导读:本文包含了稀疏解论文开题报告文献综述及选题提纲参考文献，主要关键词:高光谱图像,高光谱解混,稀疏解混,贪婪算法
稀疏解论文文献综述
孔繁锵,朱成,徐诚,周永波[1]（2019）在《空间相关性约束联合子空间追踪的高光谱图像稀疏解混》一文中研究指出通过深入分析高光谱图像空间相邻数据之间的空间相关性,提出一种利用空间相关性进行约束的联合子空间追踪解混(Spatial correlation constrained simultaneous subspace pursuit,SCCSSP)方法。该方法首先基于分块思想将高光谱图像进行分块处理,然后在图像块的端元提取步骤中,结合空间相关性特征对端元的提取进行约束,从而确保当前端元支撑集相对于高光谱图像残差是最优的。在丰度估计中将图像块的端元集合合并作为整幅图像的端元支撑集,通过求解非负性约束的最小二乘法获得丰度重建图像。模拟图像数据实验结果表明,本文方法在同等条件下能够获得更高的信号重构误差,且解混运算时间低于凸优化算法。在实际图像数据实验中,本文方法丰度图像稀疏度最低,取得了仅次于SUnSAL-TV算法的图像重建误差,其所得到的丰度重建图像也取得了更好的视觉效果。实验结果验证了本文方法具有更高的解混精度。(本文来源于《南京航空航天大学学报》期刊2019年05期）
毕晓君,周泽宇[2]（2019）在《基于大规模多目标优化的高光谱稀疏解混算法》一文中研究指出针对现有多目标稀疏解混算法中存在因随机分组策略的不足和拐点选择具有单一性,进而导致高光谱数据解混精度不高的问题,本文提出一种基于大规模多目标优化的高光谱稀疏解混算法。引入大规模多目标优化算法的决策变量分组策略,并提出有约束拐点区域选择策略求取丰度最优解,进而提高解混精度。对模拟和真实的高光谱数据进行实验,结果表明:本文算法在解混精度上有大幅度提升,与其他算法比较,可以看出本文算法得到的丰度图边缘细节处理得更好,抗噪性能更强,验证了本文提出算法的有效性和先进性。(本文来源于《哈尔滨工程大学学报》期刊2019年07期）
顾正之,王素玉[3]（2019）在《基于端元字典稀疏解混的高光谱图像亚像元定位》一文中研究指出针对高光谱图像中普遍存在的混合像元中各端元空间分布定位困难的问题,文中提出一种基于K-SVD的光谱解混算法,利用其解混结果进行亚像元定位。算法首先通过KNN分类来区分待处理图像中的混合像元和纯像元,然后借鉴基于冗余字典的稀疏分解相关理论,以标准光谱库为基础,通过基于K-SVD的字典训练算法训练产生最具代表性的地物光谱曲线,构建端元冗余字典,通过基于K-SVD的稀疏分解算法实现各端元丰度的求解。最后利用求得的丰度系数在两种空间性相关性约束下进行亚像元定位。实验结果表明,采用该算法进行模拟数据和真实数据的亚像元的定位可以取得不错的定位结果。(本文来源于《电子科技》期刊2019年04期）
朱成[4]（2019）在《基于联合贪婪算法的高光谱图像稀疏解混方法研究》一文中研究指出相比于多光谱图像和全色图像,从高光谱图像中不仅可以获得图像上每个像素点的光谱数据,还可以获得任一个谱段的空间影像信息,因此可以更有效地对地物进行分析和识别,在地质勘探、海洋资源普查、战场环境侦测等民用和军事领域具有广阔的应用前景。但是混合像元的存在是扩展高光谱遥感应用场景面临的重大难题。混合像元分解问题引起了广大学者的关注,目前已发展出了众多理论和方法。其中,贪婪类解混算法是通过贪婪迭代的方式寻找混合像元的端元支撑集,然后通过最小二乘法估计出丰度系数。该类算法具有解混精度高、速度快的优点。本文主要对其进行了深入研究,主要内容如下:1.针对单路径搜索算法容易在端元选择过程中陷入局部最优的问题,提出了一种基于多路径搜索的A星联合正交匹配追踪算法。