导读:本文包含了非线性混合光谱模型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,模型,遥感,植被,图像,线性,水层。
非线性混合光谱模型论文文献综述
杨斌,王斌,吴宗敏[1]（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）
李晶[2]（2018）在《基于非线性混合模型的高光谱图像解混技术研究》一文中研究指出高光谱遥感图像具有光谱分辨率高和图谱合一的特点,具有很强的精细地物识别与区分能力。由于高光谱成像系统的空间分辨率低和地物分布的复杂性,混合像元普遍存在于高光谱图像中,限制了高光谱图像应用的精度。光谱解混是将混合像元分解为特征光谱(端元)及其组成比例(丰度)的基本技术,本质上可以分为线性解混技术和非线性解混技术。在很多诸如植被、城市等复杂场景应用中,存在明显的非线性混合现象,因此非线性解混技术相比线性解混技术更能提取地物的真实分布。典型的非线性解混技术通过数值优化求解特定的非线性混合模型,以获得端元、丰度和其他非线性系数的估计值。由于非线性模型的复杂性和其对应目标函数的非凸特性,传统基于梯度方法的有监督/无监督非线性解混算法存在收敛性差、不稳定的问题,需要进一步的优化以提高非线性解混的精度。另外,大部分的非线性模型只考虑了基本的、物理意义上的约束,没有充分利用真实地物混合中广泛存在的稀疏特性。本文将重点围绕基于非线性混合模型的高光谱图像解混技术研究,针对上述几个问题,从以下几个方面展开研究工作:(1)利用基于 Hopfield 神经网络(Hopfield neural network,HNN)的优化方法实现有监督的非线性解混。依次构建两个HNN来分别优化求解广义双线性模型中的丰度以及非线性系数的估计问题;分析并推导这两个网络的状态方程,得到网络的状态和输出随时间的变化关系;最后根据丰度和非线性系数与网络输出的对应关系得到它们的迭代更新公式。仿真实验和真实实验结果均表明,提出的基于HNN的有监督非线性解混算法相比其他有监督非线性解混算法精度更高且执行效率较高。(2)研究具有稀疏约束的Fan模型,以挖掘非线性混合中存在的稀疏特性,缩小非负矩阵分解算法的解空间,提高非线性解混的精度。引入平滑的稀疏测度以更好地实现稀疏性度量,并将其作为约束项嵌入到求解Fan模型的目标函数中,推导出端元和丰度的迭代更新公式。实验结果表明,具有稀疏约束的非线性解混算法能较好地挖掘数据中的稀疏特性,同时算法的解混精度优于其他非线性解混算法。(3)针对无监督非线性解混中参数相对较多且模型复杂的问题,将原始目标函数通过矩阵拆分转化为两个或叁个约束最小二乘问题;通过参数化方法,将约束最小二乘问题转化为无约束的参数化非线性最小二乘问题(parameterized nonlinear least squares,PNLS);提出一种基于 Gauss-Newton 的 PNLS 优化算法,推导出分别用于求解广义双线性模型和Fan模型的迭代更新公式。实验结果表明,PNLS算法比基于NMF的无监督非线性解混算法收敛速度更快,能得到更好的端元、丰度和非线性系数的估计。本文通过以上研究工作,有效地改进了非线性混合模型及其优化算法,提高了非线性解混算法的精度和鲁棒性。(本文来源于《浙江大学》期刊2018-04-27）
