結(jié)合原始對偶內(nèi)點法的全約束豐度估計.pdf

1、豐度估計一直是高光譜圖像中混合像元解混中的一項重要技術(shù)。所謂的豐度估計，就是對混合像元中端元所占的比例進(jìn)行估計?；趯嶋H的物理意義，豐度估計技術(shù)需要滿足兩個約束條件，即非負(fù)約束(ANC)、和為1約束(ASC)，滿足ANC和ASC約束的豐度估計技術(shù)就是全約束豐度估計技術(shù)。
　　論文基于線性光譜混合模型，通過對現(xiàn)有N-FCLS、EES-FCLS、IIM-FCLS、PDIP算法的深入分析，主要完成了以下兩項工作。首先目前線性光譜混合模型

2、的全約束豐度估計算法較少考慮噪聲，導(dǎo)致豐度估計的精度難以進(jìn)一步提高。論文中將一切因素所形成的誤差以噪聲的形式所表示，該噪聲的大小稱為和為1偏差ρ。根據(jù)實際的物理意義，由于地物環(huán)境的復(fù)雜性、噪聲、光照、端元純凈性等多種因素的影響，導(dǎo)致ρ和光譜均方根誤差之間存在密切的關(guān)系，對任意混合像元，只有找到混合像元最佳的偏差ρz，全約束豐度估計才能達(dá)到最佳效果。
　　基于以上結(jié)論，論文的第二項工作是結(jié)合原始對偶內(nèi)點法，不斷的改進(jìn)全約束豐度估計算

3、法，最終形成了優(yōu)化FCLS+PDIP（含ρ）算法和優(yōu)化FCLS+PDIP(N=1，ρ)算法。優(yōu)化FCLS+PDIP(ρ)算法同時繼承了IIM-FCLS和PDIP算法的特點，而且論文將光譜重構(gòu)誤差作為一項結(jié)束條件添加到算法之中，使得該算法對最佳ρz有了一定的自適應(yīng)性，提高了算法豐度估計的精度。通過數(shù)據(jù)分析可知，該算法分解精度的提高主要集中在首次迭代。為了兼顧算法的運行時間，可以限制迭代次數(shù)，因此令N=1，通過犧牲部分分解精度，極大的降低算