论文部分内容阅读
高光谱遥感是一种能够获取地物连续波谱、图谱合一的对地观测技术,作为遥感领域上世纪最重大的科技突破之一,是地质、农业、环境、军事等领域的重要数据来源。然而由于传感器空间分辨率的限制,混合像元,即包含多种土地覆盖类型的像元,广泛存在于高光谱遥感影像,严重阻碍了高光谱遥感定量化应用的发展。光谱分解技术是解决高光谱混合像元问题的主要思路,其通过建立混合像元模型,将混合像元中分解为基本物质组成单元(端元)以及端元的百分含量(丰度)。从高维信号处理的角度来说,光谱分解技术包含三个科学问题:端元个数估计、光谱提取以及丰度反演,分别解决混合像元中有多少类地物、有什么地物以及占多少比例的问题。本文关于高光谱遥感影像全自动光谱分解方法的研究旨在通过无监督的方式实现端元个数、光谱与丰度的全自动估计。传统的光谱分解方法通常采用端元个数估计、端元光谱提取和丰度反演的流程,依次实现端元个数、光谱与丰度的无监督估计,但由于不同方法之间相互独立,存在大量的累计误差,导致传统光谱分解策略无法真正实现“全自动”。现有研究主要存在如下亟需解决的问题:1)光谱分解流程中不同方法与模型之间相互独立,缺少可应用于全自动光谱分解任务的一体化原型系统。2)端元个数估计独立于后续的端元光谱提取和丰度分布反演,彼此之间缺乏交互,导致估计的端元个数无法适用于后续分解;3)线性盲分解中光谱特性已充分挖掘但空间特性未高效利用,缺少可高效地融合光谱与空间信息的模型与方法;4)传统混合模型仅考虑了单一像元内线性与非线性混合,未顾及辐射传输过程中邻近像元间交叉辐射引起的非线性混合效应。上述难题中,端元个数的自动估计是决定光谱分解自动化程度的核心问题,光谱与空间信息融合贯穿全自动光谱分解的各个环节,决定了光谱分解的鲁棒性和准确性。针对全自动光谱分解中面临的端元个数独立于后续分解、盲分解空间信息利用效率低、混合模型未顾及邻近像元间的非线性混合、缺少全自动光谱分解原型系统等共性问题,本论文的主要研究内容与创新点概括如下:(1)提出基于显著性的端元个数估计与光谱自动提取方法。针对端元个数估计独立与后续光谱分解的问题,本文利用显著性分析方法建立了端元个数、端元光谱与丰度异常之间的联系,将端元提取问题转化为显著性探测问题,端元对应于丰度异常空间中的显著目标,并通过判断影像中是否仍存在显著目标自动确定端元个数,同步实现了鲁棒地端元个数与光谱估计。(2)提出基于空间结构稀疏约束的非负矩阵盲分解方法。针对混合像元盲分解中空间信息利用效率较低的问题,设计了同时建模丰度稀疏性与空间相关性的结构稀疏正则项,提出了基于空间结构稀疏的非负矩阵分解方法,在减少模型正则化参数的同时有效提升算法的鲁棒性。(3)提出顾及临近效应的非线性混合像元盲分解方法。针对混合像元模型未顾及邻近像元间的非线性混合问题,分析了辐射传输中邻近效应对于混合像元的影响,提出了顾及邻近效应双线性混合像元模型,并在此模型基础上提出了联合反卷积与盲分解的非线性光谱分解方法,同时解决混合像元与邻近效应问题。(4)建立全自动光谱分解一体化原型系统。在模型与方法基础上,对比分析上述端元个数与光谱的估计、线性盲分解与非线性盲分解方法的综合性能与适用性,开展全自动光谱分解一体化原型系统的研究。综上所述,本文从高光谱遥感影像光谱分解的共性问题出发,旨在建立全自动光谱分解框架,实现端元个数、端元光谱与丰度分布的自动估计,该研究对于提升混合像元分解的自动化水平具有重要意义。