导读:本文包含了像元分解算法论文开题报告文献综述及选题提纲参考文献，主要关键词:高光谱图像,端元提取,丰度估计,Gram-Schmidt正交化
像元分解算法论文文献综述
赵岩[1]（2019）在《高光谱图像线性模型混合像元分解的算法研究》一文中研究指出高光谱成像光谱仪从紫外到短波红外的连续电磁光谱中捕获几十至几百个波段的叁维图像信息。高光谱图像包括长、宽两个平面维度和一个光谱维度。可以利用高光谱图像包含的丰富光谱信息进行探测地面目标和识别地物,因此高光谱图像在民用和军用领域被广泛运用。高光谱图像能够在较窄的波段上成像,因此具有较高的光谱分辨率。然而,由于受到空间分辨率较低和地物分布复杂的影响,高光谱图像含有大量的混合像元。在现有空间分辨率的条件下,大量地存在混合像元,这对图像分类和目标探测的结果造成了影响,同时也限制了高光谱的定量化发展。因此,如何有效地进行混合像元分解是高光谱图像应用的重要技术问题。混合像元分解的过程为求解包含的地物种类(端元)以及地物种类的占比(丰度)。目前,线性模型混合像元分解算法得到广泛应用。本文以提高端元提取和丰度估计精度为目标展开研究。本论文的主要工作如下。1.针对形态学算子的输出统计偏差较大,影响端元提取精度的问题,提出了一种基于广义形态学的高光谱图像端元提取算法。该算法引入参考像元,并把正则化的修正能量函数当作距离测度,通过计算含有两个结构单元的广义开-闭算子,提取端元。实验结果显示,该算法能自动提取端元,提取精度较高。2.针对高光谱图像序列端元提取算法存在较大的端元误差马尔可夫性,影响端元提取精度的问题,提出了一种基于Gram-Schmidt正交化的3端元成组提取算法。通过反复搜索特征空间中最大面积叁角形进行成组端元提取,以降低端元误差的马尔可夫性,提高端元提取的精度。实验验证了算法的性能。3.为了解决大多数丰度估计算法需要进行行列式运算和矩阵求逆运算,导致算法计算复杂度较高的问题,提出了一种基于正交基的丰度估计算法。通过计算待分解向量在特征向量上的投影与正交基的比值获得丰度估计,该算法只涉及向量内积运算,计算量较小。实验验证了算法的有效性。4.经典非负矩阵分解的目标函数是非凸的,它影响着最优解的获取,为了解决这一问题,提出了一种基于端元约束非负矩阵分解的解混算法。根据端元之间独立的特性,添加端元光谱相关性和端元光谱差别两个约束,利用投影梯度算法进行迭代运算,同时获得端元和丰度估计。实验结果显示,该算法解混性能较好。(本文来源于《哈尔滨理工大学》期刊2019-06-01）
李登刚,陈香香,李华丽,王忠美[2]（2019）在《基于超像素的流形正则化稀疏约束NMF混合像元分解算法》一文中研究指出针对传统非负矩阵分解(NMF)法用于高光谱图像混合像元分解时产生的分解结果精度不高、对噪声敏感等问题,提出一种基于超像素的流形正则化稀疏约束NMF混合像元分解算法——MRS-NMF。首先,通过基于熵率的超像素分割来构造高光谱图像的流形结构,把原图像分割为k个超像素块并把每个超像素块中具有相似性质的数据点标上相同的标签,定义像素块内有相同标签的任意两个数据点之间的权重矩阵,然后将权重矩阵应用于NMF的目标函数中以构造出流形正则化约束项;第二,在目标函数中添加二次抛物线函数以完成稀疏约束;最后,采用乘法迭代更新法则求解目标函数以得到端元矩阵和丰度矩阵的求解公式,同时设置最大迭代次数和容忍误差阈值,迭代运算得到最终结果。该方法有效利用了高光谱图像的光谱和空间信息。实验结果表明,在模拟的高光谱数据中,与传统的流形稀疏约束的非负矩阵分解(GLNMF)、L1/2-NMF和顶点成分分析-全约束最小二乘法(VCA-FCLS)等方法相比,MRS-NMF可以提高0.016～0.063的端元分解精度和0.01～0.05的丰度分解精度;而在真实的高光谱图像中,MRS-NMF较传统的GLNMF、顶点成分分析法(VCA)、最小体积约束的非负矩阵分解(MVCNMF)等方法可以平均提高0.001～0.043 7的端元分解精度。所提MRS-NMF算法有效地提高了混合像元分解的精度,同时具有较好的抗噪性能。(本文来源于《计算机应用》期刊2019年10期）
