导读:本文包含了线性光谱混合模型论文开题报告文献综述及选题提纲参考文献，主要关键词:分布式压缩感知,高光谱图像,线性混合模型,解混
线性光谱混合模型论文文献综述
陈欣,粘永健,王忠良[1]（2019）在《基于线性混合模型的高光谱图像分布式压缩感知》一文中研究指出为了实现高光谱图像的有效压缩采样与重构,对分布式压缩采样的高光谱数据应用线性混合模型进行重构。首先,在图像采集阶段,针对高光谱图像的空谱特性,应用分布式压缩采样策略对高光谱数据进行采集;在数据重构阶段,应用高光谱图像的线性混合模型假设,先对压缩数据进行端元数目的估计,再利用估计的端元数来估计丰度矩阵,根据端元特征信号的稀疏性质提取端元矩阵,从而重构出原始的高光谱数据,抛弃了压缩感知重构算法中高计算复杂性的欠定问题求解。实验结果表明:在压缩采样数据为总数据的20%时,重构的平均信噪比比压缩投影主成分分析算法提高了15 dB以上,同时该方法还便于获得端元和丰度信息。所设计的压缩感知方案采样方式简单,重构速度快、精度高,可应用于星载或机载的高光谱压缩感知成像。(本文来源于《红外技术》期刊2019年08期）
赵岩[2]（2019）在《高光谱图像线性模型混合像元分解的算法研究》一文中研究指出高光谱成像光谱仪从紫外到短波红外的连续电磁光谱中捕获几十至几百个波段的叁维图像信息。高光谱图像包括长、宽两个平面维度和一个光谱维度。可以利用高光谱图像包含的丰富光谱信息进行探测地面目标和识别地物,因此高光谱图像在民用和军用领域被广泛运用。高光谱图像能够在较窄的波段上成像,因此具有较高的光谱分辨率。然而,由于受到空间分辨率较低和地物分布复杂的影响,高光谱图像含有大量的混合像元。在现有空间分辨率的条件下,大量地存在混合像元,这对图像分类和目标探测的结果造成了影响,同时也限制了高光谱的定量化发展。因此,如何有效地进行混合像元分解是高光谱图像应用的重要技术问题。混合像元分解的过程为求解包含的地物种类(端元)以及地物种类的占比(丰度)。目前,线性模型混合像元分解算法得到广泛应用。本文以提高端元提取和丰度估计精度为目标展开研究。本论文的主要工作如下。1.针对形态学算子的输出统计偏差较大,影响端元提取精度的问题,提出了一种基于广义形态学的高光谱图像端元提取算法。该算法引入参考像元,并把正则化的修正能量函数当作距离测度,通过计算含有两个结构单元的广义开-闭算子,提取端元。实验结果显示,该算法能自动提取端元,提取精度较高。2.针对高光谱图像序列端元提取算法存在较大的端元误差马尔可夫性,影响端元提取精度的问题,提出了一种基于Gram-Schmidt正交化的3端元成组提取算法。通过反复搜索特征空间中最大面积叁角形进行成组端元提取,以降低端元误差的马尔可夫性,提高端元提取的精度。实验验证了算法的性能。3.为了解决大多数丰度估计算法需要进行行列式运算和矩阵求逆运算,导致算法计算复杂度较高的问题,提出了一种基于正交基的丰度估计算法。通过计算待分解向量在特征向量上的投影与正交基的比值获得丰度估计,该算法只涉及向量内积运算,计算量较小。实验验证了算法的有效性。4.经典非负矩阵分解的目标函数是非凸的,它影响着最优解的获取,为了解决这一问题,提出了一种基于端元约束非负矩阵分解的解混算法。根据端元之间独立的特性,添加端元光谱相关性和端元光谱差别两个约束,利用投影梯度算法进行迭代运算,同时获得端元和丰度估计。实验结果显示,该算法解混性能较好。(本文来源于《哈尔滨理工大学》期刊2019-06-01）
