高光譜圖像解混算法研究.pdf

1、由于高光譜圖像的空間分辨率較低，圖像中存在大量的混合像元，因此研究亞像元級的混合像元分解技術(shù)，分離出像元中的端元及其豐度能夠更好地幫助我們進(jìn)行物質(zhì)的分類與探測，研究者們也由此開始了高光譜圖像的解混算法研究。
　　本文所研究的高光譜解混算法基于線性混合模型，在針對性地研究并分析了解混算法的數(shù)學(xué)基礎(chǔ)之后，提出了三類改進(jìn)的解混算法。
　　在凸面幾何學(xué)類的解混算法中，放寬了模型的非負(fù)約束與純像元假設(shè)，加入了負(fù)數(shù)懲罰正則項，提出了魯棒

2、最小外包單純形算法（RMVES），求解此算法時采用循環(huán)最小化思想，將非凸優(yōu)化問題分解為兩個凸優(yōu)化子問題，在ADMM框架下進(jìn)行了求解。同時，還給出了一種自適應(yīng)調(diào)整正則化的算子的方法，實驗驗證了該算法的有效性。
　　研究了基于非負(fù)矩陣分解類解混算法，為改善此類算法陷入局部最小解的情況，引入了基于物質(zhì)相關(guān)性的約束，同時進(jìn)一步引入l1圖確定性地刻畫出物質(zhì)的相關(guān)性關(guān)系，提出了一種基于l1圖的物質(zhì)相關(guān)性非負(fù)矩陣分解解混算法（l1SDSNMF）

3、，實驗結(jié)果驗證了該算法能夠得到更好的解混效果，此外，還對求解方法的收斂性進(jìn)行了證明。
　　稀疏回歸理論同樣能夠被應(yīng)用于解混問題，為改善字典相干性帶來的解混困難，同時為了更深入地挖掘圖像的空間信息，引入了超圖來描述像元之間的關(guān)系，構(gòu)造了描述圖像空間結(jié)構(gòu)的超圖正則項，將其加入稀疏回歸模型中，提出了一種基于超圖正則項的稀疏解混算法（HGSU）。在證明了模型目標(biāo)函數(shù)為凸函數(shù)后，本文給出了ADMM框架下求解此模型的具體細(xì)節(jié)，從而得到相比其他