基于線性模型的端元數(shù)目估計(jì)和光譜提取算法研究.pdf

1、高光譜遙感技術(shù)的快速發(fā)展已經(jīng)引起了科學(xué)界越來(lái)越多的關(guān)注并在社會(huì)各領(lǐng)域得到了廣泛應(yīng)用。由于成像光譜儀空間分辨率的有限性和自然界地物的復(fù)雜性，混合像元在高光譜圖像中普遍存在，成為制約遙感技術(shù)發(fā)展的瓶頸。端元選取是混合像元分解最關(guān)鍵的一步，它包括端元數(shù)目估計(jì)和光譜提取。線性光譜混合模型（Linear Spectral Mixture Model,LSMM）具有物理意義明確，構(gòu)模簡(jiǎn)單的特點(diǎn)，也是國(guó)內(nèi)外研究最深入、被運(yùn)用最多的模型。因此，本文的研

2、究工作基于線性模型，具體如下：
　　綜述了線性模型下混合像元分解過(guò)程中端元數(shù)目估計(jì)、光譜提取、豐度估計(jì)等方法。對(duì)端元數(shù)目估計(jì)和光譜提取的常用算法進(jìn)行深入研究，提出相應(yīng)的改進(jìn)算法。對(duì)基于特征值極大似然函數(shù)分布的特征值極大似然（Eigenvalue Likelihood Maximization,ELM）算法進(jìn)行改進(jìn)，提出了基于噪聲估計(jì)和噪聲白化處理的改進(jìn)的特征值極大似然（Modified Eigenvalue Likelihood

3、Maximization,MELM）算法，并針對(duì)ELM算法的結(jié)果表達(dá)提出了改進(jìn)的似然函數(shù)表示方法。對(duì)基于凸面單體的頂點(diǎn)成分分析（Vertex Component Analysis,VCA）算法，提出了一種低時(shí)間復(fù)雜度的改進(jìn)的頂點(diǎn)成分分析（Modified Vertex Component Analysis,MVCA）算法。在高光譜數(shù)據(jù)處理過(guò)程中，MVCA略去VCA算法中不必要的幾個(gè)步驟，用斯密特正交化改進(jìn)正交向量產(chǎn)生過(guò)程，避免了高復(fù)雜度