张华,陈蕾[3]（2019）在《基于线性光谱混合模型(LSMM)的民勤绿洲荒漠化治理效果评价》一文中研究指出民勤绿洲是干旱荒漠化的典型区域,生态系统脆弱,对该区域的荒漠化治理效果进行评价可以为其生态修复政策的制定和管理提供参考。采用线性光谱混合模型(LSMM),将Landsat影像中的土地覆盖信息进行有效分解,通过分解后光谱在直方图上的特征值,确定合适的阈值,对荒漠化土地进行分类,分析荒漠化土地类型的时空变化特征,对民勤绿洲1992—2017年荒漠化治理效果进行评价。结果表明:(1)1992—2005年民勤绿洲荒漠化加剧面积大于改善面积,两者相差175.47 km~2,荒漠化加剧,治理效果不明显。(2)2005—2017年荒漠化改善面积大于加剧面积,两者相差174.18 km~2,荒漠化改善,治理效果显着。(3)1992—2017年民勤绿洲荒漠化总体趋于改善,局部地区加剧。其中,坝区和泉山区的荒漠化改善面积大于加剧面积,两者分别相差47.63 km~2和52.79 km~2,荒漠化改善,治理效果显着;而湖区荒漠化加剧面积大于改善面积,两者相差36.83 km~2,荒漠化加剧,治理效果不明显。(本文来源于《中国沙漠》期刊2019年03期）
宋江涛[4]（2019）在《观测及几何尺度对线性光谱混合模型影响的实验研究》一文中研究指出混合像元的存在会影响遥感影像的分类精度,线性光谱混合模型作为目前应用最广泛的光谱混合模型,其适用观测尺度和相应尺度下的端元数目及端元光谱的选定原则是有待解决的科学问题。本研究首先采用理论推导和计算机数值模拟的方法,分析了遥感器观测视域内的地物微面元对传感器入瞳处的有效辐射通量贡献并建立了以微面元天顶角为关键参数的积分线性光谱混合模型,然后以该模型为基准,通过分析其与线性光谱混合模型的相对误差来确定线性光谱混合模型适用的遥感器观测尺度;在此基础上设计并开展了土壤与绿植的混合光谱观测实验,并以实测光谱为基准,对比分析了两端元模型(土壤-绿植)与叁端元模型(土壤-绿植-绿植落影)的拟合精度,主要研究成果如下:1.线性光谱混合模型与积分线性光谱混合模型的相对误差取决于遥感器的半瞬时视场角,在地物反射率均一的条件下,两模型的相对误差与半瞬时视场角的正切函数为确定性关系,当地物取随机反射率时,两者呈显着线性相关关系,并且相对误差随半瞬时视场角的增大而增大。实测光谱实验结果表明,在光谱仪观测瞬时视场角为12.5°的条件下,两模型的相对误差小于3%,并且积分线性光谱混合模型的拟合精度优于线性光谱混合模型;同时,两模型之间的关系不会受到地物拓扑位置改变的影响。由于现有多数光谱仪和遥感卫星的观测瞬时视场角较小,考虑到计算的简便性,均可采用线性光谱混合模型进行光谱解混,并且其拟合误差由遥感器的瞬时视场角确定,除此以外,应采用积分线性光谱混合模型。2.由于引入绿植落影的叁端元模型考虑了端元数目和端元光谱特征对混合光谱的影响,拟合精度整体高于两端元模型;两理论模型的拟合误差与阴影面积比呈显着的正相关关系,并且浅色土壤背景下的拟合误差对阴影面积比的变化更为敏感。因此在采用线性光谱混合模型进行混合光谱分解时,端元数目和端元光谱是保证分解精度的关键参数,在实际应用中,应根据混合像元分解的目的来确定相应尺度下的端元数目和端元光谱特征。(本文来源于《吉林大学》期刊2019-04-01）