唐茂峰[3]（2018）在《高光谱图像高阶非线性混合像元分解算法研究》一文中研究指出随着经济社会的发展,城市环境与自然环境在组成成分和空间结构上愈发复杂,与此同时遥感信息挖掘的精度要求也逐渐提高,这对高光谱混合像元分解研究提出了新的挑战,传统的线性光谱解混无法满足精确地物信息提取的要求,非线性光谱解混方法成为研究的热点方向。随着解混要求的提高,高阶的非线性作用在解混中越来越被重视。为了描述场景中的高阶混合作用,光谱混合模型复杂度增加,模型参数量变大,例如p-Linear光谱混合模型。因而,高阶的光谱混合模型在获得完备表达能力的同时,也为丰度反演带来了困难。在此背景下,本文主要探讨了基于高阶光谱混合模型进行丰度反演将会遇到的问题,并提出了相应的解决方案;此外,为了更完备地表达视场中的非线性混合,本文提出了一种新的高阶非线性光谱混合模型。本论文的主要研究成果包括:1.正则化p-Linear非线性解混算法(Normalized p-Linear Algorithm,NPLA)2.整合空间信息的高阶非线性解混算法(Integrating Spatial Information in the Normalized P-Linear Algorithm,SSDP-NPLA)3.基于多调和函数的多项式非线性光谱混合模型(Multi-Harmonic Postnonlinear Mixing Model,MHPNMM)首先,本文提出了两种非线性高光谱混合像元分解算法,以提高高阶非线性光谱混合模型的反演精度和鲁棒性,以p-Linear模型为基础,本文研究工作的重点是在解混中添加先验信息以降低模型的过拟合现象。NPLA算法通过直接对模型的线性与非线性参数进行二范数约束,并将问题纳入到凸优化框架进行求解;SSDP-NPLA算法则在解混前先进行非监督聚类,然后参数反演时采取了局部参数共享的策略考虑图像内部的空间相关性,最后联合线性与非线性参数估计丰度。进而,本文提出了一种新的高阶光谱混合模型以提高模型对场景中光谱混合的表达能力,该模型称为MHPNMM模型,它利用非线性映射对局部紧密混合进行建模,同时假设视场中局部的紧密混合会因多次散射迭加。本文利用模拟数据实验和真实数据实验分别对提出的叁个新方法进行了验证,结果证明这叁种方法相比传统方法均能提高高光谱混合像元分解的精度。(本文来源于《中国科学院大学(中国科学院遥感与数字地球研究所)》期刊2018-06-01）
郑柱[4]（2018）在《高光谱图像混合像元分解与压缩感知重构算法研究》一文中研究指出高光谱图像具有丰富的空间、辐射和光谱信息,在数据获取、传输、分析过程中,数据量的增加对传统数据采集压缩提出了新的挑战;同时由于地物本身、空间分辨率、大气环境等因素的影响,混合像元现象普遍存在于高光谱图像中,混合像元分解不仅能获取像元真实信息,也有助于图像分类、地物分析等应用。本课题围绕建立基于压缩感知的高光谱混合像元分解以及基于像元线性混合模型进行重构的方法,对信号稀疏表示、压缩感知、混合像元分解以及高光谱图像重构等方面展开研究。本课题主要研究内容如下:(1)介绍稀疏表示、压缩感知技术、高光谱图像混合像元分解的特点和研究现状,介绍稀疏表示、压缩感知框架分析压缩感知重构的实现原理,然后通过对高光谱线性混合模型的分析,从理论上阐述像元线性混合模型和压缩感知理论之间的联系和区别,进而基于两者之间模型的共性,将像元线性混合模型融入到压缩感知框架中,并基于已知光谱库,实现端元提取和丰度反演;(2)通过合成数据,模拟真实场景中高光谱混合像元现象,分析所提出方案的合理性和有效性,分别利用OMP算法、SOMP算法,计算基于光谱库的丰度矩阵,并利用所得丰度矩阵的二范数提取端元、估计相对应的丰度,并利用所提取端元的光谱夹角距离(SAD)和估计丰度的均方根误差(RMSE)及标准偏差对算法性能进行评估,同时与SMACC算法端元提取和丰度估计的结果进行比较。实验结果表明,在压缩感知框架下从已知端元库中提取的端元是真实存在的,而非虚拟端元,且丰度矩阵的二范数差异明显,端元自适应提取效果好,丰度估计精度优于SMACC算法;(3)根据高光谱图像线性混合模型的特点,经过光谱域压缩后的图像仍然满足线性混合模型,分别讨论在已知端元光谱和未知端元光谱的情况下,对压缩数据进行丰度反演,并利用反演结果与端元光谱重构高光谱图像。通过对不同bpp下的压缩数据进行重构,并利用峰值信噪比(PSNR)与标准OMP算法进行比较评估。