该算法首先将高光谱图像进行分块处理,针对每个高光谱图像子块,在选择端元的过程中,A星搜索将建立一棵通过节点表示光谱库中端元的搜索树,依据最佳优先原则,利用代价函数在搜索树的所有路径中选出最好的一条,并对该路径进行扩展。在搜索树的路径扩张过程中,使用了剪枝和路径替换等多个策略来降低计算的复杂度。待满足搜索截止条件后,算法停止迭代,并将代价最小路径上的端元作为该图像子块的端元集合。最后,将所有图像子块的端元支撑集合并作为完整图像的端元支撑集,并通过最小二乘法重构丰度图像。对A*SOMP算法分别进行了模拟图像实验和真实图像实验,实验结果表明,与参与对比的其它算法相比,本文提出的A*SOMP算法具有更高的解混精度。2.通过深入分析高光谱图像相邻像元之间的空间相关性,提出一种基于空间相关性约联合子空间追踪的高光谱图像解混方法。算法采用分块策略将高光谱图像分块处理。在每个图像子块的子空间追踪算法的端元选择步骤中,先通过初步测试选择合适的端元加入端元集合,再按照结合空间相关性约束的残差最小准则对已存在于端元集合中的端元进行再次检验,剔除其中的冗余端元,保证当次端元集合相对于当前高光谱图像残差是最优的。在丰度估计中将图像块的端元集合合并作为整幅图像的端元支撑集,通过求解非负性约束的最小二乘法获得重构的丰度图像。模拟图像和真实图像实验结果表明,与其它算法相比,本文算法提取的端元集合更加精确,具有更好的解混精度和抗噪性能。(本文来源于《南京航空航天大学》期刊2019-03-01）
彭丰富,方明[5]（2019）在《基于稀疏解组合优化的广义重心坐标》一文中研究指出根据广义重心坐标线性运算的性质与特点,运用广义重心坐标的稀疏解权函数的调和平均组合方法,对空间凸多面体顶点设计了一种求解广义重心坐标的算法,且权函数是带有保形参数的一元函数,因而具有保形优化的特点。构造了2种不同类型的带形参权函数,运用不同权函数及其参数的广义重心坐标将平面图形映射到空间曲面的实例进行了分析,并应用重心坐标常用的等值线工具对保形性进行了比较。(本文来源于《图学学报》期刊2019年01期）
叶海林,陈美霞,陶襄樊[6]（2019）在《基于l_1范数稀疏解的水下双层圆柱壳振动声辐射预报影响因素研究》一文中研究指出基于模态迭加法理论,采用l1范数稀疏解方法,实现了水下双层圆柱壳由内壳有限测点振速值重构得到内、外壳振速空间分布,进而基于边界元理论对结构水下辐射声场进行预报。通过数值计算,分析了模态数目、测点数目和模态振型误差等因素对振动声辐射预报结果的影响,为指导速度场重构时模态数目、测点数目的选取提供了一定的理论依据;结果表明基于l1范数稀疏解声学预报方法对模态振型误差有一定的鲁棒性。最后开展了水下典型双层圆柱壳结构振动声辐射预报的试验研究,可为工程领域结构的声振预报提供一定的指导思路。(本文来源于《船舶力学》期刊2019年02期）
周泽宇[7]（2019）在《高光谱图像稀疏解混与分类算法研究》一文中研究指出随着遥感技术的飞速发展,高光谱遥感图像数据已经广泛地应用于环境监测、矿产勘探、军事目标识别等领域。因此,高光谱遥感图像数据的处理十分重要且具有实际应用价值。高光谱图像数据的解混精度和高光谱遥感图像的分类精度影响着高光谱遥感图像数据的后续应用,因此,高光谱图像的解混和分类是高光谱遥感图像处理中的关键性问题,也是后续研究和应用的重要基础。其中,在高光谱图像数据解混算法中,基于稀疏约束的解混算法已经成为解混算法的热点。现有的多目标稀疏解混算法虽然能解决传统稀疏解混算法中不能直接优化非凸_0L范数和权重参数不能自适应选择的问题,但是仍存在因随机分组策略的缺陷及拐点选解具有单一性,从而导致高光谱图像数据解混精度不高的问题。