高光谱数据混合像元线性分解方法分析-森林经理专业论文.docxVIP

摘 摘 要 ABST ABSTRCT i i PAGE PAGE iv 高光谱图像以图像立方体的形式存储成百个连续的光谱通道收集的辐射值。每个像 元对应一条光谱曲线，利用特征光谱曲线识别地物和分类。但是，大多数高光谱都具有 较低的空间分辨率。所以，一个像元的光谱曲线往往是传感器视域范围内的多种物质的 组合。高光谱数据处理的一个难题就是利用其高光谱分辨率，将混合像元分解为各组成 物质（称为端元）以及其对应的丰度值，这就是高光谱数据的解混问题。 在目前的解混方法中，线性分解模型是应用最广泛的一种。假设图像上至少存在一 个物质的纯像元，以此作为端元来分解图像。结合典型的端元选择方法，提出了对端元 概念新的理解，即，端元是某类物质含量较纯的像元，纯净像元则是某类物质含量达到 100%的像元，一般不存在。端元为纯度较高的像元，这一定性概念决定了同一类物质 的端元位置可能不同，因为其纯度接近的像元都可能成为最终“端元”，即不同端元提 取算法产生的端元可能不同，因为端元分解是一个迭代近似的过程，但是，端元丰度图 像分布应该具有一致性。 丰度估计是线性解混的重要环节，其算法影响分解结果的质量，采用合理的分解方 法能更准确的反映地面真实情况。研究证明，全限制最小二乘方法在理论和实践中都得 到广泛认可，分解效果较好。 基于端元的上述理解，结合经典的端元选择方法和丰度估计方法，本文提出了一种 高光谱端元自动提取的迭代改进算法。并通过实验证明了算法的有效性。同时，实现了 N-FINDR 算法和 SGA 算法，并用 N-FINDR 算法从实验角度论述了多选端元、漏选端 元对分解结果的影响，同时证明了全限制最小二乘分解的合理性与有效性。同时比较了 N-FINDR 算法、SGA 算法和高光谱端元自动提取的迭代改进算法。 关键词：高光谱图像，线性光谱解混端元选择，全限制最小二乘，N-FINDR，SGA Hyperspectral Imaging stores hundreds of narrow and contiguously spaced spectral bands of data organizied in the so_called hyperspectral cube.A pixel represents a spectral curve. Hyperspectral Imaging is used object detection and classification with their spectral signature.however, owing low spatial resolution,the measure spectral signature is a mixture of the spectral signitures of objects in the field of view of sensor. An important problem in Hyperspectral Imaging is to decompose the mixed pixels into the materials that contribute to the pixel.,endmember and a set of corresponding fractions of the spectral signature in the pixel.this problem is known as the unming problem. Liner spectral unmixing model is widely used in unmixing problem.assumes that,the endmember themselves are present in the image in the form of pure pixel.Combined several typital endmember selection method,new understranding of endmember is proposed: endmember is a pixel in which contain a main material.of course,pure pixel only contain one material by 100 per cent,so it certainly represents endmember.but it is rarely appear in hyperspectral image. Approximate pixel have the opportunity to become endmember