导读:本文包含了线性混合像元分解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,线性,分解,遥感,模型,指数,邻域。
线性混合像元分解论文文献综述
赵岩[1]（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）
刘博宇,陈军,邢华桥,武昊,张俊[2]（2017）在《面向线性光谱混合分解的邻域像元集螺线型构建方法》一文中研究指出高时间分辨率遥感影像在地表景观破碎区域易形成混合像元,难以发挥其高时间维度优势。现有方式多是基于线性光谱混合模型,借助邻域像元所构成的像元集合组成线性方程组,求出组分光谱值的最小二乘解,提高其空间分辨率。然而,现有方法依赖窗口形式来构建邻域像元集合,在某些区域易造成方程组无解的欠定问题。本文在分析其问题原因的基础上,引入阿基米德螺线代替传统的矩形窗口,对邻域各像元依次遍历,构建空间邻近、组分相近的邻域像元集合来解决该问题。在GlobeLand 30数据上的试验表明,螺线型构建方法对5种混合尺度上多种类型地物均具有稳定的精度,与传统窗口构建方法相比,可从构建邻域像元集合方面将总体理论精度提高2%,分解结果精度提高近1个数量级。(本文来源于《测绘学报》期刊2017年11期）
奚祯苑,刘丽娟,陆灯盛,葛宏立,陈耀亮[3]（2015）在《基于线性混合像元分解技术提取山核桃空间分布》一文中研究指出【目的】利用混合像元分解技术研究一种快速、准确提取山核桃空间分布信息的新方法,为亚热带经济林资源及其动态变化的快速检测提供新手段。【方法】以浙江省临安市西部为研究区,首先,采用线性混合像元分解技术获取植被(GV)、阴影(shade)和土壤(soil)3个分量图,据实地考察,基于山核桃的GV,shade和soil分量与其他植被的区分性较大的特征,构建植被-土壤指数、植被-阴影指数和归一化多分量指数3种新的指数;然后,基于归一化植被指数和新的指数建立决策树模型提取山核桃;最后,将研究区的土地覆盖类型分为山核桃和其他地类,并通过地面调查收集的样地数据和Google Earth高分辨率影像对分类结果进行验证。【结果】归一化多分量指数可最大限度地扩大山核桃与其他在光谱上易混淆的植被之间的差距,与其他植被的可分离性最好,因此,将归一化多分量指数作为提取山核桃的最优指数。基于该指数提取山核桃的总体精度达88.67%,Kappa系数为0.76,成功实现临安西部区域的山核桃信息提取,证明使用线性混合像元分解模型提取山核桃的潜力。【结论】针对山核桃经济林提取而提出的归一化多分量指数,物理意义明确,实现简单,易于理解和分析,尽可能地降低由于步骤复杂、样本类数多而造成的系统误差和人为误差,其结果还可为今后其他地区山核桃的提取或具有相似生长条件的经济林空间分布信息的提取提供参考,具有较高的应用潜力和推广价值。(本文来源于《林业科学》期刊2015年10期）
张飞飞,孙旭,薛良勇,高连如,刘长星[4]（2015）在《融合简单线性迭代聚类的高光谱混合像元分解策略》一文中研究指出高光谱图像中的混合像元问题广泛存在,混合像元的分解效率一直是遥感应用研究的难点和热点。目前成熟的端元提取算法有纯像元指数(pure pixel index,PPI)、内部最大体积法(N-FINDR)、顶点成分分析(vertex component analysis,VCA)、顺序最大角凸锥(sequential maximum angle convex cone,SMACC)、交替最大体积法(alternating volume maximization,AVMAX)、最小体积封闭单形体(minimum volume enclosing simplex,MVES)等,这些算法从图像所有像元中提取纯光谱,具有提取速度慢、精度不高的缺点。为此,该文引入了一种融合简单线性迭代聚类(simple linear iterative clustering,SLIC)超像元分割的高光谱混合像元分解算法。超像元分割技术能够将具有相似特征的相邻像元组成图像块,并保留进一步进行图像处理的有效信息,从而大幅减少参与端元提取的像元数量,为解决上述问题提供了有效的途径。