基于非負矩陣分解與空間結構正則的光譜豐度估計研究.pdf

1、近年來，高光譜遙感成像作為一種新興的對地測繪技術逐漸成為研究熱點。包含著數(shù)十乃至數(shù)百個波段的光譜信息和場景中的空間信息將被成像光譜儀記錄，這些信息為各類地物精確分類和追蹤以及亞像元定位技術提供強有力的依據(jù)。然而，隨著光譜分辨率的提高，空間分辨率將受到影響，這勢必會使光譜圖像中某些像素點(像元)中包含著幾種完全不同的地物類型，稱為光譜混合現(xiàn)象。顯然，這大大影響了地物鑒別與分類的準確性。光譜混合像元分解技術旨在將混合像元分解為幾類地物的光譜

2、向量(端元)和其相對應的所占比例(豐度)的乘積。利用精確的豐度估計結果將提高亞像元信息后續(xù)數(shù)據(jù)應用的效果。因此，高光譜混合像元的豐度估計成為了現(xiàn)今遙感技術發(fā)展中亟待解決的一大問題。
　　非負矩陣分解(Non-negative Matrix Factorization，NMF)方法將一個非負且具有較高維數(shù)的矩陣分解成兩個維數(shù)較低且非負的矩陣的乘積形式，與線性光譜混合模型一致，常被用于高光譜數(shù)據(jù)解混。然而，NMF是一個欠定的病態(tài)問題，

3、直接應用于豐度估計時常常陷入局部最小。針對這一問題，本論文挖掘圖像的空間結構信息，基于圖Laplacian構造空間結構正則項，設計了幾種基于非負矩陣分解和空間結構正則的光譜豐度估計算法。具體工作如下：
　　(1)針對現(xiàn)有NMF豐度估計算法忽略空間結構信息這一缺陷，設計了一種基于幾何結構信息的NMF光譜數(shù)據(jù)豐度估計方法。首先利用局部滑動窗提取高光譜圖像中具有精確輪廓判別信息的空間結構，其次加入譜間距離信息設計出基于幾何結構信息的幾何

4、非負矩陣分解(Geometric NMF,GNMF)豐度估計算法。將算法分別在兩組人工合成高光譜數(shù)據(jù)和兩組實際(AVIRIS衛(wèi)星和HYDICE衛(wèi)星)高光譜圖像上進行仿真驗證，并對算法的收斂性、各個正則參數(shù)的選擇加以討論。在不同端元數(shù)下，在估計精度、魯棒性、計算復雜度等方面和相關方法進行對比，結果證明：本方法均優(yōu)于SSACEE、GLNMF(Graphed1/2l NMF)等先進方法。
　　(2)針對現(xiàn)有基于NMF的豐度估計算法計算復

5、雜度較高和較多未知因子的缺陷，設計了一種耦合壓縮觀測下的空-譜稀疏豐度估計(Couple Compressing Spatial-Spectral Sparse Abundance Estimation,CC3SAE)方法。在已知過完備冗余的光譜端元字典的前提下，挖掘混合像元的豐度自身存在的稀疏性，并且研究豐度的空間信息分布結構，構造新的空間流形正則，建立了空-譜聯(lián)合的稀疏豐度估計方法。此外，將稀疏豐度估計方法推演到壓縮感知框架，引入耦

6、合非相關測量優(yōu)化觀測矩陣，降低稀疏豐度估計的復雜度將該算法用于4組人工合成數(shù)據(jù)和一組實際的HYDICE衛(wèi)星數(shù)據(jù)的豐度估計，同傳統(tǒng)的稀疏豐度估計算法進行對比，并討論了過完備字典的選擇，對算法的魯棒性進行分析，并將其結果表明：CC3SAE方法相比于其他稀疏豐度估計算法的豐度估計精度更高。
　　(3)針對某些實際數(shù)據(jù)難以嚴格滿足線性解混模型這一問題，將 NMF和空間結構正則應用于雙線性混合模型，設計了一種基于局部近鄰權值的非負矩陣分解雙

7、線性豐度估計方法。采用最鄰接距離結合光譜間夾角距離計算局部近鄰權值，利用拉普拉斯圖正則思想，針對討論NMF在雙線性混合模型上的應用。對于復雜的非線性混合模型，少有NMF解混算法應用其中。構造更加簡潔的空譜距離流形正則項，利用拉普拉斯圖正則思想，構造更加簡潔的空-譜流形正則。此外，利用已知光譜端元固定通過NMF迭代不斷修正豐度矩陣使其收斂，達到豐度估計的目的。將該算法用于一組人工合成數(shù)據(jù)和一組實際的AVIRIS衛(wèi)星數(shù)據(jù)，結果證明：相比雙線