宋江涛,潘军,邢立新,蒋立军,孙也涵[5]（2019）在《线性光谱混合模型的适用观测尺度分析》一文中研究指出线性光谱混合模型是目前应用最广泛的光谱混合模型,但由于遥感观测多分辨率的特点,模型的适用性会受到尺度效应的影响。为探索该模型在不同观测尺度下的适用程度,本文从地物辐射原理出发,通过理论推导微面元辐射通量表达式,得出地物辐射通量除了与端元反射率和面积比有关外,也与天顶角存在显着的非线性关系。因此,在线性光谱混合模型和微面元辐射通量的基础上,推导了更具普适性的积分线性光谱混合模型的表达式,再采用数值模拟的方法,计算了两模型的相对差值Δρ,结果表明Δρ的大小仅与探测单元的半瞬时视场角β有关,并通过实测光谱实验对上述推论进行了验证。研究表明,当β<13°时,Δρ较小,线性光谱混合模型是积分线性光谱混合模型的一种近似表达形式,β完全可作为确定线性光谱混合模型适用观测尺度的关键依据,并且该模型的适用程度随β的增大而降低。(本文来源于《遥感学报》期刊2019年02期）
吴辉,闫晓天,刘洋[6]（2018）在《基于线性光谱混合模型的高光谱遥感岩矿分类研究》一文中研究指出针对高光谱遥感信息冗余多、波段相关性比较强的特点,对预处理的影像进行最小噪声分离(Minimum Noise Fraction,MNF)实现降维和去相关,然后利用纯净像元指数(Pixel Purity Index,PPI)进行端元选择,最终选择斜钠钙石、阳起石、水铝石、斧石、锌蒙脱石5种端元,基于线性光谱混合模型利用IDL语言编程实现Cuprite地区高光谱影像矿物的分类。利用kappa系数对实验分类结果进行精度分析,验证了基于线性光谱混合模型进行高光谱矿物分类的有效性,从而更好地进行矿物识别研究。(本文来源于《测绘与空间地理信息》期刊2018年10期）
杨斌,王斌,吴宗敏[7]（2018）在《基于双线性混合模型的高光谱图像非线性光谱解混》一文中研究指出高光谱遥感图像的非线性光谱解混能弥补线性方法难以解释复杂场景中非线性混合效应的不足,而双线性混合模型及算法是其研究的热点.提出了一种基于双线性混合模型几何特性的光谱解混算法.通过将模型中的非线性混合项表示为一个融合了共同非线性效应的额外端点的线性贡献,使复杂的双线性混合模型求解转化为简单的线性解混问题.然后结合传统的线性解混算法直接迭代估计正确的丰度.模拟和真实遥感图像数据的实验结果表明,与其它相关解混方法相比,该算法能较好地克服共线性效应以及拟合优化过多参数对双线性混合模型求解造成的不利影响,同时提高了解混的精度和速度.(本文来源于《红外与毫米波学报》期刊2018年05期）
籍瑞庆[8]（2018）在《基于多线性混合模型的高光谱图像解混研究》一文中研究指出针对全约束非线性高光谱解混目标函数复杂及解混时间长的问题,本文提出了一种多线性高光谱图像解混算法。首先依据多线性光谱混合模型建立全约束多线性解混目标函数,将多线性光谱解混问题转化为最优化求解问题;然后利用差分搜索算法的[0,1]搜索域与“和为1”边界控制机制满足丰度约束条件,从而简化全约束多线性解混目标函数;最后对简化的目标函数进行迭代优化求解,进而实现多线性高光谱图像解混。实验采用仿真数据集和真实高光谱图像对本文算法进行验证,在解混时间对比实验中,本文算法的平均解混时间比基于光谱混合模型的全约束非线性高光谱图像解混算法减少14.01%,同时避免了丰度约束项权重值复杂的选取过程;在解混精度对比实验中,本文算法整体上能够取得较高的解混精度。因此,本文算法在保证解混精度的同时减少了全约束非线性解混时间,取得较好的解混效果。(本文来源于《辽宁工程技术大学》期刊2018-06-01）