通过试验对比了降维方式(主成分分析和最大噪声分数)、RGB对应关系(6种)、色彩空间RGB(red,green,blue)和LAB(lightness-A-B)、数据格式(JPG,BIN)和算法参数K对高光谱图像超像元分割结果的影响,并进一步分析了SLIC超像元分割结果对2种典型端元提取算法(AVMAX、MVES)产生的不同效果。试验结果表明,随着K值的增大,混合像元分解的时间逐渐增加,均方根误差(root mean square error,RMSE)持平或减少,而JPG(有损压缩)数据格式的时间始终比BIN(无损压缩)数据格式的要短。SLIC+MVES的RMSE略高于MVES的RMSE,低于AVMAX的RMSE,但时间远小于MVES。当K足够大的时候,SLIC+MVES的效果就近似MVES的效果了。在大部分情况下,最大噪声分数的降维效果优于主成分分析。以最大噪声分数作为降维方法、以JPG作为数据格式、以LAB作为色彩空间对混合像元分解结果较为有利。另外,SLIC的参数K的取值在5~10之间较为合适。该研究中的SLIC超像元分割算法简单易行,并且提高了混合像元分解的效率,具备很好的实用价值。(本文来源于《农业工程学报》期刊2015年17期）
宋彩英,覃志豪,王斐[5]（2015）在《基于线性光谱混合模型的地表温度像元分解方法》一文中研究指出以北京市Landsat TM为数据源,提出了一种新的地表温度光谱分解模型(Temperature Unmixing with Spectral,TUS),以期将地表温度的空间分辨率提高到30 m.首先,基于线性光谱混合模型获得地表组分的丰度值.然后,基于温度/植被指数选取典型端元的地表温度.最后,综合地表组分的比辐射率数据实现地表温度的分解.结果表明,TUS模型能够有效地提高地表温度的空间分辨率,反映不同地表组分地表温度的空间差异性,平均绝对误差(MAE)和均方根误差(RMSE)分别为1.25 K和2.27 K,非常适合于复杂地表覆盖地区的地表温度降尺度处理.(本文来源于《红外与毫米波学报》期刊2015年04期）
张叙葭[6]（2015）在《单/双端元线性模型分解混合像元的应用效果对比》一文中研究指出获取2013年Landsat 8卫星武汉市区划内轨道的OLI影像;利用Google Earth目视解译采集端元ROI,使用Viper Tools进行端元光谱库的采集与优化,分别使用线性光谱混合分析法、双端元光谱混合分析法分解城市区域混合像元;以神经网络和最小距离法作为对照组进行精度评价.研究结果表明:两种方法在分类精度方面,对不同的土地利用类型各有优势性偏向;双端元光谱混合分析法在目视解译的角度使土地利用类型分类更为细致;在线性模型下适量增加端元光谱库数量,可以使混合像元解混精度和模型合理程度均得到有效提高,同时分解的细致程度也大大提升.(本文来源于《闽江学院学报》期刊2015年02期）
刘娟娟,王茂芝,葛世国,李想[7]（2013）在《全约束下高光谱混合像元线性分解》一文中研究指出针对使用线性模型对混合像元进行求解,其分解的结果(丰度值)会出现负值或和不为1的情况,提出了加入非负约束与和为1的条件对此线性模型进行最小二乘分解,并给出相应的算法。实验表明全约束下的最小二乘获得了比较好的分解效果。(本文来源于《四川理工学院学报(自然科学版)》期刊2013年03期）
罗耀华,郭科,赵仕波[8]（2013）在《基于线性光谱模型的混合像元分解高性能计算研究》一文中研究指出混合像元分解是遥感技术向定量化、精细化发展的重要技术,是关系到地物精细分类的重要操作环节,而线性光谱模型确实是目前解决混合像元问题的有效策略。针对高光谱遥感影像数据量大,混合像元分解计算耗时长的问题,提出了一种基于CUDA的高光谱遥感端元投影向量法实现方法。在分析高光谱图像端元投影向量法串行算法的基础上,建立了在CUDA架构下以像元点为基准产生相应的进程数,每个进程负责一单位像元点的计算方式。实验结果表明,将该方法应用于实际的高光谱遥感影像的混合像元中,可极大地提高传统中央处理器(CPU)的运算效率。(本文来源于《物探化探计算技术》期刊2013年03期）
