导读:本文包含了混合像元论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:光谱,分解,矩阵,植被,图像,相关性,指数。
混合像元论文文献综述
赖佩玉,陈浩宁,黄昌[1]（2019）在《像元二分模型在MODIS水陆混合像元分解中的适用性研究》一文中研究指出遥感数据是地表水监测的重要数据源,用较低空间分辨率的遥感影像探测地表水范围时,混合像元问题常使水陆边界的提取不够准确。有必要对水陆混合像元进行分解,估算混合像元中水体所占百分比,从而为亚像元级别的水域边界制图奠定基础。借助像元二分模型的概念对水陆混合像元进行分解,验证该类模型的适用性。首先,以中分辨率成像光谱仪影像为数据源,分别基于归一化水体指数(normalized difference water index, NDWI)和改进的归一化水体指数(modified normalized difference water index, MNDWI)建立像元二分模型,对云南省高原湖泊进行水域提取及边界混合像元分解;然后,用同期更高空间分辨率的Landsat数据对提取结果进行验证。结果表明,像元二分模型在对水陆混合像元的分解中具有较好的适用性,其中,基于NDWI的像元二分模型精度略高于基于MNDWI的模型。(本文来源于《测绘地理信息》期刊2019年06期）
王利民,刘佳,姚保民,高建孟,杨福刚[2]（2019）在《综合NDVI时序特征的冬小麦混合像元分解及面积估算》一文中研究指出基于MODIS数据进行面积提取易受混合像元影响,为了降低因混合像元导致的错分和漏分误差,该研究提出一种线性的混合像元分解模型,建立MODIS混合像元中冬小麦占比与MODIS/NDVI时间序列影像波峰波谷差值之间的定量关系。基于2017年保定市MODIS数据和GF数据进行了模型构建,基于2014年数据进行了模型验证。结果显示纯度指数(PPI)精确度均值为0.485,基于混合像元分解模型得到的2014年保定市冬小麦面积推算值为40.05万hm2,基于GF数据得的2014年保定市冬小麦面积"真值"为37.39万hm2,绝对误差为2.66万hm2,相对误差率为7.11%。利用河北省冬小麦广泛种植的8个地市对模型的适用性进行评价,结果表明不同地市的冬小麦面积推算值和冬小麦面积"真值"间平均误差率为3.69%。基于该模型的冬小麦面积推算值误差相对较低,数据可靠性较高,且受地域影响较小,具有较为普遍适用性。(本文来源于《中国农学通报》期刊2019年27期）
袁博[3]（2019）在《基于混合像元空间与谱间相关性模型的NMF线性盲解混》一文中研究指出基于相关性分析的高光谱解混算法,通常缺少对高光谱图像空间和光谱相关性特征的综合分析与利用,或对于先验知识的依赖程度较高。本文提出一种基于混合像元空间与谱间相关性模型的NMF线性盲解混算法。具体包括:通过改进马尔科夫随机场(MRF)模型,建立相邻像元间的空间相关模型;利用复杂度映射技术,建立相邻波段间的光谱相关模型;在NMF目标函数外部和内部分别引入上述两种模型,作为盲解混算法的约束条件。试验结果表明,该算法相对于区域相关的NMF解混算法(ACBNMF)、最小化光谱相关度约束的NMF方法(MSCCNMF)和最小体积约束的非负矩阵分解(MVCNMF)等代表性NMF解混参考算法,解混精度有所提高;同时,降低了对于先验知识的依赖程度,拓宽了适用范围。(本文来源于《测绘学报》期刊2019年09期）
徐君,王彩玲[4]（2019）在《结合空间信息选取最优端元组合的混合像元分解》一文中研究指出传统的混合像元分解算法认为每个像元都包含图像中所能提取的全部端元组分,但这并不符合实际情况。实际上图像中大多数混合像元仅由少部分端元混合而成。由于端元提取精度及噪声的影响,采用全部端元对混合像元进行分解,会使得混合像元中实际并不存在的端元的丰度估计值不为零,分解结果存在较大误差。由于混合像元大多存在于不同地物的交界处,基于此,本文提出了一种结合图像的空间信息选取混合像元最优端元子集的方法。利用一个空间结构元素,从混合像元的附近邻域开始搜索,将搜索到的纯净像元光谱与所提取的图像端元光谱进行对比,并确定混合像元的端元子集进行分解。根据RMSE大小和变化情况,逐步扩大结构元素的大小,不断调整搜索范围,直至得到最优端元组合。模拟数据和真实数据的试验结果表明,该方法相比传统的全端元光谱分解方法,在总体上获得了更好的分解效果。(本文来源于《测绘通报》期刊2019年07期）
