基于分組Fisher判別的高光譜圖像解混技術.pdf

1、高光譜圖像()過成像光譜儀在連續(xù)波段上對相同的地表區(qū)域成像，可以獲得該區(qū)域的地物信息。隨著()光譜成像技術的發(fā)展，現代社會中對其應用越來越廣泛，與此同時相應的各種應用對()光譜圖像的數據處理提出了更高的要求。高光譜圖像可以對同一區(qū)域地表在上百個連()波段上成像，但是高光譜圖像的空間分辨率較低，所以混合像素廣泛存在于高光譜圖()中，為了更好地利用高光譜圖像，必須對這些混合像素做一定的處理。在處理混合像()時，如果人們已經知道混合像素中的地

2、物分布的類別，那么人們進一步關心的將是各()地物分布的類別在此混合像素中所占的比例是多少，混合像素解混技術正是為解決這()問題而產生的。
　　 在光譜解混()需要建立光譜混合模型，目前的混合模型可以分為線性混合模型(Linear Mixing Mo()，LMM)和非線性混合模型兩類。線性混合模型是假定混合像素是由幾種純地物按照一()的比例混合而成，混合光譜是這些純地物光譜的線性組合。相比之下線性混合模型的()立與求解都相對容易，

3、且物理意義明確，易于理解。本文在悉心總結前人的研究成()礎上對線性光譜混合模型做了深入的研究，主要研究內容如下。
　　 1基于分組1()判別的高光譜圖像解混方法。對高光譜圖像數據深入研究后得知在高光譜圖像()中廣泛存在著同物異譜的現象，這個現象的存在導致在使用線性光譜混合模型對混合()素解混時精度下降。針對該問題本文使用了分組Fisher判別(FisherDiscriminant Analy()，FDA)對原始高光譜圖像數據做變

4、換，目的是使變換后的數據相同類別的地物分()的光譜端元盡可能地相近，不同類別的地物分布的光譜端元盡可的地遠離。由于分組()sher變換是線性變換故仍然可以使用線性光譜混合模型對高光譜圖像解混。使用人工()成數據與真實高光譜圖像數據對該算法的解混精度進行了檢驗，其結果一致表明本文()提出的方法解混精度較傳統(tǒng)的基于線性混合模型的解混方法有所提高。
　　 2結合FDA()NMF的高光譜圖像解混方法。非負矩陣分解(Nonnegative

5、 MatrixFactorization，NM()算法是二十世紀九十年末提出的一種矩陣分解方法。由于高光譜數據具有非負特性()因而有很多學者將NMF算法引入到高光譜圖像解混中來。該算法在計算時需要大量()迭代，因而算法效率不是很理想，為此本文將FDA引入到NMF算法的前期數據處理()，以對數據起到降維作用，同時又能一定程度上減小同物異譜現象對解混精度的影響。利用人工合成數據與真實數據對所提出的方法檢驗，結果表明該方法在效率較原NMF()