谈谈混合高光谱数据混合像元分解与光谱匹配验证算法

论文导读：
摘要：高光谱遥感是当前定量遥感的重要途径,具有广阔的运用前景。然而,高光谱数据中有着大量的混合像元,成为影响遥感运用精度的重要瓶颈不足。由此为了提升高光谱遥感运用的精度,必须探讨混合像元分解的不足,使高光谱遥感运用由像元级达到亚像元级。本论文围绕高光谱数据混合像元分解,系统探讨若干解混算法及其改善,进而进行光谱匹配验证。在综述高光谱混合像元分解和光谱匹配国内外探讨近况的基础上,本论文主要完成的工作以及革新点如下：1、探讨了基于线性光谱混合模型的高光谱端元提取不足,探讨并且实现了若干经典算法。流程设计和实现了常用的4种端元提取策略,包括：PPI、N-FINDR、VCA、 ATGP。在此基础之上,针对N-FINDR算法,提出了两种改善算法。实验结果表明改善的N-FINDR算法加速了算法的收敛,提升了解混的精度。2、探讨了基于线性光谱混合模型的高光谱丰度反演不足,流程设计和实现了常用的4种基于最小二乘的丰度反演算法,通过不同测试集给出了4种算法的性能浅析和实验验证。3、探讨了基于稀疏性的线性混合像元分解不足。通过建立基于范数约束下的稀疏性混合像元分解的目标代价函数,设计了基于交替方向迭代的混合像元分解算法。实验结果表明：该策略可以取得优于非限制性最小二乘法的丰度反演结果。并且能在不假设纯像元有着的情况下,提取出图像的端元及其对应的丰度矩阵。4、在介绍光谱编码匹配,光谱角度匹配、光谱相关性匹配等经典光谱匹配算法的基础上,提出了利用光谱曲线波峰波谷信息编码的光谱匹配新算法。该算法充分利用光谱曲线在局部范围内的波峰和波谷分布个数,然后进行分组编码,得到光谱曲线的形状匹配。实验结果表明：本论文策略具有较高的光谱匹配精度,通过与5种端元提取策略相结合,验证了该策略在地物识别中的运用性能。关键词：线性光谱混合模型论文混合像元论文混合像元分解论文稀疏性论文编码论文光谱匹配论文
本论文由www.7ctime.com,需要论文可以联系人员哦。摘要3-4
Abstract4-6
目录6-8
1 绪论8-14

1.1 引言8-9

1.2 国内外探讨近况综述9-13

1.2.1 高光谱遥感概念及其运用9-11

1.2.2 高光谱像元分解概念及探讨近况11-12

1.2.3 光谱匹配的概念及探讨近况12-13

1.3 本论文的结构安排13-14

2 基于线性混合模型的高光谱端元提取及改善算法14-32

2.1 引言14

2.2 线性光谱混合模型14-15

2.3 4个经典的端元提取算法15-21

2.3.1 PPI算法15-17

2.3.2 N-FINDR算法17-18

2.3.3 VCA算法18-20

2.3.4 ATGP算法20-21

2.4 N-FNDR算法的改善21-24

2.4.1 利用VCA算法改善N-FINDR算法22-23

2.4.2 PPI纯像元指数与N-FINDR的融合算法23-24

2.5 实验结果与浅析24-31

2.5.1 模拟图像端元提取实验25-28

2.5.2 真实高光谱图像端元提取实验28-31

2.6 本章小结31-32

3 基于线性混合模型的高光谱丰度反演的最小二乘算法32-45

3.1 引言32

3.2 丰度反演原理32-33

3.3 基于最小二乘的4种丰度反演算法33-37

3.1 非限制性最小二乘法(UCLS)33

3.2 和为一限制性最小二乘法(SCLS)33-34

3.3 非负限制性最小二乘法(NCLS)34-36

3.4 全限制性最小二乘法(FCLS)36-37

3.4 4种丰度反演算法的综合比较实验37-44

3.4.1 模拟图像丰度反演实验37-39

3.4.2 真实高光谱图像丰度反演实验39-44

3.5 本章小结44-45

4 基于稀疏性约束的高光谱混合像元分解算法45-53

4.1 引言45

4.2 基于L_1范数约束的稀疏性混合像元分解算法45-47

4.3 算法描述47-49

4.

3.1 交替方向迭代法47-48

4.

3.2 基于交替方向迭代法的稀疏性混合像元分解算法描述48-49

4.4 实验结果与浅析49-52

4.1 模拟图像稀疏性混合像元分解实验49-51

4.4.2 真实高光谱图像稀疏性混合像元分解实验51论文导读：位置求解算法55-585.3.2利用波峰波谷位置编码的算法描述58-595.4实验结果与浅析59-675.4.1利用光谱角度匹配浅析端元提取结果59-645.4.2P-V编码匹配结果64-675.5本章小结67-686总结与展望68-69致谢69-70参考文献70-73上一页12
-52

4.5 本章小结52-53

5 基于光谱曲线波峰波谷检测与编码的光谱匹配算法53-68

5.1 引言53

5.2 经典光谱匹配算法53-55

5.

2.1 编码匹配53-54

5.

2.2 光谱角度匹配54

5.

2.3 光谱相关性匹配54-55

5.3 基于光谱曲线波峰波谷自动检测与编码的新型光谱匹配算法的提出55-59
5.

3.1 光谱曲线波峰波谷位置求解算法55-58

5.

3.2 利用波峰波谷位置编码的算法描述58-59

5.4 实验结果与浅析59-67
5.

4.1 利用光谱角度匹配浅析端元提取结果59-64

5.

4.2 P-V编码匹配结果64-67

5.5 本章小结67-68
6 总结与展望68-69
致谢69-70
参考文献70-73