程思思,汪冰,范芳,付丽华,沈鸿坡[5]（2019）在《基于混合像元分解的OLI影像草原植被覆盖区遥感岩矿信息提取研究》一文中研究指出在植被覆盖区,植被与部分矿物存在相似的反射光谱特征,运用常规的遥感信息提取方法难以有效地提取岩矿及蚀变信息.基于Landsat8 OLI数据,以白云鄂博西南草原覆盖区为研究区,通过线性混合像元分解法从混合像元光谱中减去植被类型终端单元的反射率值及其强度,达到抑制植被干扰的目的,实现岩石、土壤光谱重建.对比植被抑制前后OLI数据植被相关统计信息,并采用主成分分析法进一步提取研究区植被抑制前后的羟基异常信息,结合野外验证表明:在中低密度草原覆盖区,运用线性混合像元分解法可有效抑制植被干扰,抑制干扰后提取的遥感蚀变信息更为客观.(本文来源于《华中师范大学学报(自然科学版)》期刊2019年04期）
徐君,王彩玲[6]（2019）在《端元之间最大距离和约束的NMF混合像元分解方法》一文中研究指出NMF应用于混合像元分解时具有不满足丰度"和为一"约束和结果不具有唯一性的问题。MVCNMF将凸面单形体的体积作为约束条件引入到NMF中。从理论上看,当端元光谱中存在形状相似的光谱时,单形体的体积接近于零,此时MVCNMF实际上变为NMF,且凸面单形体的体积计算比较复杂,影响算法的效率。针对此问题,提出一种端元之间最大距离之和约束的NMF混合像元分解算法MSMDCNMF,将其引入到非负矩阵分解中。利用计算所有端元之间的最大距离之和作为约束条件来控制凸面单形体的大小,简化了约束条件,减小了计算复杂度。通过对比发现,所提方法在端元提取精度方面优于MVCNMF算法,与MOCCNMF算法接近,但在算法运行效率上,MSMDCNMF算法效率最高。(本文来源于《测绘科学技术学报》期刊2019年01期）
张皓楠,温兴平,徐俊龙,罗大游,李进波[7]（2019）在《影响混合像元分解精度的因子研究》一文中研究指出遥感影像中不可避免地包含大量混合像元,传统基于约束线性光谱混合模型(constraint linear spectral mixing model,CLSMM)的混合像元分解往往忽略了像元结构复杂度和端元混合比例的影响。本文采用ASD FieldSpec3高密度反射探头,按照不同像元结构和端元混合比例设计了4组样本并测量光谱数据。利用CLSMM计算得到混合像元的反射率,根据均方根误差(root mean square error,RMSE)的变化分析混合度指数和斑块密度指数对分解精度的影响,建立混合像元分解误差估算模型并验证模型的精度。结果表明,在一定的实验条件下采用CLSMM计算得到样本的光谱反射数据与实际测量数据的光谱特征基本一致;采用CLSMM的混合像元分解误差与混合度指数、斑块密度指数呈显着的正相关,随着2个指数的增加RMSE也呈现明显的上升趋势;利用误差估算模型估算样本的RMSE,发现模型估算的RMSE与原始RMSE相比平均相对误差为16.43%。基于CLSMM进行混合像元分解时,考虑模型的适用场景和像元内部差异性的影响将有利于提高混合像元分解的精度。(本文来源于《遥感信息》期刊2019年03期）
赵岩[8]（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）
李登刚,陈香香,李华丽,王忠美[9]（2019）在《基于超像素的流形正则化稀疏约束NMF混合像元分解算法》一文中研究指出针对传统非负矩阵分解(NMF)法用于高光谱图像混合像元分解时产生的分解结果精度不高、对噪声敏感等问题,提出一种基于超像素的流形正则化稀疏约束NMF混合像元分解算法——MRS-NMF。首先,通过基于熵率的超像素分割来构造高光谱图像的流形结构,把原图像分割为k个超像素块并把每个超像素块中具有相似性质的数据点标上相同的标签,定义像素块内有相同标签的任意两个数据点之间的权重矩阵,然后将权重矩阵应用于NMF的目标函数中以构造出流形正则化约束项;第二,在目标函数中添加二次抛物线函数以完成稀疏约束;最后,采用乘法迭代更新法则求解目标函数以得到端元矩阵和丰度矩阵的求解公式,同时设置最大迭代次数和容忍误差阈值,迭代运算得到最终结果。该方法有效利用了高光谱图像的光谱和空间信息。实验结果表明,在模拟的高光谱数据中,与传统的流形稀疏约束的非负矩阵分解(GLNMF)、L1/2-NMF和顶点成分分析-全约束最小二乘法(VCA-FCLS)等方法相比,MRS-NMF可以提高0.016～0.063的端元分解精度和0.01～0.05的丰度分解精度;而在真实的高光谱图像中,MRS-NMF较传统的GLNMF、顶点成分分析法(VCA)、最小体积约束的非负矩阵分解(MVCNMF)等方法可以平均提高0.001～0.043 7的端元分解精度。所提MRS-NMF算法有效地提高了混合像元分解的精度,同时具有较好的抗噪性能。(本文来源于《计算机应用》期刊2019年10期）
