高光谱图像光谱解混及端元提取方法研究
目录
第一章绪论 (1)
1.1研究背景及意义 (1)
1.2国内外研究现状 (3)
1.3本文的研究内容和创新点 (6)
1.3.1 主要研究内容 (6)
1.3.2 主要创新点 (7)
1.4论文的章节安排 (7)
第二章高光谱数据处理 (9)
2.1 高光谱数据 (9)
2.2 解混模型 (10)
2.2.1混合像元的形成 (10)
2.2.2高光谱解混 (12)
2.3 高光谱数据预处理 (14)
2.3.1数据选择 (14)
2.3.2降维 (14)
2.3.2.1主成分分析 (15)
2.3.2.2最大噪声分离 (16)
2.3.2.3独立成分分析 (17)
2.3.2.4奇异值分解 (17)
2.4 端元个数确定 (18)
2.5 本章小结 (19)
第三章高光谱影像解混及评价 (20)
3.1 基于线性混合模型的端元提取算法 (20)
3.1.1 N-FINDR算法 (20)
3.1.2 PPI算法 (21)
3.1.3 VCA算法 (22)
3.1.4 SGA算法 (23)
3.1.5 IEA算法 (23)
3.1.6 OSP (24)
3.2 非线性解混模型的端元提取算法 (25)
3.3 丰度反演方法 (26)
3.3.1非限制性最小二乘 (26)
3.3.2非负限制性最小二乘 (26)
3.3.3和为一限制性最小二乘 (27)
3.3.4全限制性最小二乘 (27)
3.3.5 线性分解模型的拓展 (27)
3.4 高光谱解混评价 (28)
3.5 基于N-FINDR改进的端元提取算法 (29)
3.5.1改进思路 (29)
3.5.2算法改进 (31)
3.5.3算法描述 (33)
3.6 本章小结 (37)
第四章算法实验 (38)
4.1 模拟数据实验 (38)
4.1.1 模拟实验数据生成 (38)
4.1.2 噪声数据生成 (39)
4.1.3 模拟实验结果 (40)
4.2 实际数据实验 (46)
4.3 本章小结 (54)
第五章总结展望 (56)
5.1 总结 (56)
5.2 展望 (57)
参考文献 (61)
攻读学位期间取得的研究成果 (66)
致谢 (67)
第一章绪论
第一章绪论
1.1研究背景及意义
遥感（Remote Sensing）是自上世纪60年代发展起来的一种从远处探测、感知物体的对地观测技术[1]。遥感技术突飞猛进，从运载平台的以飞机为主到以人造卫星、宇宙飞船以及火热的无人机技术等多个平台百花齐放，传感器的以光学摄影机为主到以计算机扫描为主，技术的更新换代给人类活动带来的海量信息和海量数据的处理要求。人们不再满足于获取普通遥感影像，而期望得到感兴趣区域的高空间分辨率、高光谱分辨率、高时间分辨率的遥感卫星影像。高光谱就是在一个连续的光谱范围内获取地表信息的技术手段，光谱不仅包含了人眼的可见光区间，还扩展至紫外、近红外、短波红外，生成数百个精细至纳米级光谱分辨率的连续波段。高光谱遥感紧密结合普通遥感影像和光谱的特性，极大提高了人类在海洋探测、资源评估、灾害预测、气候预测、地质勘探、现代农业、国防军事等诸多领域的主观能动性和分析处理能力。
成像光谱仪是获取高光谱遥感图像的关键，体现了一个国家的综合科技实力。目前国内外运行工作的高光谱遥感系统多至50余种。表1.1统计的是现有主要高光谱成像系统[2]。常见的如美国的A VIRIS数据包含波谱范围在400-2500nm的224个波段，空间分辨率也达到20m。我国自主研发的推扫型成像光谱仪（PHI）和实用型模块成像光谱仪系统（OMIS）也在世界航空成像光谱仪中占有重要地位，代表了亚洲先进技术[3]。此外，于2008年9月发射成功的HJ-1星载高光谱成像仪被认为是我国航天高光谱遥感领域的新突破，具有重大意义。
在强大硬件设备支撑下遥感数据和处理技术也随之蓬勃发展。由于遥感技术可获取数据范围之广、速度之快，带来的是人力难以胜任的海量数据。而高光谱数据的多波段特性使得普通遥感图像处理技术不再适应，提出了新的图像数据处理技术需求。高光谱遥感信息处理具有以下特点：（1）具有多目标性、操作对象多样性，可以直接在原始波段数据处理也可以对其处理后再做数据分析；（2）对先验知识与背景数据的依赖性，需要有关的地物光谱数据、辅助数据等；（3）高光谱信息处理中不确定性，综合了图像维和光谱维的不确定性，加之一些重要波段的不确定性往往导致应用结果的错误；（4）充