蔡茂知[3]（2016）在《基于非线性混合模型的高光谱波谱信号提取方法研究》一文中研究指出高光谱波谱信号提取技术作为高光谱图像处理中的基础技术,广泛应用于高光谱像元解混、目标识别、异常点检测以及目标分类等高光谱图像处理算法中。因此,如何行之有效的从高光谱图像中获取波谱信息,直接影响着高光谱图像在各个领域中的应用。目前,获取波谱信号方法主要包括两种:其一是从实验室或现有的光谱库中获取,另一种方法是从高光谱图像数据中提取,这种方法通常被称作波谱信号提取算法(Spectral Signal Extraction Algorithm,SSEA)。由于高光谱图像中通常存在着混合像元,这给波谱信号提取算法带来了极大的挑战。现有的SSEA算法,如基于纯像元指数算法、内部最大体积法算法、顶点成分分析算法等波谱信号提取算法都是以线性混合模型为基础的波谱信号提取算法。但是,在混合像元的形成过程中,容易受到大气、传感器以及太阳入射辐射与多种地物之间的相互作用等因素的影响。这使得高光谱图像中的混合像元是各波谱信号的非线性表示,并且非线性的程度随着空间分辨率的提高变得越发严重。因此,对非线性混合模型下的波谱信号提取算法的研究具有非常重要的意义。本文主要完成以下几个方面的工作。本文首先就高光谱图像中的像元混合的成因进行分析和探讨,并着重研究混合像元中的非线性因素以及现有的非线性混合模型。其次,结合混合像元分解以及向量的相似性原理,建立起高光谱波谱信号提取算法的有效性验证方法。由于目前普遍采用近似线性化的方法处理高光谱混合像元中的非线性成分,本文深入探讨在不同非线性混合模型的高光谱数据中,线性波谱信号提取算法的有效性。实验结果表明:采用近似线性化的方法会导致计算误差增大,甚至无法完整的提取出非线性混合数据中的波谱信号。最后,结合非线性全约束最小二乘丰度反演算法、线性波谱信号提取方法以及非线性混合模型进行波谱信号的提取。通过与传统的线性波谱信号提取算法进行对比实验,其结果表明:基于非线性混合模型的波谱信号提取算法相比于线性波谱信号提取算法,误差更小,性能更佳。对于噪声的抑制能力也优于线性波谱信号提取算法。同时,将该算法与传统的目标识别算法相结合,利用非线性波谱信号提取方法提取的波谱信号能够有效识别高光谱图像中预设目标。(本文来源于《电子科技大学》期刊2016-05-09）
余先川,李建广,徐金东,张立保,胡丹[4]（2013）在《基于二次散射的高光谱遥感图像光谱非线性混合模型》一文中研究指出高光谱遥感图像(简称高光谱图像)的空间分辨率通常较低,混合像元现象严重。为了提高图像的分类精度,必须计算出混合像元内每种纯地物所占的比例(丰度)。然而,受实际地物间复杂关系和大气散射的影响,高光谱图像像元内的光谱混合都是非线性的,这就使得传统的基于线性光谱混合模型的解混精度难以满足要求。为此,定义了广义的非线性混合模型,提出了一种基于二次散射的非线性混合模型——二次散射模型(secondary scat-tering model,SSM)。通过对模拟数据和AVIRIS实际数据的解混实验表明,相对于传统的线性光谱解混,基于该模型进行光谱解混得到了更精确的分类结果。(本文来源于《国土资源遥感》期刊2013年01期）
夏俊士,杜培军,曹文[5]（2011）在《基于非线性光谱混合模型的遥感影像提取城市不透水层(英文)》一文中研究指出针对传统方法在提取城市不透水层中的许多局限性,采用两种非线性光谱混合分解模型,包括混合调谐匹配滤波和多层感知器神经网络,通过混合像元分解获取城市不透水层.混合调谐匹配滤波利用用户选择的端元,通过最大化端元响应并减少未知背景信息的影响,进行局部分解端元.多层感知器由多个感知器组成,能够很好的进行非线性学习.对Landsat TM遥感影像进行最大噪声分离,使其转换到另外一个特征空间.利用新生成数据集的前叁个成分(占90%以上信息量)进行纯净像元提取,并利用N维可视化分析器寻找出四个进行分解的端元:植被、高反射率地物、低反射率地物和土壤。不透水层则由高反射率和低反射率两个分量估算而成。对不同模型提取的结果,利用QuickBird多光谱图像评价其准确性.实验结果表明人工神经网络的精度最高,即非线性光谱混合模型同样可以有效地提取不透水层,精度甚至优于线性模型.(本文来源于《光子学报》期刊2011年01期）