在高光谱图像分类算法中,现有的高光谱图像生成式对抗网络(Generative Adversarial Network,GAN)分类算法虽然能够解决高光谱图像数据冗余度大,标记样本有限的问题,但是仍存在不能提取全部的光谱特征和空谱联合特征的不足之处,使得高光谱图像分类精度有待提升。本文针对现有高光谱图像稀疏解混算法和高光谱图像分类算法的不足,做了以下两方面的研究工作:首先,针对现有高光谱图像多目标稀疏解混算法中存在因随机分组策略的不足及拐点选解具有单一性而导致高光谱图像解混精度不高的问题,本文提出一种基于大规模多目标进化算法(Evolutionary Algorithm for Large-scale Many-objective Optimization,LMEA)的高光谱图像稀疏解混算法。首次引入LMEA算法中的决策变量分组策略,并提出有约束拐点区域选解策略来提升高光谱图像数据稀疏解混的精度。本文将该算法应用于基于光谱特征的二目标稀疏解混框架和基于空谱联合特征的叁目标稀疏解混框架中,使用常用的模拟和真实高光谱图像数据集进行对比实验,提出算法均获得最好的解混效果,也证明了使用空谱联合特征提高了算法对噪声的鲁棒性。其次,针对现有高光谱图像GAN分类算法中存在因提取光谱特征和空谱联合特征不全面而导致高光谱图像分类精度不高的问题,本文提出基于双通道GAN的高光谱图像分类算法。首先设计并搭建改进的一维GAN分类框架和改进的二维GAN分类框架用来分别提取更为全面的光谱特征和空间特征,并在上述两种框架的基础上,首次在高光谱图像GAN分类模型中引入了双通道的思想,设计并搭建双通道GAN分类框架用以提取更为全面的空谱联合特征送入到分类器中,进而提升高光谱图像的分类精度。通过对常用的叁组高光谱数据集进行实验,提出算法与其他算法相比得到了最优的分类结果,验证了提出算法的有效性和先进性。(本文来源于《哈尔滨工程大学》期刊2019-01-01）
张绍泉,李军,邓承志,汪胜前[8]（2018）在《空谱联合的高光谱遥感图像稀疏解混综述与展望》一文中研究指出受传感器空间分辨率低的限制以及复杂地物的影响,高光谱遥感图像中存在大量的混合像元。混合像元问题阻碍遥感技术向定量化发展,限制了高光谱遥感图像的应用范围。解决混合像元问题,是高光谱遥感图像信息处理领域的前沿科学问题。鉴于稀疏表示理论在混合像元分解方面的优势,近年来受到了广泛的关注和研究,取得了一系列成果。基于此,对现有的稀疏解混技术进行综述,系统地分析了各种经典的稀疏解混算法和空谱联合的稀疏解混算法的原理及优缺点,并对各解混算法进行了分析和评价,最后对该研究领域发展提出建议和展望。(本文来源于《南昌工程学院学报》期刊2018年06期）
王恒[9]（2018）在《高光谱图像稀疏解混算法研究》一文中研究指出光谱解混在高光谱图像应用中起着重要作用。由于传感器的低空间分辨率和特征分布的复杂性,高光谱图像中每个像元通常包含多于一个的特征对象。因此光谱解混作为许多高光谱图像应用背后的一项极具挑战性任务,旨在将每个混合像元的测量光谱分解为组成光谱(端元)和相应的一组比率(丰度)。作为一种半监督的解混策略,稀疏解混已经受到广泛的关注与研究。同基于几何和统计的解混算法相比,稀疏解混避免了提取没有物理意义的虚拟端元的问题。本文对近年来高光谱图像稀疏解混算法的国内外研究现状进行了总结,针对全变差正则化变量分离与增量拉格朗日(SUnSAL-TV)算法求解的丰度图像存在边缘模糊与过平滑的现象,提出了一种结构张量全变差再优化稀疏解混算法。根据结构张量全变差具有捕获局部邻域周围一阶信息的能力,在SUnSAL-TV解混模型中引入结构张量全变差正则项来校正求解的丰度矩阵,提高解混精度。