多端元光谱混合分析算法研究

摘要

在遥感数据应用领域里，光谱解混技术通常被用来识别地物类型、估计其在像元所对应地表区域面积内所占的比例。许多针对光谱解混的传统做法是用一套固定的端元数据集，对每一个潜在存在光谱混合的像元进行丰度估计。但是这些方法常常因为模型的不精确、观测噪声、环境条件、端元变化以及数据集大小的影响使得针对地表相应地物覆盖类型的丰度反演不精确。就此一些学者已经提出了许多基于端元变化的解混方法，在这些考虑光谱变化的解混方法中，多端元光谱混合分析（MESMA，Multiple Endmember Spectral Mixture Analysis）应用的最为广泛。然而，一旦当地物覆盖类型数目增大，MESMA算法的计算开销将变得十分巨大，无法满足许多复杂的应用场景。因此MESMA常用于地物类型较少的场合。为了克服这一问题，本论文的主要研究工作有以下几点：
　　（1）提出了一种新的稀疏多端元光谱混合模型（SMESMM，Sparse Multiple Endmember Spectral Mixture Model）。这一模型将光谱解混过程当作线性块稀疏反问题来处理。该模型认为，尽管在整个遥感场景中地物覆盖类型可能十分繁杂，但是，在每一个混合像元中实际存在的地物类型却远小于整个场景中所有的地物类型。这意味着，针对混合像元的端元模型估计结果存在块稀疏结构。
　　（2）针对新的SMESMM模型，提出一种新的基于块贝叶斯学习算法的多端元光谱混合分析算法（BSBL-MESMA）框架。首先利用块稀疏贝叶斯学习（BSBL）方法来获得初始块稀疏解，接着MESMA利用得到的块稀疏解中非零元素所对应的地物覆盖类型来重解混合像元。块稀疏解能够在第一步估计当前待求解混合像元中地物覆盖类型以及地物覆盖类型的数目，在场景地物类型数目很大的情形下，这能够极大地减少在MESMA的迭代过程中所有可能的候选端元模型组合数。
　　（3）就论文提出的新方法分别进行了仿真模拟数据和真实遥感数据的相关实验结果验证。通过定性和定量的比较，验证了论文提出的BSBL-MESMA算法能够取得比采用固定端元的光谱解混算法更好的效果。与传统多端元模型相比，在地物种类数目很大时，本论文所提SMESMM模型能够极大减少计算量。

目录

封面

声明

中文摘要

英文摘要

目录

第一章绪论

1.1研究的背景和意义

1.2研究现状与发展趋势

1.3研究内容与论文框架

第二章光谱混合分析技术的研究基础

2.1光谱混合分析的理论基础

2.2光谱混合分析技术算法

2.3端元自动提取算法

2.4传统丰度估计算法

2.5稀疏光谱混合分析方法

2.6精度评价指标

2.7本章小结

第三章稀疏多端元光谱混合分解模型

3.1候选多端元光谱数据集构建方法

3.2稀疏多端元光谱混合分析

3.3 BSBL-MESMA算法

3.4模型与算法的普适性分析

3.5本章小结

第四章实验分析与结果验证

4.1实验设计与相关说明

4.2仿真模拟数据实验

4.3端元已知的仿真模拟数据实验结果分析

4.4端元未知的仿真模拟数据实验结果分析

4.5真实遥感影像数据实验分析

4.6实验分析与总结

4.7本章小结

第五章总结与展望

5.1研究结论

5.2特色创新

5.3研究展望

致谢

参考文献

攻硕期间取得的研究成果