高光譜遙感圖像的解混理論和方法研究.pdf

1、高光譜傳感器在一個(gè)連續(xù)的包括電磁波譜的紫外到短波紅外等數(shù)十至數(shù)百個(gè)波段的光譜區(qū)間內(nèi)獲得豐富的地表信息。受空間分辨率和地表混合效應(yīng)的影響，記錄瞬時(shí)視場(chǎng)(Instantaneous Field Of View，IFOV)內(nèi)地物光譜的單個(gè)高光譜像素通常覆蓋不止一種地物組成成分（端元），這些像素被稱為混合像元，它們給地面目標(biāo)的測(cè)量和分析帶來(lái)較大的困難。因此，高光譜解混已經(jīng)成為近幾十年來(lái)高光譜圖像處理領(lǐng)域一個(gè)備受關(guān)注的熱點(diǎn)。它通常由兩個(gè)步驟組成:

2、提取圖像中的端元特征光譜，即端元提取，和確定像素中各個(gè)端元所占的比例，即豐度估計(jì)。由于具有簡(jiǎn)單的物理解釋和低復(fù)雜度的求解方案，線性光譜混合模型(LinearSpectral Mixture Model，LSMM)成為當(dāng)前研究中廣泛應(yīng)用的模型。然而，LSMM只是對(duì)于混合過(guò)程發(fā)生在宏觀尺度而且像素內(nèi)僅存在單反射的情況有效。在實(shí)際數(shù)據(jù)中，這種情況并不總是滿足的。為此，一些非線性光譜混合模型(Nonlinear Spectral Mixture

3、 Models，NSMMs)被用于表示高光譜圖像中的非線性效應(yīng)和克服LSMM的內(nèi)在缺陷。本論文的目標(biāo)是提出有效的基于線性和非線性模型的高光譜解混(Hyperspectral Unmixing，HU)方法以充分提取高光譜圖像中蘊(yùn)含的豐富信息。本論文的主要工作和創(chuàng)新點(diǎn)包括以下幾個(gè)方面:
　　1.提出一種新的基于Cayley-Menger行列式的端元提取算法。作為一種基于LSMM的幾何算法，該算法的目的是確定包含整個(gè)高光譜數(shù)據(jù)云的最大體

4、積的單形體。我們首先采用Cayley-Menger行列式計(jì)算和分析高維觀測(cè)空間內(nèi)的低維單形體體積。然后，根據(jù)Hermite矩陣的特性提出一種新的快速遞推關(guān)系，以使端元光譜以低復(fù)雜度的順序方式被提取出來(lái)。
　　2.提出一種新的基于距離幾何理論的全約束豐度估計(jì)算法。根據(jù)LSMM，HU可以被看作一個(gè)凸面幾何問(wèn)題。根據(jù)與端元的單形體之間的位置關(guān)系，我們將高光譜觀測(cè)像素被分為三大類:內(nèi)點(diǎn)、外點(diǎn)Ⅰ和外點(diǎn)Ⅱ。只有內(nèi)點(diǎn)的重心坐標(biāo)才能作為豐度輸出。

5、為此，我們首先提出一種基于Caylen-Menger矩陣的重心坐標(biāo)計(jì)算方法，它同樣是僅涉及觀測(cè)像素之間的距離。然后，我們利用凸面幾何概念和距離幾何約束提出兩個(gè)快速而準(zhǔn)確的方法分別確定外點(diǎn)Ⅰ和外點(diǎn)Ⅱ在端元單形體上的最佳估計(jì)點(diǎn)，并將它們的重心坐標(biāo)作為觀測(cè)像素的估計(jì)豐度輸出。這些估計(jì)點(diǎn)是以距離的形式給出的，而且在計(jì)算過(guò)程中保持了數(shù)據(jù)集的幾何結(jié)構(gòu)。整個(gè)算法采用遞歸操作，具有較低的運(yùn)算復(fù)雜度。
　　3.提出兩種基于約束非線性最小二乘(Con

6、strained Nonlinear Least Squares,CNLS)的解混算法。首先，我們將未知變量分為兩類:豐度和非線性參數(shù)。由于物理原因，它們滿足三個(gè)約束條件:豐度和為一約束(Abundance Sum-to-one Constraint，ASC)、豐度非負(fù)約束(Abundance Nonnegative Constraint，ANC)和非線性參數(shù)的有界約束。通過(guò)采用特定的懲罰函數(shù)，基于模型的非線性解混問(wèn)題可以轉(zhuǎn)化為CNLS

7、問(wèn)題。然后，我們使用兩種機(jī)制描述混合過(guò)程:疊加混合和關(guān)聯(lián)混合。對(duì)于前一種形式，我們提出一個(gè)交替優(yōu)化算法解決兩個(gè)子問(wèn)題:在己知豐度矢量的前提下最小化關(guān)于非線性參數(shù)的目標(biāo)函數(shù)求解該參數(shù)，反之亦然，如此交替迭代。對(duì)于第二種情況，我們采用基于結(jié)構(gòu)總體最小二乘(Structured TotalLeast Squares，STLS)的關(guān)聯(lián)優(yōu)化算法同時(shí)得到未知的豐度和非線性參數(shù)。
　　4.提出一種新的空譜相似性度量，并將其應(yīng)用于高光譜的分類、降