基于壓縮感知的高光譜圖像稀疏解混方法研究.pdf

1、隨著衛(wèi)星傳感器空間分辨率的不斷提高，消除光譜二次反射效應(yīng)能力的不斷增強，給高光譜圖像分類帶來了新的研究機遇，但是由于復(fù)雜實測地物的多樣性、地物光譜多次散射以及實時變化等問題，高光譜圖像的混元解混問題(Mixed Pixel Decomposition)成為遙感領(lǐng)域新的研究難點。論文針對高光譜解混過程中存在的分解精度不高，端元數(shù)目冗余以及處理速度慢等問題，以壓縮感知理論作為研究工具，充分利用光譜庫中豐度系數(shù)向量的稀疏性，對解混預(yù)處理、端元

2、特征提取以及端元子空間劃分等內(nèi)容展開了研究。
　　針對高光譜圖像稀疏解混過程中隨機測量矩陣造成的觀測向量不確定性，本文建立搜索測量矩陣寬度和稀疏度的整數(shù)規(guī)劃數(shù)學(xué)模型，引入混沌蟻群算法來確定測量矩陣的參數(shù)。以混沌 Tent Map系統(tǒng)產(chǎn)生的偽隨機序列為基礎(chǔ)，按照循環(huán)/塊對角分裂結(jié)構(gòu)，構(gòu)造出改進混沌托普利茲矩陣。利用該測量矩陣與投影矩陣的相關(guān)性，在隨機梯度下降算法中引入塊SVD分解策略，獲得優(yōu)化改進混沌托普利茲測量矩陣。測試實驗表明，

3、該優(yōu)化測量矩陣在端元特征提取過程中，不僅能夠有效的減少了端元特征的數(shù)目，保持了較高的處理速度，而且保證了更精確的特征提取精度。
　　由于衛(wèi)星傳感器在采集過程中云層、大氣等實時加性噪聲，量化過程中量化噪聲以及高光譜成像儀和對象地物間的相對運動造成的線性模糊都會使得高光譜圖像質(zhì)量下降，產(chǎn)生稀疏解混的端元提取精度問題，論文提出一種改進分裂Bregman迭代與改進型最小近似共軛梯度相結(jié)合的解決方案，通過改進型最小近似共軛梯度算法檢測光譜信

4、號的尖峰和突變部分，采用并行優(yōu)化加速策略提高分裂Bregman迭代策略收斂速度，引入了迭代重復(fù)加權(quán)策略改造字典學(xué)習(xí)，抑制含噪信號的乘性噪聲。實驗表明，針對不同的噪聲，該策略不僅能夠很好的提取和保留實時信號中的尖峰和突變部分，而且具有魯棒重構(gòu)原始測試信號的能力，為后續(xù)實現(xiàn)混元區(qū)域的多端元稀疏解混中提高分解精度提供了幫助。
　　針對如何將高維數(shù)據(jù)劃分為端元子空間來提高混元分解精度和處理時間的問題，提出了一種結(jié)合改進型交替方向法與魯棒主

5、成分分析(RPCA)的實時低秩分解策略，通過預(yù)測學(xué)習(xí)訓(xùn)練在線字典實現(xiàn)低秩分解，采用冗余補償技術(shù)降低低秩分解中的誤差，引入塊自適應(yīng)SVD分解策略提高低秩分解的速度，將該策略應(yīng)用于高光譜信號的稀疏子空間聚類，達到劃分端元子空間提高解混分解精度的目的。實驗研究表明，該策略是一種實時特征降維中有效的分類方法，能夠?qū)崿F(xiàn)實時端元特征降維中有效波段分類。
　　最后，本文的主要研究工作是將壓縮感知理論中所取得的測量矩陣構(gòu)造與優(yōu)化、高光譜圖像噪聲背