王金明[10]（2019）在《基于混合像元分解的土壤含水量估计算法研究》一文中研究指出土壤水分含量在各种科学领域发挥着重要作用,包括农业,水文学,气象学和生态学。在过去的二十年中,随着地球观测技术的进步,已经表明土壤水分含量可以在某种程度上被电磁波测量出来,远程传感器不能直接测量土壤含水量,因此,建立土壤水分含量反演模型具有重要意义。高光谱土壤水分含量反演技术主要依靠反射率法或者植被指数法,反射率法的指的是“裸土”反射率,植被指数法指的是“植被”在不同波段表现出的反射规律。然而高光谱图像,尤其对于卫星遥感高光谱而言,由于空间分辨率的限制混合像元普遍存在,纯植被或纯裸土的反射率很难获取。本文针对这个问题,先对高光谱图像进行解混合,然后再计算植被指数,构建准确的土壤水分含量反演模型。主要内容如下:第一,针对当前基于非负矩阵的解混算法对初始值敏感和解不稳定问题,首先,本文提出改进的空间光谱预处理算法,挑选出较为纯净的端元像素,对分解算法的初始端元和丰度值进行优化;其次,根据丰度稀疏性和丰度空间关系,引入了低秩性约束和基于图的拉普拉斯正则项约束。第二,利用解混后获得精确的植被反射率数据,计算相关的植被指数,然后利用灰度关联法对植被指数和土壤含水量进行关联度分析,结合偏最小二乘法对各植被指数进行筛选,并建立了关于植被指数的土壤含水量线性回归模型,取得了较好的实验结果。(本文来源于《合肥工业大学》期刊2019-05-01）
混合像元论文开题报告
（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：
基于MODIS数据进行面积提取易受混合像元影响,为了降低因混合像元导致的错分和漏分误差,该研究提出一种线性的混合像元分解模型,建立MODIS混合像元中冬小麦占比与MODIS/NDVI时间序列影像波峰波谷差值之间的定量关系。基于2017年保定市MODIS数据和GF数据进行了模型构建,基于2014年数据进行了模型验证。结果显示纯度指数(PPI)精确度均值为0.485,基于混合像元分解模型得到的2014年保定市冬小麦面积推算值为40.05万hm2,基于GF数据得的2014年保定市冬小麦面积"真值"为37.39万hm2,绝对误差为2.66万hm2,相对误差率为7.11%。利用河北省冬小麦广泛种植的8个地市对模型的适用性进行评价,结果表明不同地市的冬小麦面积推算值和冬小麦面积"真值"间平均误差率为3.69%。基于该模型的冬小麦面积推算值误差相对较低,数据可靠性较高,且受地域影响较小,具有较为普遍适用性。
（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。
混合像元论文参考文献
[1].赖佩玉,陈浩宁,黄昌.像元二分模型在MODIS水陆混合像元分解中的适用性研究[J].测绘地理信息.2019
[2].王利民,刘佳,姚保民,高建孟,杨福刚.综合NDVI时序特征的冬小麦混合像元分解及面积估算[J].中国农学通报.2019
[3].袁博.基于混合像元空间与谱间相关性模型的NMF线性盲解混[J].测绘学报.2019
[4].徐君,王彩玲.结合空间信息选取最优端元组合的混合像元分解[J].测绘通报.2019
[5].程思思,汪冰,范芳,付丽华,沈鸿坡.基于混合像元分解的OLI影像草原植被覆盖区遥感岩矿信息提取研究[J].华中师范大学学报(自然科学版).2019
[6].徐君,王彩玲.端元之间最大距离和约束的NMF混合像元分解方法[J].测绘科学技术学报.2019
[7].张皓楠,温兴平,徐俊龙,罗大游,李进波.影响混合像元分解精度的因子研究[J].遥感信息.2019
[8].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
[9].李登刚,陈香香,李华丽,王忠美.基于超像素的流形正则化稀疏约束NMF混合像元分解算法[J].计算机应用.2019
[10].王金明.基于混合像元分解的土壤含水量估计算法研究[D].合肥工业大学.2019
论文知识图
