论文部分内容阅读
高光谱遥感成像是对地观测领域的研究热点之一。高光谱图像包含几十至几百个波段的光谱信息,为地物分类和地物识别提供了有力的分析依据。然而,高光谱图像光谱分辨率的不断提高影响了其空间分辨率,导致了高光谱图像中混合像元的广泛存在,即一个像元包含多种不同地物的光谱混合,进而大大影响了地物分类和地物识别的精度,高光谱解混技术旨在从混合像元中分解出地物的光谱向量（端元）和对应的占比（丰度）。利用提取的端元和估计的丰度信息,可进一步提高后续分类或亚像元信息利用的效果。因此,高光谱图像混合像元分解是高光谱技术中的重要研究内容。非负矩阵分解（Non-negative Matrix Factorization,NMF）能够将一个非负矩阵分解为两个非负矩阵的乘积形式,与高光谱线性混合模型一致,反映了数据感知中部分组成整体的直观特点。然而,NMF是一个欠定问题,当应用于高光谱解混时常常会陷入局部最优解。针对该问题,本论文挖掘图像的空间结构信息,设计了几种基于低秩约束非负矩阵分解的高光谱解混方法。具体工作如下:（1）针对现有的NMF线性解混模型中未充分利用空间结构信息这一缺点,设计了一种基于局部低秩非负矩阵分解（Local Low-rank constrained NMF,LLrNMF）的高光谱数据解混方法。首先对高光谱图像进行超像素分割,在分割后的超像素中加入低秩约束并加入到非负矩阵分解模型中。由于低秩约束可以看作是稀疏约束和空间结构信息的结合,该方法能够在约束稀疏时保留空间结构信息。将本方法与相关方法分别在两组人工合成高光谱数据和两组实际高光谱图像上进行实验,在端元提取和丰度估计的准确度进行对比,并讨论方法参数对结果的影响,实验结果显示:本方法在算法收敛性、评价指标SAD和RMSE、方法稳定性、视觉效果等方面均优于VCA、L1/2NMF、GLNMF、WNMF、GNMF等先进方法。（2）针对当前基于双线性模型的高光谱解混方法大多利用监督信息的局限,提出了一种基于低秩双线性非负矩阵分解的高光谱解混方法（GBM based low-rank constrained NMF,GBM-LrNMF）。本方法基于广义双线性模型,不需要假设端元矩阵已知,利用梯度投影下降法同时优化得到端元矩阵、丰度矩阵、非线性丰度矩阵。将方法分别在人工合成高光谱数据和实际高光谱图像上进行实验,并与VCA、NMF、GBM-semiNMF等方法进行对比,结果显示,本方法目标函数收敛更快,在数值指标SAD和RMSE、视觉效果方面均优于VCA、NMF、GBM-semiNMF等先进方法。（3）针对原始高光谱数据中含有非高斯的脉冲噪声的特点,提出一种基于低秩分解的鲁棒非负矩阵解混方法。通过建立实际数据噪声模型,在上述工作基础上,设计出一种基于流形正则的鲁棒非负矩阵分解解混方法（Graphed Robust NMF,GRNMF）。在鲁棒非负矩阵分解模型中,低秩约束由鲁棒模型约束端元矩阵和丰度矩阵,同时挖掘空谱信息以构造端元的空谱流形正则,并将其加入到鲁棒非负矩阵分解（RNMF）模型中。将方法分别在两组人工合成高光谱数据和两组实际高光谱图像上进行实验,并讨论方法参数对结果的影响。将本方法与相关方法在端元提取和丰度估计的准确度、方法鲁棒性方面进行对比,实验结果显示:本方法在评价指标SAD和RMSE、方法稳定性、视觉效果方面均优于VCA、GLNMF、SLNMF、SRNMF等先进方法。本文的工作得到了国家重点基础研究发展计划（―973‖计划）:No.2013CB329402,国家自然科学基金重大研究计划:No.91438103,教育部博士点基金:No.20120203110005的资助。