目标光谱引导的高光谱图像混合像元分解新方法
153 浏览量
更新于2024-08-26
1
收藏 416KB PDF 举报
"目标光谱指导下的高光谱图像混合像元分解方法"
高光谱图像处理中的混合像元分解是一项核心技术,旨在解析由不同地物类型混合而成的像元,提取出代表纯地物的端元光谱,并确定各端元在混合像元中的相对贡献或丰度。传统的方法在处理混合像元时面临挑战,特别是在解释端元物理含义和处理数据病态性方面。
本文由清华大学电子工程系的研究人员于钺和孙卫东提出了一种创新的混合像元分解方法,该方法引入了目标光谱的概念来指导分解过程,以增强物理意义的阐释和提高分解的准确性。他们首先针对具有明确物理含义的目标光谱,将光谱识别步骤集成到混合像元分解中,建立端元光谱与目标光谱之间的对应关系,增强了端元与实际地物类型的关联性。
接着,研究者在非负矩阵分解(NMF)的基础上,添加了一个新的正则项——光谱特征距离,用于度量和保持端元光谱与目标光谱间的相似性。这有助于保持分解过程中端元的物理特性,减少病态问题的影响。他们设计了一种优化算法来解决由此产生的优化问题,确保了分解过程的稳定性和有效性。
为了验证该方法的可行性和性能,研究人员使用了模拟数据和真实高光谱图像进行实验。实验结果证明,这种方法在目标光谱的指导下,能更好地解释端元的物理含义,同时有效地解决了端元提取中的病态性问题,对比非监督情况下的混合像元分解,其表现更优。
此外,关键词包括高光谱图像、目标光谱、混合像元分解、光谱识别和小波变换,暗示了研究中可能涉及了光谱识别技术以及小波分析在提升光谱解析能力方面的应用。尽管文章中未详述小波变换的具体应用,但通常小波变换会在信号处理中用于分析信号的局部特性,可能在此方法中用于增强光谱的时空解析能力。
该研究提供了一种新颖的混合像元分解策略,通过结合目标光谱信息和优化的非负矩阵分解,不仅提升了端元物理含义的解释性,还改进了分解的稳定性和准确性,对于高光谱图像的深入理解和应用具有重要的科学价值。
点击了解资源详情
点击了解资源详情
点击了解资源详情
2021-09-12 上传
2021-09-12 上传
点击了解资源详情
点击了解资源详情
weixin_38542223
- 粉丝: 8
- 资源: 902
最新资源
- Raspberry Pi OpenCL驱动程序安装与QEMU仿真指南
- Apache RocketMQ Go客户端:全面支持与消息处理功能
- WStage平台:无线传感器网络阶段数据交互技术
- 基于Java SpringBoot和微信小程序的ssm智能仓储系统开发
- CorrectMe项目:自动更正与建议API的开发与应用
- IdeaBiz请求处理程序JAVA:自动化API调用与令牌管理
- 墨西哥面包店研讨会:介绍关键业绩指标(KPI)与评估标准
- 2014年Android音乐播放器源码学习分享
- CleverRecyclerView扩展库:滑动效果与特性增强
- 利用Python和SURF特征识别斑点猫图像
- Wurpr开源PHP MySQL包装器:安全易用且高效
- Scratch少儿编程:Kanon妹系闹钟音效素材包
- 食品分享社交应用的开发教程与功能介绍
- Cookies by lfj.io: 浏览数据智能管理与同步工具
- 掌握SSH框架与SpringMVC Hibernate集成教程
- C语言实现FFT算法及互相关性能优化指南