实验结果表明,在合成数据中,已知端元的重构效果远远好于其余两种;在真实数据中,已知端元和未知端元的重构效果均好于OMP算法;(4)根据高光谱图像在光谱域所具有的强相关性,通过分布式压缩感知的方法提高重构精度。在分布式压缩感知的基础上,基于光谱图像的残差,进行自适应码流分配;根据引导滤波的特点,基于引导滤波进行分布式压缩感知重构,并在考虑高光谱图像噪声分布的同时,优化关键波段与非关键波段的选择策略。实验结果表明,相比于传统的分布式压缩感知重构算法,所提出的算法在重构性能上得到提升,同时具有去除高光谱图像噪声的作用,也可以保持植物光谱关键信息,有效地支持植物高光谱数据处理和分析。本课题通过压缩感知框架与像元线性混合模型之间的联系,利用压缩感知实现混合像元分解,结果表明,所提出的解混方法优于传统解混方法;同时利用线性混合模型对高光谱图像进行重构,结果表明,该方法能够在已知和未知端元的情况下,对高光谱图像进行端元提取及丰度估计从而实现重构,重构效果优于传统方法;同时在分布式压缩感知的基础上做了引导滤波、关键波段选择以及基于图像残差的码流分配等改进,重构效果优于传统方法。(本文来源于《杭州电子科技大学》期刊2018-05-01）
卢思佳[5]（2018）在《高光谱遥感影像混合像元分解算法研究》一文中研究指出高光谱遥感影像相比多光谱遥感在波段数量和波段范围上提供了更多的信息,利用这些丰富的光谱信息可以更好对地物进行检测和识别。然而,混合像元的存在严重影响了高光谱数据的使用价值。混合像元分解方法是解决混合像元问题最有效的手段。本文是在NLSMA(Non-Local Spectral Mixture Analysis)方法的基础上进行研究。针对文中使用Kd-tree方法寻找非局部相似块占用内存过大,运算时间长的缺点,提出了基于低秩分解的联合稀疏解混方法。低秩分解模型将矩阵分解为低秩矩阵,稀疏矩阵和误差矩阵,其约束是稀疏矩阵和误差矩阵的?_?-范数小于阈值,该模型的优化算法较少且耗时过长,适当放松约束条件,以?_2-范数来替代约束项中的?_?-范数,实验表明该方法可以取得同样的效果,并且极大地提高了运算效率。对图像进行低秩分解后得到许多由许多相似像素构成的相似块,假定相似块中的像素点含有相同种类地物,但是对应的比例不同。NLSMA方法通过使用联合稀疏方法对每一个相似块进行全限制非负和一求解,即先通过T-MSBL(Transform-Multiple Sparse Bayesian Learning)方法来对多观测向量问题MMV(Multiple Measurement Vectors)进行求解,得到相似块中可能包含的地物种类,再根据FCLS(Fully Constrained Least Squares)方法求得相似块中每一个像素对应的丰度向量。观察该方法得到的水体丰度图,可以看到有许多非水体的地方丰度系数并不为零。因此,考虑通过NDWI指标来先把水体提出来,这为以后可以单独提取某种特定地物提供一个框架。T-MSBL方法相比较其他的MMV算法考虑了观测向量之间的时间相关性。但是该方法耗时长,因此采用不考虑时间相关性的MSBL(Multiple Sparse Bayesian Learning)方法近似求解,实验表明该方法运算速度快,精度基本与T-MSBL方法相近。利用改进后的方法在公开的高光谱遥感数据集上进行实验,实验结果表明该方法9类分类平均精度达到93.35%,依据V-I-S模型将9类地物合并为5类,其总体分类精度达到96.88%,与NLSMA方法相比,所提方法在能够取得相似结果精度的情况下,运算速度得到了较大的提高。(本文来源于《电子科技大学》期刊2018-04-01）
高连如,孙旭,罗文斐,唐茂峰,张兵[6]（2018）在《高光谱遥感图像混合像元分解的群智能算法》一文中研究指出近年来,通过群智能算法求解组合优化或连续优化问题以实现高光谱图像混合像元分解方面取得了重要进展和显着成果.本文首先回顾了高光谱图像混合像元分解的研究背景和群智能算法的特点,然后梳理了光谱混合模型及对应的最优化模型,进而介绍了基于群智能算法的端元提取和丰度反演方法,最后通过2组实验比较了群智能算法和其他传统算法在端元提取和丰度反演方面的精度,对基于群智能算法的混合像元分解效果进行了评价.另外,本文也对群智能算法在高光谱图像信息提取中应用的优势和存在的问题进行了总结.(本文来源于《南京信息工程大学学报(自然科学版)》期刊2018年01期）
