星载高光谱图像分析系统核心算法研究

论文摘要

高光谱遥感由于其强大的地物探测能力受到了越来越多的关注。但随之产生的海量数据,给卫星的传输和存储系统带来了沉重的负担,加上传输速率的提高跟不上观测数据产生率的增长,这一矛盾还将加剧。同时,并不是所有观测数据都具有应用价值,这些无用的数据浪费了卫星原本就紧张的资源。所以,有必要发展星上处理技术,以便能够智能地提取图像中的有价值信息,缩小数据传输带宽、存储量与数据生成量之间的差距,加快目标探测以及决策反应的速度,提高资源利用率。因此,本文以星载高光谱图像分析系统为背景,对系统的核心算法进行了研究。主要研究内容包括:1.分析了现有的星载高光谱图像处理系统,并结合高光谱图像的特点,给出了星载高光谱图像分析系统的框架模型,介绍了系统中各模块的功能和接口,在此基础上指出了系统的核心算法——光谱分解算法和目标探测算法。2.提出了一种基于预估修正的线性光谱分解算法,解决了当纯像元不存在时,从图像中提取的端元失效这一问题。算法基于线性混合模型,包括预估和修正两个过程。预估过程利用投影方法生成一组“预估”端元,修正过程利用分布在“预估”端元所构成的单形体外的像元位置信息,快速膨胀单形体,使其顶点进一步逼近真实的物理端元。3.提出了一种面向压缩数据的亚像元级目标探测算法。算法源于自适应子空间匹配算法,利用光谱分解得到的端元组和丰度图像进行目标探测,不但保留了原算法的探测能力,还大大减少了计算复杂度。相比于其他面向压缩数据的目标探测算法,本文算法还具有恒定虚警率和自适应选择门限这两大特点。实验表明,本文算法在信噪比较低环境下有很好的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的主要工作
• 第二章 课题相关基础
• 2.1 遥感技术简介
• 2.1.1 遥感技术主要特点
• 2.1.2 遥感电磁波理论
• 2.2 高光谱遥感技术简介
• 2.2.1 基本概念
• 2.2.2 高光谱遥感成像特点
• 2.2.3 高光谱遥感数据表达与线性混合模型
• 2.3 星载高光谱图像分析系统简介
• 2.3.1 星载系统硬件体系结构
• 2.3.2 软件整体结构设计
• 2.3.3 模块简介
• 2.4 本章小结
• 第三章 基于预估修正的线性光谱分解算法
• 3.1 光谱分解算法简介
• 3.2 基于预估修正的端元提取算法
• 3.2.1 预估过程
• 3.2.2 修正过程
• 3.2.3 算法加速与并行化
• 3.3 实验结果与结论
• 3.3.1 算法评估策略
• 3.3.2 模拟数据实验
• 3.3.3 实际数据实验
• 3.4 本章小结
• 第四章 面向压缩数据的亚像元级目标探测算法
• 4.1 高光谱目标探测简介
• 4.2 ORASIS 压缩方法与D-SAM 目标探测
• 4.2.1 ORASIS 压缩算法
• 4.2.2 分解光谱角制图（D-SAM）目标探测
• 4.3 面向压缩数据的目标探测
• 4.3.1 自适应子空间匹配算法
• 4.3.2 压缩数据集的自适应子空间匹配算法
• 4.4 算法性能分析与实验
• 4.4.1 算法性能分析
• 4.4.2 实验结果与结论
• 4.5 本章小结
• 第五章 总结与展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果