基于壓縮感知的高光譜圖像稀疏解混方法研究.pdf

1、隨著衛(wèi)星傳感器空間分辨率的不斷提高，消除光譜二次反射效應(yīng)能力的不斷增強(qiáng)，給高光譜圖像分類帶來(lái)了新的研究機(jī)遇，但是由于復(fù)雜實(shí)測(cè)地物的多樣性、地物光譜多次散射以及實(shí)時(shí)變化等問題，高光譜圖像的混元解混問題(Mixed Pixel Decomposition)成為遙感領(lǐng)域新的研究難點(diǎn)。論文針對(duì)高光譜解混過程中存在的分解精度不高，端元數(shù)目冗余以及處理速度慢等問題，以壓縮感知理論作為研究工具，充分利用光譜庫(kù)中豐度系數(shù)向量的稀疏性，對(duì)解混預(yù)處理、端元

2、特征提取以及端元子空間劃分等內(nèi)容展開了研究。
　　針對(duì)高光譜圖像稀疏解混過程中隨機(jī)測(cè)量矩陣造成的觀測(cè)向量不確定性，本文建立搜索測(cè)量矩陣寬度和稀疏度的整數(shù)規(guī)劃數(shù)學(xué)模型，引入混沌蟻群算法來(lái)確定測(cè)量矩陣的參數(shù)。以混沌 Tent Map系統(tǒng)產(chǎn)生的偽隨機(jī)序列為基礎(chǔ)，按照循環(huán)/塊對(duì)角分裂結(jié)構(gòu)，構(gòu)造出改進(jìn)混沌托普利茲矩陣。利用該測(cè)量矩陣與投影矩陣的相關(guān)性，在隨機(jī)梯度下降算法中引入塊SVD分解策略，獲得優(yōu)化改進(jìn)混沌托普利茲測(cè)量矩陣。測(cè)試實(shí)驗(yàn)表明，

3、該優(yōu)化測(cè)量矩陣在端元特征提取過程中，不僅能夠有效的減少了端元特征的數(shù)目，保持了較高的處理速度，而且保證了更精確的特征提取精度。
　　由于衛(wèi)星傳感器在采集過程中云層、大氣等實(shí)時(shí)加性噪聲，量化過程中量化噪聲以及高光譜成像儀和對(duì)象地物間的相對(duì)運(yùn)動(dòng)造成的線性模糊都會(huì)使得高光譜圖像質(zhì)量下降，產(chǎn)生稀疏解混的端元提取精度問題，論文提出一種改進(jìn)分裂Bregman迭代與改進(jìn)型最小近似共軛梯度相結(jié)合的解決方案，通過改進(jìn)型最小近似共軛梯度算法檢測(cè)光譜信

4、號(hào)的尖峰和突變部分，采用并行優(yōu)化加速策略提高分裂Bregman迭代策略收斂速度，引入了迭代重復(fù)加權(quán)策略改造字典學(xué)習(xí)，抑制含噪信號(hào)的乘性噪聲。實(shí)驗(yàn)表明，針對(duì)不同的噪聲，該策略不僅能夠很好的提取和保留實(shí)時(shí)信號(hào)中的尖峰和突變部分，而且具有魯棒重構(gòu)原始測(cè)試信號(hào)的能力，為后續(xù)實(shí)現(xiàn)混元區(qū)域的多端元稀疏解混中提高分解精度提供了幫助。
　　針對(duì)如何將高維數(shù)據(jù)劃分為端元子空間來(lái)提高混元分解精度和處理時(shí)間的問題，提出了一種結(jié)合改進(jìn)型交替方向法與魯棒主

5、成分分析(RPCA)的實(shí)時(shí)低秩分解策略，通過預(yù)測(cè)學(xué)習(xí)訓(xùn)練在線字典實(shí)現(xiàn)低秩分解，采用冗余補(bǔ)償技術(shù)降低低秩分解中的誤差，引入塊自適應(yīng)SVD分解策略提高低秩分解的速度，將該策略應(yīng)用于高光譜信號(hào)的稀疏子空間聚類，達(dá)到劃分端元子空間提高解混分解精度的目的。實(shí)驗(yàn)研究表明，該策略是一種實(shí)時(shí)特征降維中有效的分類方法，能夠?qū)崿F(xiàn)實(shí)時(shí)端元特征降維中有效波段分類。
　　最后，本文的主要研究工作是將壓縮感知理論中所取得的測(cè)量矩陣構(gòu)造與優(yōu)化、高光譜圖像噪聲背