王瀛,何欣,左方[7]（2018）在《基于最大整体包容度约束非负矩阵分解的高光谱遥感图像混合像元分析算法》一文中研究指出针对高光谱遥感图像中存在高度混合无纯像元的现象,提出了端元整体包容度约束,并将其加入非负矩阵分解的目标函数.在满足端元非负性与和为一约束的同时,利用数据在特征空间的几何特性,要求端元构成的单形体所容纳的像元尽可能多.该算法不需对原始数据降维,不损害数据的物理意义,在迭代过程中使用乘性规则,避免了传统梯度优化过程中常见的整体步长难以控制现象.对模拟图像和真实图像进行实验评测并比较了提取端元精准度、鲁棒性以及执行效率,结果表明,本文算法可有效分析高光谱遥感图像混合像元.(本文来源于《光子学报》期刊2018年03期）
吴柯,何坦,杨叶涛[8]（2019）在《基于混合像元分解与EM算法的中低分辨率遥感影像变化检测》一文中研究指出中低分辨率遥感影像中广泛存在的混合像元极大地限制了变化检测结果的精度。基于混合像元分解技术,能够深入到像元内部,比较不同端元的组成分差异影像,然后获取亚像元级别的变化信息。如何从差异影像中确定合适的变化阈值,从而准确地判断变化是否发生,是一个难点问题。在高斯模型分布假设的情况下,采用最大期望法(expectation maximization,EM)自动提取最佳阈值,完成自适应的变化检测过程。选择了两种典型的阈值选择方法与该方法进行比较,结果证明基于EM的自适应变化检测方法可以更准确地提取变化信息,具有较好的稳健性。(本文来源于《武汉大学学报(信息科学版)》期刊2019年04期）
田珊珊,杨敏华[9]（2016）在《遥感影像混合像元分解算法对比分析》一文中研究指出当混合像元分解将遥感中的分类问题深入到亚像元级别时就有巨大的研究前景。围绕混合像元分解问题,介绍了不同的端元提取方法,并利用地面真实遥感数据,采用PPI与SMACC 2种算法进行端元提取,完成丰度反演,获取每种端元的比例。对精度进行对比和分析的结果表明,在端元提取上PPI算法更为精确。(本文来源于《现代测绘》期刊2016年01期）
宋彩英[10]（2015）在《基于Landsat8的地表温度像元分解算法研究》一文中研究指出地表温度(Land Surface Temperature, LST)是描述陆地表面能量交换过程和反映地表特征的重要参数。卫星遥感是区域或全球尺度地表温度快捷获取的最佳手段,目前从主要的星载热红外传感器得到的地表温度空间分辨率仍较低,极大地限制了地表温度的应用。在相同遥感数据中,可见光/近红外波段的空间分辨率通常较热红外波段更高。实践证明,把热红外波段数据与空间分辨率较高的可见光/近红外波段数据进行融合,可有效地提高地表温度图像的空间分辨率。由于空间分辨率是通过像元尺度来表示,因此,提高地表温度图像的空间分辨率,实际上就是对地表温度图像的像元分解,把大尺度的像元分解成较小尺度的像元。目前虽然已经提出了不同的像元分解方法,但根据地表组分来进行地表温度图像像元分解,并且保持分解前后像元热辐射特征不变,一直是热红外遥感应用研究的重要方向。本文的研究目标是,以Landsat 8为遥感数据源,以能量平衡为原则,综合不同地表组分热辐射的异质性和不同空间分辨率的可见光/近红外波段数据与热红外波段数据的融合方法,对100 m空间分辨率的地表温度数据进行像元分解,以期将地表温度的空间分辨率提高到30 m,从而实现高空间分辨率地表温度数据的获取。本文的研究方法是,提出了一种地表温度光谱分解模型(Temperature Unmixing with Spectral, TUS),成功实现了地表温度的像元分解。首先,基于线性光谱混合模型获得不同地表组分的丰度值；基于温度/植被指数选取地表组分典型端元的地表温度；综合不同地表组分的比辐射率数据计算得到30 m空间分辨率的初次分解地表温度数据。然后,基于30 m空间分辨率的初次分解子像元的地表温度数据,计算得到初次分解子像元的辐亮度和辐射通量数据,从而获得初次分解子像元辐射通量占其父像元辐射通量的权重。最后,通过子像元权重计算得到子像元的辐亮度,从而获得30 m空间分辨率的地表温度数据。