吴昀昭,郑永春,邹永廖,谢志东,徐夕生[6]（2010）在《基于非线性混合模型研究太空风化对月壤光谱的影响》一文中研究指出月表太空风化会改变月壤光谱特征,影响月壤元素遥感反演精度.研究太空风化对月壤光谱的影响有助于开发月壤成熟度光谱解耦算法,提高月壤成分遥感反演精度.直接对比月壤风化前后光谱的变化能最真实反映太空风化对光谱的影响,但无法获取未风化的月壤样品,利用实验室模拟方法开展研究也存在缺陷.本文提出了一种简便的方法来研究太空风化对月壤光谱的影响,并以月海样品为例进行探讨.利用Hapke模型对月海样品组成矿物光谱按照实测含量进行非线性混合,并通过对比混合后的光谱与实测的月壤光谱,研究太空风化过程对月壤光谱的影响.研究结果表明,月壤在遭受太空风化后反射率降低,波长越短降低越显着;月壤背景吸收斜率增大,月壤变得更红,月壤矿物特征吸收峰深度降低,光谱对比度变弱,长波吸收峰(2.0μm附近)深度降低程度超过短波吸收峰(1.0μm附近)深度.未来在利用遥感技术反演月壤元素含量时,必须考虑这些因素.(本文来源于《空间科学学报》期刊2010年02期）
罗红霞,龚健雅[7]（2005）在《线性和非线性光谱混合模型模拟土壤、植被混合光谱的效果分析》一文中研究指出论述模拟混合光谱形成的几种主要光谱混合模型,并用实验数据对线性模型和一种非线性模型的模拟效果进行比较。结果表明在实验区域中非线性模型模拟的效果并不比线性模型好,但因为非线性模型考虑了土壤、植被光谱之间的相互作用,其模拟的效果通常不会比线性模型差。(本文来源于《测绘通报》期刊2005年05期）
陶秋香[8]（2004）在《非线性混合光谱模型及植被高光谱遥感分类若干问题研究》一文中研究指出本文围绕非线性混合光谱模型的建立及其在植被高光谱遥感分类中的应用研究这个中心，论述植被高光谱遥感分类方法的应用、训练样本的选择以及混合像元的分解。论文首先对各种常用的植被高光谱分类方法，特别是基于光谱特征的高光谱分类方法进行分类训练，通过比较分类性能，得出各种方法在植被高光谱分类中的应用规律，找出植被高光谱分类过程中选择最优分类方法的技巧，为高光谱遥感中植被类型的识别与分类做出贡献。并在此基础上，提出将传统分类方法与基于光谱特征的分类方法相结合对高光谱图像进行分类的方法。从而对植被高光谱遥感分类形成一个初步认识，为后续混合像元分解研究做出一定的铺垫；针对植被高光谱遥感分类过程中作为参考光谱的训练样本选择问题，研究分析植被高光谱分类过程中常用的参考光谱的来源和训练样本的选择方法，提出两种新的参考光谱选择(纯化)方法，并结合具体的高光谱遥感数据验证方法的有效性；针对植被高光谱遥感分类中混合像元的分解问题，详细探讨混合像元的概念和几种常用的混合像元分解方法，提出一种新的用于混合像元分解的非线性混合光谱模型并给出几种相应的解算方法，然后结合具体的高光谱遥感图像数据对比分析原有的线性混合光谱模型和新的非线性混合光谱模型用于混合像元分解时的优缺点，验证新模型的实用性和有效性。(本文来源于《山东科技大学》期刊2004-05-01）
陶秋香,赵长胜,张连蓬[9]（2004）在《植被高光谱遥感分类中一种新的非线性混合光谱模型及其解算方法》一文中研究指出在植被高光谱遥感分类中 ,原有用于混合像元分解的线性混合光谱模型构模简单 ,存在不足。为了克服这种不足 ,文中提出一种新的非线性混合光谱模型并给出一种相应的非线性最小二乘迭代求解方法 ,然后以OMISI高光谱遥感数据为例 ,通过实验验证该模型在植被高光谱遥感分类中的可行性(本文来源于《矿山测量》期刊2004年01期）
非线性混合光谱模型论文开题报告
（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：
