基于非负矩阵分解的高光谱图像解混技术研究

论文摘要

高光谱遥感图像是由二维空间信息和一维光谱信息组成的三维数据。同时具有地物目标的辐射、几何和光谱信息,能够从光谱空间中对地物予以细分和鉴别,在资源、环境、城市、生态等领域得到了广泛应用。受传感器的空间分辨率限制和自然界地物复杂多样性的影响,使得单个像元中往往包含多种地物覆盖类型（如:植被、河流、道路等）,从而形成混合像元。混合像元的普遍存在不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的重要障碍。因此如何有效地进行混合像元分解是高光谱遥感图像应用的关键问题之一。非负矩阵分解（Nonnegative Matrix Factorization, NMF）方法是Lee和Seung等人提出的,该方法利用非负约束,将一个非负矩阵分解为两个非负矩阵的乘积。其分解模型与混合像元解混模型十分相似,非常适用于线性模型意义下的光谱解混问题,但直接应用于高光谱图像混合像元分解时会存在局部最小问题。因此,本论文主要研究基于非负矩阵分解方法的混合像元分解技术。在系统分析前人研究成果的基础上,根据高光谱图像中端元光谱及其空间分布的非负性和连续性约束,以及端元分布的稀疏性约束,与非负矩阵分解方法相结合来获得关于混合像元的光谱合成信息及其空间分布。论文的主要研究工作如下:1)针对已有的约束非负矩阵分解（Constrained NMF, CNMF）本文提出了一种顶点成分分析与约束非负矩阵分解相结合的改进的约束非负矩阵分解方法（MCNMF）,该方法用顶点成分分析求得的端元和最小二乘法求得的丰度作为非负矩阵分解迭代的初始值,再利用平滑约束的非负矩阵分解方法迭代求解实现混合像元分解。通过对模拟高光谱数据和真实遥感影像的仿真研究,证明了该方法的有效性。2)针对非负矩阵分解（NMF）方法易陷入局部最小的问题,提出了一种MCNMF与遗传算法（Genetic Algorithm, GA）相结合的混合像元分解新方法（GA-MCNMF）,该方法用MCNMF提取的端元作为遗传算法的初始种群,再用遗传算法获得全局最优值。合成数据及真实高光谱数据集的实验证明了该方法的有效性。3)利用高光谱图像中光谱的连续性和端元分布的空间连续性,以及光谱数据在特征空间中呈凸面单形体的特殊结构,提出了受复杂度和最小体积同时约束的非负矩阵分解方法（CMVC-NMF）,该算法消除了NMF对初值敏感的缺陷,进一步提高了光谱解混的精度。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的研究背景及意义
• 1.2 高光谱遥感数据简介
• 1.3 非监督的高光谱混合像元分解技术研究现状
• 1.3.1 线性光谱混合模型
• 1.3.2 端元个数确定方法
• 1.3.3 现有的非监督光谱解混技术
• 1.4 本文主要工作及内容安排
• 1.5 本文所采用的数据源
• 第2章 用于光谱解混的几种非负矩阵分解算法比较研究
• 2.1 非负矩阵分解理论
• 2.1.1 目标函数
• 2.1.2 迭代规则
• 2.2 约束的非负矩阵分解（CNMF）
• 2.3 非平滑约束的非负矩阵分解（NSNMF）
• 2.3.1 稀疏编码
• 2.3.2 nsNMF 算法
• 2.4 实验结果
• 2.4.1 性能评价指标
• 2.4.2 合成数据
• 2.4.3 真实数据
• 2.5 小结
• 第3章 基于遗传算法的非负矩阵分解算法研究
• 3.1 顶点成分分析（VCA）
• 3.2 改进的约束非负矩阵分解方法（MCNMF）
• 3.3 遗传算法简介
• 3.4 遗传算法与非负矩阵分解相结合（GA-MCNMF）
• 3.5 实验结果
• 3.5.1 合成数据
• 3.5.2 真实数据
• 3.6 小结
• 第4章 基于复杂度和最小体积约束的非负矩阵分解算法研究
• 4.1 光谱的变化性
• 4.2 高光谱数据的复杂度模型
• 4.3 基于复杂度限制的非负矩阵分解方法（CCNMF）
• 4.4 基于最小体积约束的非负矩阵分解方法（MVC-NMF）
• 4.4.1 高光谱数据的单形体体积约束
• 4.4.2 MVC-NMF 算法
• 4.5 基于复杂度和最小体积约束的非负矩阵分解方法（CMVC-NMF）
• 4.6 实验结果
• 4.6.1 合成数据
• 4.6.2 真实数据
• 4.7 小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录