基于非负矩阵分解的高光谱图像混合像元分解方法研究

《基于非负矩阵分解的高光谱图像混合像元分解方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、Ｓ１３０９４００１０堂防化与１０５３２学号一＿？了Ｐ３９１密级公开分类号禱ＨＵＮＡＮＵＮＩＶＥＲＳＩＴＹ硕±学位论文基于非负矩阵分解的高光谱图像混合像元分解方法研究学位由请人姓名李登刚电气与信息工程学院培养单位导师姓名及职称李树涛教授学科专业控制科学与工程研究方向图像处理与模式识别２０１６年４月２０日论文提交日期学校代号：１０５３２学号：Ｓ１３０９４００１０密级：公开湖南大学硕±学位论文基于非负矩阵分解的高光谱图像混合像元分解方法研究Ｖ学位申请人

2、姓名；李蒼刚导师姓名及职疏：李树涛教授培养巧位；电气与信息工程学院专业名称：控制科学与工程论女提交日期；２０１６年４月２０日论义答辩日期；２０１６年５月２２日答銳委员会主席；王辉教授ＲｅｓｅａｒｃｈｅｓｏｎＨｅｒｓｅｃｔｒａｌＩｍａｅＵｎｍｉｘｉｎｂａｓｅｄｏｎＮｏｎｎｅａｔｉｖｅｙｐｐｇｇｇＭａｔｒｉｘＦａｃｔｏｒｉｚａｔｉｏｎｂｙＬＩＤｅｎｇｇａｎｇＢ．Ｅ．ＨｕｎａｎＩｎｓｔｉｔｕｔｅｏｆＥｎｉｎｅｅｒｉｎ２０１３（ｇｇ）Ａｔｈｅｓｉｓｓｕｂｍｉｔｔｅｄｉ

3、ｎａｒｔｉａｌｓａｔｉｓｆａｃｔｉｏｎｏｆｔｈｅｐＲｅｕｉｒｅｍｅｎｔｓｆｏｒｔｈｅｄｅｒｅｅｏｆｑｇＭａｓｔｅｒｏｆＥｎｉｎｅｅｒｉｎｇｇｉｎＣｏｎｔｒｏｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇｉｎ化ｅＧｒａｄｕａｔｅＳｃｈｏｏｌｏｆＨｕｎａｎＵｎｉｖｅｒｓｉｔｙＳｕｅｒｖｉｓｏｒｐＰｒｏｆｅｓｓｏｒＬＩＳｈｕｔａｏＡｐｒｉｌ２０１６，湖南大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的。研究成果除了文中特别加Ｗ标法引用的内容

4、外，本论文不包含任何其他个人或集体己经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均己在文中Ｗ明确方式标明。本人完全意识到本声明的法律后果由本人承担。Ｉ良作者签名．ｒ：寺《日期：方；年月日（句学位论文版权使用授权书、本学位论文作者完全了解学校有关保留使用学位论文的规定，同意学校保。留并向国家有关部口或机构送交论文的复印件和电子版，允许论文被查阅和借阅本人授权湖南大学可Ｗ将本学位论文的全部或部分内容编入有关数据库进行检索，可Ｗ采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于１、保密口，在年解密

5、后适用本授权书。２、不保密囚。＂＂（请在Ｗ上相应方框内打Ｖ）＞｜（广作者签名：葦管巧曰期：又年月■导师签名日期＞；知＞（年ｒ月％日Ｉ基于非负矩阵分解的高光谱图像混合像元分解方法研巧摘要与传统图像相比，高光谱图像拥有几十甚至几百个波段，这些波段提供了丰富的地物光谱信息。然而由于高光谱成像仪空间分辨率的限制，在实际的高光谱遥感一＂图像中，个像元对应的实际地物可能是若干种物质的混合，即构成了海＂＂＂合像元。混合像元分解的目的是把混合像元分解成各种物质的光谱向量（端元）和它们对应所占的比例（丰度）。混合像元分解能够获取

6、亚像元信息，为高光谱图像后续的分析与处理提供了基础。ｏｎｎａ化ＮＭＦ一ｔＭｔｒＦａｔ非负矩阵分解（Ｎ巧ｉｖｅａｉｘｃｒｉｚａｉｏｎ，）即把个非负矩阵分解成另外两个非负矩阵的乘积，其分解模型和高光谱图像混合像元的分解模型相似，可用来解决高光谱混合像元分解问题。本文利用高光谱图像的物理Ｗ及地理特性，在非负矩阵分解模型的基础上，增加了有效的正则约束项，并优化了求解方法。本文的主要工作如下：１．针对随机初始化端元和丰度矩阵时迭代求解速度慢，且结果易陷入局部极小等问题－，我们采用了ＶＣＡＦＣＬＳ算法作为端元和丰度的初始化方法。ＶＣＡ算法

7、虽然只有在纯像元存在时才能够提取出端元一，但使用该算法的结果可Ｗ有个较优的初始值，从而可Ｗ加快收敛速度并使结果避免陷入局部极小值。２．针对传统非负矩阵分解算法依赖迭代初始值和对噪声的鲁棒性能差等问题，我们提出了基于稀疏和最小体积约束的非负矩阵分解巧ＭＶＣＮＭ巧的混合像元分解算法。该方法利用了高光谱遥感图像丰度的稀疏性和端元所构成的单形体的体积特性，将丰度的稀疏性和端元所构成单形体体积的最小化约束作为正则项加入到非负矩阵分解目标函数中。实验结果表明，所提出的方法能够避免陷入局部最小值，同时具有良好的收敛性和鲁棒性。３．针对常规约束非