为了验证方法的可信性,分别采用升尺度降尺度验证方法和对比分析方法,评价论文提出的TUS模型的精度。以改进型单窗算法反演得到的100 m空间分辨率的地表温度作为“真值”,首先通过升尺度得到300 m空间分辨率的地表温度数据,然后,分别采用TUS模型、SUTM模型和E-DisTrad模型降尺度得到100m空间分辨率的地表温度,最后,与“真值”进行比较,评价叁种模型的优劣性。研究结果表明,基于TUS模型实现了Landsat 8地表温度的像元分解,将地表温度的空间分辨率提高到30 m,相较于热红外波段的空间分辨率(100 m)提高了近3倍。同时,地表温度的像元分解反映出不同地表组分地表温度的空间差异性,地表温度的分布状况与下垫面类型有较好的一致性。同E-DisTrad、SUTM模型相比较,TUS模型不仅有效地保证了地表温度像元分解前后热辐射能量的一致性,而且像元分解的精度最高,平均绝对误差(MAE)和均方根误差(RMSE)分别为1.71K和2.37K,而SUTM、E-DisTrad模型的MAE和RMSE分别为：2.04K、2.79K和2.23K、3.20K。因此,地表温度光谱分解模型非常适合于复杂地表覆盖地区的地表温度影像数据的降尺度处理。(本文来源于《南京大学》期刊2015-05-28）
像元分解算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对传统非负矩阵分解(NMF)法用于高光谱图像混合像元分解时产生的分解结果精度不高、对噪声敏感等问题,提出一种基于超像素的流形正则化稀疏约束NMF混合像元分解算法——MRS-NMF。首先,通过基于熵率的超像素分割来构造高光谱图像的流形结构,把原图像分割为k个超像素块并把每个超像素块中具有相似性质的数据点标上相同的标签,定义像素块内有相同标签的任意两个数据点之间的权重矩阵,然后将权重矩阵应用于NMF的目标函数中以构造出流形正则化约束项;第二,在目标函数中添加二次抛物线函数以完成稀疏约束;最后,采用乘法迭代更新法则求解目标函数以得到端元矩阵和丰度矩阵的求解公式,同时设置最大迭代次数和容忍误差阈值,迭代运算得到最终结果。该方法有效利用了高光谱图像的光谱和空间信息。实验结果表明,在模拟的高光谱数据中,与传统的流形稀疏约束的非负矩阵分解(GLNMF)、L1/2-NMF和顶点成分分析-全约束最小二乘法(VCA-FCLS)等方法相比,MRS-NMF可以提高0.016～0.063的端元分解精度和0.01～0.05的丰度分解精度;而在真实的高光谱图像中,MRS-NMF较传统的GLNMF、顶点成分分析法(VCA)、最小体积约束的非负矩阵分解(MVCNMF)等方法可以平均提高0.001～0.043 7的端元分解精度。所提MRS-NMF算法有效地提高了混合像元分解的精度,同时具有较好的抗噪性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
像元分解算法论文参考文献
[1].赵岩.高光谱图像线性模型混合像元分解的算法研究[D].哈尔滨理工大学.2019
[2].李登刚,陈香香,李华丽,王忠美.基于超像素的流形正则化稀疏约束NMF混合像元分解算法[J].计算机应用.2019
[3].唐茂峰.高光谱图像高阶非线性混合像元分解算法研究[D].中国科学院大学(中国科学院遥感与数字地球研究所).2018
[4].郑柱.高光谱图像混合像元分解与压缩感知重构算法研究[D].杭州电子科技大学.2018
[5].卢思佳.高光谱遥感影像混合像元分解算法研究[D].电子科技大学.2018
[6].高连如,孙旭,罗文斐,唐茂峰,张兵.高光谱遥感图像混合像元分解的群智能算法[J].南京信息工程大学学报(自然科学版).2018
[7].王瀛,何欣,左方.基于最大整体包容度约束非负矩阵分解的高光谱遥感图像混合像元分析算法[J].光子学报.2018
[8].吴柯,何坦,杨叶涛.基于混合像元分解与EM算法的中低分辨率遥感影像变化检测[J].武汉大学学报(信息科学版).2019
[9].田珊珊,杨敏华.遥感影像混合像元分解算法对比分析[J].现代测绘.2016
[10].宋彩英.基于Landsat8的地表温度像元分解算法研究[D].南京大学.2015
标签：高光谱图像; 端元提取; 丰度估计; Gram-Schmidt正交化;