基于进化多目标优化的高光谱稀疏混合像元分解技术研究

摘要

随着高光谱遥感技术飞速发展，高光谱遥感影像数据已经被广泛应用到环境污染监测、矿产勘探等方面。传感器技术的发展瓶颈以及地表地物分布复杂多样，导致在高光谱遥感数据中普遍存在混合像元。混合像元分解精度直接影响着高光谱遥感影像数据的后续应用，因此，混合像元分解技术已经成为高光谱遥感技术中一个亟待解决的问题。随着混合像元分解技术的重要性日益突出，越来越多的研究学者加入到了混合像元分解技术这个领域的研究中，这又进一步促进了混合像元分解技术的发展。其中，基于稀疏约束的混合像元分解技术已经成为混合像元分解技术的潮流，其旨在从已知光谱库中寻找能够表示观测像元光谱向量的最佳线性组合。传统的基于稀疏约束的混合像元分解算法，使用凸的L1范数替代非凸的L0范数，然后通过引入权重系数将两个或者多个代价函数整合成一个目标函数进行优化。但是L1范数不一定在所有情况下都等价于L0范数。此外，传统的基于稀疏约束的混合像元分解算法引入的权重系数都比较敏感，而且对于不同的数据集难以确定一个最佳的参数。因此，为了解决传统的基于稀疏约束的混合像元分解算法中出现的一些问题，在前面学者研究的基础上，本文做了一些关于稀疏约束混合像元分解问题的研究，主要研究内容如下：
　　首先，对当前一些高光谱混合像元分解技术做了介绍。根据混合尺度的情况，混合像元分解模型主要分为线性模型和非线性模型。线性模型是当前使用最为广泛的模型，本文的研究也是基于线性模型进行的。当前的线性模型算法主要分为四大类：基于信号子空间的、基于空间几何的、基于统计的和基于稀疏约束的算法。
　　其次，针对当前基于稀疏约束的混合像元分解算法中存在的一些问题，本文将该算法建立成一个进化多目标优化模型。为了解决进化多目标模型中遇到的大规模优化问题，本文提出了协同进化多目标算法MOSU。由于高光谱遥感图像中每个像元的丰度向量是稀疏的，因此我们提出了基于稀疏性的分组策略，以便对目标函数进行更为高效的优化。此外，本文还提出了基于拐点的协作机制，避免了复杂的计算，更加适用于混合像元分解问题。通过仿真实验对比，证明了本文提出的多目标稀疏约束混合像元分解算法的有效性。
　　最后，为了有效利用图像的空间上下文信息，本文在MOSU的基础上增加了一个有关空间邻域信息的目标函数。这将高光谱影像数据的光谱信息和空间上下文信息结合起来，充分利用每个像元与其周围邻域像元之间的关系。仿真实验证明，引入空间上下文信息提高了算法对噪声的鲁棒性。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.2.1 高光谱遥感技术的发展现状

1.2.2 光谱解混技术的研究现状

1.3 文章结构

第二章 混合像元分解模型及其方法

2.1 混合像元分解的数学模型

2.1.1 线性混合光谱模型

2.1.2 非线性混合光谱模型

2.2 混合像元分解技术

2.2.1 基于信号子空间识别的混合像元分解方法

2.2.2 基于空间几何的方法

2.2.3 基于统计的混合像元分解方法

2.2.4 基于稀疏约束的混合像元分解方法

2.3 本章小结

第三章 进化多目标混合像元分解算法

3.1 多目标优化算法

3.2 混合像元分解的多目标模型

3.2.1 目标函数的选择

3.2.2 算法流程框架

3.2.3 基于稀疏性的分组策略

3.2.4 遗传操作算子

3.2.5 基于拐点的协作机制

3.3 实验结果及其分析

3.3.1 算法性能分析实验

3.3.2 模拟数据实验

3.3.3 真实数据实验

3.4 本章小结

第四章 改进的进化多目标混合像元分解算法

4.1 改进的混合像元分解模型

4.1.1 目标函数的选择

4.1.2 算法流程设计

4.1.3 基于拐点的协同进化策略

4.2 实验结果及其分析

4.2.1 模拟数据实验

4.2.2 真实数据实验

4.3 本章小结

第五章 总结和展望

5.1 总结

5.2 展望

参考文献

致谢

作者简介