余琳[9]（2017）在《基于线性混合光谱模型的遥感岩性信息提取研究》一文中研究指出混合像元分解一直是遥感学科研究热点问题之一,线性混合光谱模型是解决混合像元分解的有效方法,根据分解算法限制条件不同可以分为无约束条件的混合光谱分解、部分约束条件的混合光谱分解以及完全约束条件的混合光谱分解。混合像元分解在土地利用分类、农作物面积提取和植被覆盖度提取研究较多,但在岩性提取方面研究较少,大部分岩性提取都是传统基于逐个像元进行,因此本文利用Hyperion高光谱数据,以西藏境内达孜县与墨竹工卡县之间的交界处作为研究区域,开展基于线性混合光谱分解的岩性提取。取得的主要研究成果如下:(1)对EO-1卫星Hyperion高光谱数据开展数据预处理。通过波段去除、条纹及坏线修复、大气校正、影像裁剪等数据预处理过程获得研究区真实反射率图像。(2)岩石波谱数据获取与分析。通过设计野外岩石采集路线,利用ASD光谱仪在室内获得岩石波谱数据,开展波谱数据处理,建立研究区岩性波谱库。在此基础上进行岩性波谱分析,查明了同一岩性的风化面反射率值与新鲜面反射率值大小差异但两者波谱特征曲线却基本一致的规律。(3)通过分析多种端元提取算法,优选适于岩性分类的端元提取算法。PPI、SMACC、N-FINDR叁种端元提取算法应用广泛且易于实现,利用叁种算法对研究区进行端元提取,并采用传统SAM方法开展岩性分类,分析比较叁种方法提取的端元光谱及岩性分类效果。研究表明:N-FINDR端元提取法要优于PPI法和SMACC法,PPI法受人为因素的限制提取的端元信息不够完整,SMACC法提取的端元精度偏低较为不稳定。(4)分析线性混合光谱模型下的叁种丰度反演算法,选出最优算法进行岩性提取。通过探讨叁种丰度反演算法:无约束条件的最小二乘法(UCLS)、部分约束条件的最小二乘法(SCLS)、完全约束条件的最小二乘法(FCLS),利用叁种算法对研究区进行丰度反演,得到叁种反演结果的RMSE值分别为0.0435、0.0378、0.0223,并通过分析评价得到线性混合光谱分解算法的岩性提取精度,总体精度为87.71%,Kappa为79.82%。研究表明:完全约束的最小二乘法的精度最高,且与传统SAM岩性提取相比,基于完全约束条件的线性混合光谱分解能进一步提高岩性提取精度。(本文来源于《成都理工大学》期刊2017-06-01）
姬翠翠,贾永红,李晓松,王金英[10]（2016）在《线性/非线性光谱混合模型估算白刺灌丛植被覆盖度》一文中研究指出及时监测干旱与半干旱区光合/非光合植被覆盖度时空变化,可以为指导荒漠化防治工程及植被衰退机制研究提供重要信息。本文以甘肃民勤典型植被白刺灌丛为研究对象,通过地面控制性光谱实验获取混合光谱、端元光谱与丰度信息,开展线性与非线性光谱混合模型(包括核函数非线性和双线性混合模型)估算光合和非光合植被覆盖度的对比研究,采用全限制最小二乘法进行模型解混,分别获取各样本数据中各类端元丰度及其精度信息,通过模型分解的均方根误差(RMSE)与地面验证精度确定用于光合和非光合植被覆盖度估算的最佳光谱混合模型,其中参考端元丰度采用神经网络(NNC)分类算法对数字影像进行分类获取。结果表明:(1)引入阴影端元的四端元模型相对于传统的叁端元模型(光合/非光合植被与裸土)能有效提高光谱解混的精度,并提高光合和非光合植被覆盖度估算精度;(2)对白刺灌丛来说,光合植被、非光合植被、裸土及阴影间多重散射混合效应存在,但混合效应不够显着;考虑非线性参数的核函数非线性光谱混合模型表现略低于线性光谱混合模型,因此非线性光谱混合模型在估算白刺灌丛光合和非光合植被覆盖度时相对于线性光谱混合模型没有明显优势;(3)基于光合/非光合植被、裸土与阴影四端元的线性光谱混合模型可以实现白刺灌丛光合和非光合植被覆盖度的准确估算,光合植被覆盖度估算RMSE为0.11 77,非光合植被覆盖度估算RMSE为0.0835。(本文来源于《遥感学报》期刊2016年06期）
