2 端元个数变化与解混精度的关系

4.3 端元选取途径

4.4 端元探测方法

第五章 丰度估计算法

5.1 非限制最小二乘

5.2 和为一限制最小二乘

5.3 非负限制最小二乘

5.4 全限制最小二乘

5.5 非监督全限制最小二乘方法

第六章 高光谱数据实验

6.1 端元自动确定与提取的迭代算法

6.2 N-FINDR实现

6.3 SGA算法实现与比较

第七章 总 结

参考文献

致谢