论文目录 | |
摘要 | 第1-7页 |
ABSTRACT | 第7-13页 |
第一章 绪论 | 第13-29页 |
1.1 研究背景与意义 | 第13-17页 |
1.1.1 高光谱遥感 | 第13-14页 |
1.1.2 混合像元的产生及其分解 | 第14-17页 |
1.2 混合像元分解的研究现状 | 第17-25页 |
1.2.1 线性混合光谱分解及其研究进展 | 第18-20页 |
1.2.2 非线性混合光谱分解及其研究进展 | 第20-21页 |
1.2.3 自动端元提取研究进展 | 第21-25页 |
1.3 主要研究的内容和可能的创新 | 第25-26页 |
1.3.1 论文研究的内容 | 第25-26页 |
1.3.2 论文的创新 | 第26页 |
1.4 论文的章节安排 | 第26-29页 |
第二章 混合光谱分解模型与自动端元提取 | 第29-56页 |
2.1 高光谱遥感影像混合像元模型 | 第29-41页 |
2.1.1 线性光谱混合模型 | 第31-32页 |
2.1.2 非线性光谱混合模型 | 第32-35页 |
2.1.3 线性混合光谱分解方法的拓展 | 第35-38页 |
2.1.3.1 加权最小二乘混合像元分解 | 第35-36页 |
2.1.3.2 基于正态成分随机模型的线性混合光谱分解 | 第36-38页 |
2.1.4 基于广义双线性的非线性混合像元分解模型 | 第38-41页 |
2.2 自动端元提取和线性光谱分解 | 第41-47页 |
2.2.1 基于凸几何模型的端元识别算法 | 第41-45页 |
2.2.2 基于凸几何模型的端元生成算法 | 第45-47页 |
2.2.3 基于统计模型的端元提取算法 | 第47页 |
2.2.4 基于线性模型的组分估计算法 | 第47页 |
2.3 基于空间信息的自动端元提取算法 | 第47-49页 |
2.4 盲信号分离 | 第49-55页 |
2.4.1 独立成分分析ICA Independent components analysis | 第50-52页 |
2.4.2 非负矩阵分解(NMF)及其的改进算法 | 第52-55页 |
本章小结 | 第55-56页 |
第三章 融合空间信息的混合自动端元提取方法 | 第56-80页 |
3.1 端元数的估计 | 第56-61页 |
3.1.1 VD估计的基本原理 | 第57-59页 |
3.1.2 HySime估计的基本原理 | 第59-60页 |
3.1.3 二阶矩线性SML维数估计的基本原理 | 第60-61页 |
3.2 融合空间信息的端元光谱混合自动提取方法 | 第61-67页 |
3.2.1 SID-SAD测度 | 第62-63页 |
3.2.2 空间邻域权重 | 第63-64页 |
3.2.3 混合自动端元提取算法 | 第64-67页 |
3.3 实验与分析 | 第67-79页 |
3.3.1 模拟实验数据 | 第67-69页 |
3.3.2 cuprite真实数据的实验 | 第69-76页 |
3.3.3 敏感性分析 | 第76-79页 |
本章小结 | 第79-80页 |
第四章 基于最小体积方差约束的稀疏删减自适应端元提取算法 | 第80-105页 |
4.1 稀疏促进和稀疏删减理论 | 第80-81页 |
4.2 基于最小体积单形体的端元逼近MVT算法 | 第81页 |
4.3 基于最小体积方差的稀疏删减自适应端元提取算法 | 第81-88页 |
4.3.1 通过叉积的体积方差限制 | 第83-84页 |
4.3.2 稀疏删减 | 第84-85页 |
4.3.3 SPEEVD算法 | 第85-88页 |
4.4 实验与分析 | 第88-104页 |
4.4.1 模拟实验数据 | 第88-95页 |
4.4.2 实际实验数据 | 第95-103页 |
4.4.3 敏感性分析 | 第103-104页 |
本章小结 | 第104-105页 |
第五章 基于空间预处理的最小体积方差约束的盲分解算法 | 第105-125页 |
5.1 盲分解算法的背景 | 第105-106页 |
5.2 基于空间预处理的最小体积方差限制的盲分解算法 | 第106-109页 |
5.3 实验与分析 | 第109-124页 |
5.3.1 模拟实验数据 | 第109-114页 |
5.3.2 真实影像分析 | 第114-124页 |
本章小结 | 第124-125页 |
第六章 总结与展望 | 第125-127页 |
6.1 本文总结 | 第125-126页 |
6.2 研究展望 | 第126-127页 |
参考文献 | 第127-144页 |
附录 | 第144-147页 |
致谢 | 第147-148页 |