基于進(jìn)化多目標(biāo)優(yōu)化的高光譜稀疏混合像元分解技術(shù)研究.pdf

1、隨著高光譜遙感技術(shù)飛速發(fā)展，高光譜遙感影像數(shù)據(jù)已經(jīng)被廣泛應(yīng)用到環(huán)境污染監(jiān)測(cè)、礦產(chǎn)勘探等方面。傳感器技術(shù)的發(fā)展瓶頸以及地表地物分布復(fù)雜多樣，導(dǎo)致在高光譜遙感數(shù)據(jù)中普遍存在混合像元?；旌舷裨纸饩戎苯佑绊懼吖庾V遙感影像數(shù)據(jù)的后續(xù)應(yīng)用，因此，混合像元分解技術(shù)已經(jīng)成為高光譜遙感技術(shù)中一個(gè)亟待解決的問(wèn)題。隨著混合像元分解技術(shù)的重要性日益突出，越來(lái)越多的研究學(xué)者加入到了混合像元分解技術(shù)這個(gè)領(lǐng)域的研究中，這又進(jìn)一步促進(jìn)了混合像元分解技術(shù)的發(fā)展。其

2、中，基于稀疏約束的混合像元分解技術(shù)已經(jīng)成為混合像元分解技術(shù)的潮流，其旨在從已知光譜庫(kù)中尋找能夠表示觀測(cè)像元光譜向量的最佳線性組合。傳統(tǒng)的基于稀疏約束的混合像元分解算法，使用凸的L1范數(shù)替代非凸的L0范數(shù)，然后通過(guò)引入權(quán)重系數(shù)將兩個(gè)或者多個(gè)代價(jià)函數(shù)整合成一個(gè)目標(biāo)函數(shù)進(jìn)行優(yōu)化。但是L1范數(shù)不一定在所有情況下都等價(jià)于L0范數(shù)。此外，傳統(tǒng)的基于稀疏約束的混合像元分解算法引入的權(quán)重系數(shù)都比較敏感，而且對(duì)于不同的數(shù)據(jù)集難以確定一個(gè)最佳的參數(shù)。因此，

3、為了解決傳統(tǒng)的基于稀疏約束的混合像元分解算法中出現(xiàn)的一些問(wèn)題，在前面學(xué)者研究的基礎(chǔ)上，本文做了一些關(guān)于稀疏約束混合像元分解問(wèn)題的研究，主要研究?jī)?nèi)容如下：
　　首先，對(duì)當(dāng)前一些高光譜混合像元分解技術(shù)做了介紹。根據(jù)混合尺度的情況，混合像元分解模型主要分為線性模型和非線性模型。線性模型是當(dāng)前使用最為廣泛的模型，本文的研究也是基于線性模型進(jìn)行的。當(dāng)前的線性模型算法主要分為四大類：基于信號(hào)子空間的、基于空間幾何的、基于統(tǒng)計(jì)的和基于稀疏約束的

4、算法。
　　其次，針對(duì)當(dāng)前基于稀疏約束的混合像元分解算法中存在的一些問(wèn)題，本文將該算法建立成一個(gè)進(jìn)化多目標(biāo)優(yōu)化模型。為了解決進(jìn)化多目標(biāo)模型中遇到的大規(guī)模優(yōu)化問(wèn)題，本文提出了協(xié)同進(jìn)化多目標(biāo)算法MOSU。由于高光譜遙感圖像中每個(gè)像元的豐度向量是稀疏的，因此我們提出了基于稀疏性的分組策略，以便對(duì)目標(biāo)函數(shù)進(jìn)行更為高效的優(yōu)化。此外，本文還提出了基于拐點(diǎn)的協(xié)作機(jī)制，避免了復(fù)雜的計(jì)算，更加適用于混合像元分解問(wèn)題。通過(guò)仿真實(shí)驗(yàn)對(duì)比，證明了本文提出