线性光谱混合模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
高光谱成像光谱仪从紫外到短波红外的连续电磁光谱中捕获几十至几百个波段的叁维图像信息。高光谱图像包括长、宽两个平面维度和一个光谱维度。可以利用高光谱图像包含的丰富光谱信息进行探测地面目标和识别地物,因此高光谱图像在民用和军用领域被广泛运用。高光谱图像能够在较窄的波段上成像,因此具有较高的光谱分辨率。然而,由于受到空间分辨率较低和地物分布复杂的影响,高光谱图像含有大量的混合像元。在现有空间分辨率的条件下,大量地存在混合像元,这对图像分类和目标探测的结果造成了影响,同时也限制了高光谱的定量化发展。因此,如何有效地进行混合像元分解是高光谱图像应用的重要技术问题。混合像元分解的过程为求解包含的地物种类(端元)以及地物种类的占比(丰度)。目前,线性模型混合像元分解算法得到广泛应用。本文以提高端元提取和丰度估计精度为目标展开研究。本论文的主要工作如下。1.针对形态学算子的输出统计偏差较大,影响端元提取精度的问题,提出了一种基于广义形态学的高光谱图像端元提取算法。该算法引入参考像元,并把正则化的修正能量函数当作距离测度,通过计算含有两个结构单元的广义开-闭算子,提取端元。实验结果显示,该算法能自动提取端元,提取精度较高。2.针对高光谱图像序列端元提取算法存在较大的端元误差马尔可夫性,影响端元提取精度的问题,提出了一种基于Gram-Schmidt正交化的3端元成组提取算法。通过反复搜索特征空间中最大面积叁角形进行成组端元提取,以降低端元误差的马尔可夫性,提高端元提取的精度。实验验证了算法的性能。3.为了解决大多数丰度估计算法需要进行行列式运算和矩阵求逆运算,导致算法计算复杂度较高的问题,提出了一种基于正交基的丰度估计算法。通过计算待分解向量在特征向量上的投影与正交基的比值获得丰度估计,该算法只涉及向量内积运算,计算量较小。实验验证了算法的有效性。4.经典非负矩阵分解的目标函数是非凸的,它影响着最优解的获取,为了解决这一问题,提出了一种基于端元约束非负矩阵分解的解混算法。根据端元之间独立的特性,添加端元光谱相关性和端元光谱差别两个约束,利用投影梯度算法进行迭代运算,同时获得端元和丰度估计。实验结果显示,该算法解混性能较好。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
线性光谱混合模型论文参考文献
[1].陈欣,粘永健,王忠良.基于线性混合模型的高光谱图像分布式压缩感知[J].红外技术.2019
[2].赵岩.高光谱图像线性模型混合像元分解的算法研究[D].哈尔滨理工大学.2019
[3].张华,陈蕾.基于线性光谱混合模型(LSMM)的民勤绿洲荒漠化治理效果评价[J].中国沙漠.2019
[4].宋江涛.观测及几何尺度对线性光谱混合模型影响的实验研究[D].吉林大学.2019
[5].宋江涛,潘军,邢立新,蒋立军,孙也涵.线性光谱混合模型的适用观测尺度分析[J].遥感学报.2019
[6].吴辉,闫晓天,刘洋.基于线性光谱混合模型的高光谱遥感岩矿分类研究[J].测绘与空间地理信息.2018
[7].杨斌,王斌,吴宗敏.基于双线性混合模型的高光谱图像非线性光谱解混[J].红外与毫米波学报.2018
[8].籍瑞庆.基于多线性混合模型的高光谱图像解混研究[D].辽宁工程技术大学.2018
[9].余琳.基于线性混合光谱模型的遥感岩性信息提取研究[D].成都理工大学.2017
[10].姬翠翠,贾永红,李晓松,王金英.线性/非线性光谱混合模型估算白刺灌丛植被覆盖度[J].遥感学报.2016