论文部分内容阅读
高光谱遥感技术能够探测到宽波段遥感中无法探知的地表成分细节信息,但由于空间分辨率的限制和地物的复杂多样性,混合像元问题非常突出,成为高光谱定量化应用研究必须解决的关键问题之一。传统的像元解混算法,理论上能够突破空间分辨率限制,在亚像元层面获取地物成分(端元)光谱信息和空间分布比例(丰度),但由于过度依赖先验知识,真实数据通常难以满足。 盲信号分离技术能够根据混合信号本身实现源信号与混合比例的估计,降低对先验知识的依赖程度,代表性的有非负矩阵分解(NMF)等。由于NMF的数学形式和非负性约束等特征非常适合处理高光谱数据,论文选择以其作为像元盲分解的研究基础。需要指出的是,NMF技术的通用性和“局部极小”等问题,对于盲分解过程将产生不利影响,需要深入挖掘高光谱数据典型特征,构建解混约束项或边界条件,引导解混过程向符合数据真实情况的方向靠近。 高光谱遥感数据中包含典型的空间相关性和谱间相关性。二者物理意义明确,反映了图像的内在结构特征,可作为构建解混算法约束项的主要依据。因此,论文选择开展高光谱遥感图像的相关性分析及其在像元盲分解中的应用方法研究,基于空间与谱间相关性构建盲分解模型的约束条件,改善解混算法的精度、适用范围或运算效率。 基于上述技术背景与分析,论文完成的主要研究工作如下: 1)针对空间相关程度高的图像,利用Markov随机场(MRF)模型将空间相关特征与NMF相结合,提出了MRF-NMF盲分解算法,通过克服NMF的局部极小问题改善解混精度。 高光谱遥感图像中,相邻像元取值具有潜在的相互依赖性,可称为空间相关特征。论文针对空间相关程度高的图像,利用MRF模型建立表示像元空间相关特征的联合概率分布;同时设计了MRF空间相关约束函数与标准NMF目标函数的交替运行模式,避免二者处于同一函数内部时的相互干扰。实验结果表明,MRF-NMF算法适合解混空间相关程度高的高光谱图像,具有比MVCNMF等参考算法更高的解混精度和运行效率。 2)针对MRF-NMF算法适用范围较窄的问题,利用信号预测度模型将谱间相关(光谱曲线平滑)特征与MRF-NMF相结合,提出了MRF-NMF扩展算法,通过构建可反映中、低空间相关程度图像典型光谱特征的约束条件,使解混算法的适用范围更广。 高光谱遥感图像各谱段之间具有显著的近似性和相互依赖性,可称为谱间相关特征。平滑性是谱间相关特征在光谱曲线方面的典型反映,论文利用信号预测度模型表示谱线平滑性,作为新约束项加入MRF-NMF算法的NMF目标函数,同时设计“约束项移除”机制来减轻函数内部干扰,得到MRF-NMF扩展算法。实验结果表明,相对于MRF-NMF,MRF-NMF扩展算法不受图像空间相关程度的限制,适用范围更广,解混精度也能保持稳定并有所提高。 3)针对MRF-NMF扩展算法运算效率下降的问题,利用多个信息量参数构建谱间相关(光谱信息冗余)特征模型,提出一种新的波段选择算法,对MRF-NMF扩展算法的输入端进行数据降维,以此提高整体解混效率。 冗余性是谱间相关特征在光谱信息量方面的典型反映。论文综合了K-L散度和平均互信息等信息学参数,对高光谱图像谱间信息冗余的分布情况进行建模,提出一种新的波段选择算法,作为MRF-NMF扩展算法的数据降维预处理步骤。实验结果表明,提出的波段选择算法能够显著提高基于MRF-NMF扩展算法的整体解混效率,同时对解混精度影响很小,处于可接受范围内。