在合成数据与真实高光谱数据上的实验中已得到证明,提出的算法获得更好的解混性能,能够有效地克服丰度矩阵的过平滑与边缘模糊。此外,考虑到局部协同稀疏解混算法使用固定窗口来包含局部空间信息是不严谨的,提出了基于超像素的局部协同稀疏解混算法。采用基于四元数颜色距离理论和基于简单线性迭代聚类的超像素分割算法可以将图像分割为多个同质区域,分割所得的每个同质区所包含的像元具有相似的光谱特性,在每个同质区域内执行协同稀疏解混可以更精确地包含局部空间信息。同时,考虑到自然图像中非局部相似块的存在,作为超像素分割算法的扩展,提出了一种非局部超像素分割算法来改进简单线性迭代聚类(SLIC)算法,提出的算法会包含更丰富的空间先验信息。(本文来源于《哈尔滨工程大学》期刊2018-12-01）
李飞,王媛,陈秀万,刘茂林,李阳[10]（2018）在《高光谱稀疏解混法联合HTCI估算草地叶绿素含量》一文中研究指出基于高光谱数据的光谱指数法是快速、无损、估算大面积草地叶绿素含量的有效手段,但是背景光谱和冠层结构始终作为干扰估算精度的主要因素而存在。本研究将高光谱混合像元解混方法应用于叶绿素含量估测的光谱指数中,利用基于光谱库的稀疏解混法分解混合像元,得到纯净的草地像元光谱。在此基础上,结合Hyperion影像和HSI影像的光谱特征,提出了HTCI(Hyperion/HSI terrestrial chlorophyll index)估算叶绿素含量。通过对试验结果的分析,证实本方法相较于其他单一光谱指数算法,该方法能够有效地降低背景干扰,具有更高的测算精度。(本文来源于《江苏农业科学》期刊2018年13期）
稀疏解论文开题报告
（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：
针对现有多目标稀疏解混算法中存在因随机分组策略的不足和拐点选择具有单一性,进而导致高光谱数据解混精度不高的问题,本文提出一种基于大规模多目标优化的高光谱稀疏解混算法。引入大规模多目标优化算法的决策变量分组策略,并提出有约束拐点区域选择策略求取丰度最优解,进而提高解混精度。对模拟和真实的高光谱数据进行实验,结果表明:本文算法在解混精度上有大幅度提升,与其他算法比较,可以看出本文算法得到的丰度图边缘细节处理得更好,抗噪性能更强,验证了本文提出算法的有效性和先进性。
（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。
稀疏解论文参考文献
[1].孔繁锵,朱成,徐诚,周永波.空间相关性约束联合子空间追踪的高光谱图像稀疏解混[J].南京航空航天大学学报.2019
[2].毕晓君,周泽宇.基于大规模多目标优化的高光谱稀疏解混算法[J].哈尔滨工程大学学报.2019
[3].顾正之,王素玉.基于端元字典稀疏解混的高光谱图像亚像元定位[J].电子科技.2019
[4].朱成.基于联合贪婪算法的高光谱图像稀疏解混方法研究[D].南京航空航天大学.2019
[5].彭丰富,方明.基于稀疏解组合优化的广义重心坐标[J].图学学报.2019
[6].叶海林,陈美霞,陶襄樊.基于l_1范数稀疏解的水下双层圆柱壳振动声辐射预报影响因素研究[J].船舶力学.2019
[7].周泽宇.高光谱图像稀疏解混与分类算法研究[D].哈尔滨工程大学.2019
[8].张绍泉,李军,邓承志,汪胜前.空谱联合的高光谱遥感图像稀疏解混综述与展望[J].南昌工程学院学报.2018
[9].王恒.高光谱图像稀疏解混算法研究[D].哈尔滨工程大学.2018
[10].李飞,王媛,陈秀万,刘茂林,李阳.高光谱稀疏解混法联合HTCI估算草地叶绿素含量[J].江苏农业科学.2018