高光谱遥感图像具有光谱分辨率高和图谱合一的特点,具有很强的精细地物识别与区分能力。由于高光谱成像系统的空间分辨率低和地物分布的复杂性,混合像元普遍存在于高光谱图像中,限制了高光谱图像应用的精度。光谱解混是将混合像元分解为特征光谱(端元)及其组成比例(丰度)的基本技术,本质上可以分为线性解混技术和非线性解混技术。在很多诸如植被、城市等复杂场景应用中,存在明显的非线性混合现象,因此非线性解混技术相比线性解混技术更能提取地物的真实分布。典型的非线性解混技术通过数值优化求解特定的非线性混合模型,以获得端元、丰度和其他非线性系数的估计值。由于非线性模型的复杂性和其对应目标函数的非凸特性,传统基于梯度方法的有监督/无监督非线性解混算法存在收敛性差、不稳定的问题,需要进一步的优化以提高非线性解混的精度。另外,大部分的非线性模型只考虑了基本的、物理意义上的约束,没有充分利用真实地物混合中广泛存在的稀疏特性。本文将重点围绕基于非线性混合模型的高光谱图像解混技术研究,针对上述几个问题,从以下几个方面展开研究工作:(1)利用基于 Hopfield 神经网络(Hopfield neural network,HNN)的优化方法实现有监督的非线性解混。依次构建两个HNN来分别优化求解广义双线性模型中的丰度以及非线性系数的估计问题;分析并推导这两个网络的状态方程,得到网络的状态和输出随时间的变化关系;最后根据丰度和非线性系数与网络输出的对应关系得到它们的迭代更新公式。仿真实验和真实实验结果均表明,提出的基于HNN的有监督非线性解混算法相比其他有监督非线性解混算法精度更高且执行效率较高。(2)研究具有稀疏约束的Fan模型,以挖掘非线性混合中存在的稀疏特性,缩小非负矩阵分解算法的解空间,提高非线性解混的精度。引入平滑的稀疏测度以更好地实现稀疏性度量,并将其作为约束项嵌入到求解Fan模型的目标函数中,推导出端元和丰度的迭代更新公式。实验结果表明,具有稀疏约束的非线性解混算法能较好地挖掘数据中的稀疏特性,同时算法的解混精度优于其他非线性解混算法。(3)针对无监督非线性解混中参数相对较多且模型复杂的问题,将原始目标函数通过矩阵拆分转化为两个或叁个约束最小二乘问题;通过参数化方法,将约束最小二乘问题转化为无约束的参数化非线性最小二乘问题(parameterized nonlinear least squares,PNLS);提出一种基于 Gauss-Newton 的 PNLS 优化算法,推导出分别用于求解广义双线性模型和Fan模型的迭代更新公式。实验结果表明,PNLS算法比基于NMF的无监督非线性解混算法收敛速度更快,能得到更好的端元、丰度和非线性系数的估计。本文通过以上研究工作,有效地改进了非线性混合模型及其优化算法,提高了非线性解混算法的精度和鲁棒性。
（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。
非线性混合光谱模型论文参考文献
[1].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
[2].李晶.基于非线性混合模型的高光谱图像解混技术研究[D].浙江大学.2018
[3].蔡茂知.基于非线性混合模型的高光谱波谱信号提取方法研究[D].电子科技大学.2016
[4].余先川,李建广,徐金东,张立保,胡丹.基于二次散射的高光谱遥感图像光谱非线性混合模型[J].国土资源遥感.2013
[5].夏俊士,杜培军,曹文.基于非线性光谱混合模型的遥感影像提取城市不透水层(英文)[J].光子学报.2011
[6].吴昀昭,郑永春,邹永廖,谢志东,徐夕生.基于非线性混合模型研究太空风化对月壤光谱的影响[J].空间科学学报.2010
[7].罗红霞,龚健雅.线性和非线性光谱混合模型模拟土壤、植被混合光谱的效果分析[J].测绘通报.2005
[8].陶秋香.非线性混合光谱模型及植被高光谱遥感分类若干问题研究[D].山东科技大学.2004
[9].陶秋香,赵长胜,张连蓬.植被高光谱遥感分类中一种新的非线性混合光谱模型及其解算方法[J].矿山测量.2004
论文知识图