黄艳妮,查良松,陈健[9]（2012）在《基于线性光谱混合模型的混合像元分解研究——以合肥市为例》一文中研究指出利用Landsat ETM+数据,在水体掩膜的基础上,采用线性光谱混合模型(Liner Spectral Mixture Model,LSMM)进行混合像元分解,得到合肥市高反射率地物、低反射率地物、植被和土壤四种端元的丰度图像以及RMS误差分量图像.应用线性光谱混合模型研究城市地表组分组成,端元(End-member)选取是模型成败的关键.通过分别采用手动选取端元和利用纯像元指数(PPI)法选取端元两种方法,从定性角度对比两种方法得到的结果,结果表明在本研究区内手动选取的端元比PPI选取的端元模型拟合精度更高,能够得到更高精度的分量图像.(本文来源于《安徽师范大学学报(自然科学版)》期刊2012年03期）
刘姣娣,曹卫彬,李华,刘学[10]（2011）在《基于线性光谱混合模型的棉花遥感识别混合像元分解》一文中研究指出遥感图像中普通存在着混合像元,对这部分像元进行分类(即混合像元分解)是遥感图像处理中的难点。以新疆玛纳斯县为研究区,运用线性光谱混合模型,估算端元丰度值,进行空间建模,将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下用最小二乘法估计混合系数,得到每种地物类型的丰度及均方根误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明:线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。(本文来源于《中国棉花》期刊2011年10期）
线性混合像元分解论文开题报告
（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：
高时间分辨率遥感影像在地表景观破碎区域易形成混合像元,难以发挥其高时间维度优势。现有方式多是基于线性光谱混合模型,借助邻域像元所构成的像元集合组成线性方程组,求出组分光谱值的最小二乘解,提高其空间分辨率。然而,现有方法依赖窗口形式来构建邻域像元集合,在某些区域易造成方程组无解的欠定问题。本文在分析其问题原因的基础上,引入阿基米德螺线代替传统的矩形窗口,对邻域各像元依次遍历,构建空间邻近、组分相近的邻域像元集合来解决该问题。在GlobeLand 30数据上的试验表明,螺线型构建方法对5种混合尺度上多种类型地物均具有稳定的精度,与传统窗口构建方法相比,可从构建邻域像元集合方面将总体理论精度提高2%,分解结果精度提高近1个数量级。
（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。
线性混合像元分解论文参考文献
[1].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
[2].刘博宇,陈军,邢华桥,武昊,张俊.面向线性光谱混合分解的邻域像元集螺线型构建方法[J].测绘学报.2017
[3].奚祯苑,刘丽娟,陆灯盛,葛宏立,陈耀亮.基于线性混合像元分解技术提取山核桃空间分布[J].林业科学.2015
[4].张飞飞,孙旭,薛良勇,高连如,刘长星.融合简单线性迭代聚类的高光谱混合像元分解策略[J].农业工程学报.2015
[5].宋彩英,覃志豪,王斐.基于线性光谱混合模型的地表温度像元分解方法[J].红外与毫米波学报.2015
[6].张叙葭.单/双端元线性模型分解混合像元的应用效果对比[J].闽江学院学报.2015
[7].刘娟娟,王茂芝,葛世国,李想.全约束下高光谱混合像元线性分解[J].四川理工学院学报(自然科学版).2013
[8].罗耀华,郭科,赵仕波.基于线性光谱模型的混合像元分解高性能计算研究[J].物探化探计算技术.2013
[9].黄艳妮,查良松,陈健.基于线性光谱混合模型的混合像元分解研究——以合肥市为例[J].安徽师范大学学报(自然科学版).2012
[10].刘姣娣,曹卫彬,李华,刘学.基于线性光谱混合模型的棉花遥感识别混合像元分解[J].中国棉花.2011
论文知识图
