本文選題：高光譜遙感 + 核方法��； 參考：《國土資源遙感》2017年01期

【摘要】：為了提高高光譜遙感圖像混合像元分解的精度,提出基于核方法的高光譜線性解混算法。采用正交子空間投影(orthogonal subspace projection,OSP)算子、最小二乘正交子空間投影(least squares OSP,LSOSP)算子、非負(fù)約束最小二乘(nonnegative constrained least-squares,NCLS)算子和全約束最小二乘(fully constrained least-squares,FCLS)算子等方法分別構(gòu)建核正交子空間投影(kernel OSP,KOSP)、核最小二乘正交子空間投影(kernel LSOSP,KLSOSP)、核非負(fù)約束最小二乘(kernel NCLS,KNCLS)和核全約束最小二乘(kernel FCLS,KFCLS)高光譜圖像混合像元解混模型;對美國內(nèi)華達州CUPRITE礦區(qū)AVIRIS數(shù)據(jù)進行KLSOSP,KNCLS和KFCLS與LSOSP,NCLS和FCLS豐度反演對比實驗。結(jié)果表明:對于混合像元廣泛存在的高光譜遙感圖像來說,基于核方法的KLSOSP,KNCLS和KFCLS的解混精度優(yōu)于LSOSP,NCLS和FCLS,其中又以KFCLS解混的精度最高;附加約束條件有利于提高豐度反演的精度。
[Abstract]:In order to improve the resolution accuracy of hyperspectral remote sensing images, a kernel based hyperspectral linear de-mixing algorithm is proposed. The orthogonal subspace projection OSP) operator and the least square orthogonal subspace projection least squares OSPP operator are used. Non-negative constrained least-squares (NCLS) operator and fully constrained least-FCLS operator (NCLS) are used to construct kernel orthogonal subspace projection kernel OSPK KLSOSPS, kernel least squares orthogonal subspace projection kernel LSOSPKLSOSPS, kernel non-negative constrained least squares kernel NCLS KNCLS) and kernel orthogonal subspace projection kernel LSOSPKLSOSPS, respectively. Fully constrained least square kernel KFCLS) hyperspectral image mixed pixel demultiplexing model; The AVIRIS data of CUPRITE mining area in Nevada, USA are compared with KLSOSPNCLS and KFCLS and LSOSPNCLS and FCLS abundance inversion experiments. The results show that for hyperspectral remote sensing images where mixed pixels are widespread, the resolution of KLSOSPNCLS and KFCLS based on kernel method is better than that of LSOSPNCLS and FCLS, in which KFCLS is the most accurate, and the additional constraint condition is helpful to improve the accuracy of abundance inversion.
【作者單位】： 重慶交通大學(xué)土木工程學(xué)院測繪系;成都理工大學(xué)地學(xué)空間信息技術(shù)國土資源部重點實驗室;重慶市地理信息中心;
【分類號】：TP751.1

【相似文獻】

相關(guān)會議論文 前8條

1 王強;黃楠;;混合像元分解研究綜述[A];中國地理信息系統(tǒng)協(xié)會第四次會員代表大會暨第十一屆年會論文集[C];2007年

2 胡霞;雷星松;;基于時序的遙感影像混合像元分解模型的研究[A];第十七屆中國遙感大會摘要集[C];2010年

3 張良培;叢浩;;一種可選端元的混合像元分解方法[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

4 俞晨;鄒偉;余先川;;遙感圖像混合像元分解方法研究[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

5 魏一葦;黃世奇;;高光譜混合像元分解技術(shù)研究綜述[A];國家安全地球物理叢書（九）——防災(zāi)減災(zāi)與國家安全[C];2013年

6 魏一葦;黃世奇;劉代志;;基于獨立成分分析的高光譜混合像元分解方法[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

7 鄧書斌;陳秋錦;;基于MTMF的混合像元分解方法研究[A];中國遙感應(yīng)用協(xié)會2010年會暨區(qū)域遙感發(fā)展與產(chǎn)業(yè)高層論壇論文集[C];2010年

8 鄧書斌;陳秋錦;;基于MTMF的混合像元分解方法研究[A];第十七屆中國遙感大會摘要集[C];2010年

相關(guān)博士學(xué)位論文 前4條

1 孔祥兵;基于同質(zhì)區(qū)分析的高光譜影像混合像元分解[D];武漢大學(xué);2012年

2 李二森;高光譜遙感圖像混合像元分解的理論與算法研究[D];解放軍信息工程大學(xué);2011年

3 李華麗;高光譜遙感影像自動混合像元分解研究[D];武漢大學(xué);2012年

4 許菡;遙感影像混合像元分解新方法及應(yīng)用研究[D];首都師范大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 徐雙雙;基于混合像元分解的高光譜圖像去霧方法的研究[D];南京理工大學(xué);2015年

2 韓威宏;基于混合像元分解的遙感產(chǎn)品真實性檢驗研究[D];電子科技大學(xué);2014年

3 辛蕾;綠潮衛(wèi)星遙感監(jiān)測方法精細化研究[D];中國海洋大學(xué);2014年

4 吳明艷;部分植被覆蓋下的土壤鹽分高光譜遙感反演[D];東南大學(xué);2015年

5 郭陽;聯(lián)合近似稀疏和全變差正則化的高光譜影像混合像元分解[D];江西科技師范大學(xué);2015年

6 李耀輝;風(fēng)云氣象數(shù)據(jù)在農(nóng)情定量監(jiān)測中的應(yīng)用研究[D];鄭州大學(xué);2016年

7 孔美美;基于混合像元分解的水體提取及變化監(jiān)測研究[D];華僑大學(xué);2016年

8 崔媛;高光譜圖像混合像元分解技術(shù)研究[D];沈陽航空航天大學(xué);2016年

9 羅恩湖;基于進化多目標(biāo)優(yōu)化的高光譜稀疏混合像元分解技術(shù)研究[D];西安電子科技大學(xué);2015年

10 李君;線性與非線性混合像元分解模型的比較研究[D];東北林業(yè)大學(xué);2008年

，

本文編號：1923206