论文部分内容阅读
丰度估计一直是高光谱图像中混合像元解混中的一项重要技术。所谓的丰度估计,就是对混合像元中端元所占的比例进行估计。基于实际的物理意义,丰度估计技术需要满足两个约束条件,即非负约束(ANC)、和为1约束(ASC),满足ANC和ASC约束的丰度估计技术就是全约束丰度估计技术。论文基于线性光谱混合模型,通过对现有N-FCLS、EES-FCLS、IIM-FCLS、 PDIP算法的深入分析,主要完成了以下两项工作。首先目前线性光谱混合模型的全约束丰度估计算法较少考虑噪声,导致丰度估计的精度难以进一步提高。论文中将一切因素所形成的误差以噪声的形式所表示,该噪声的大小称为和为1偏差ρ。根据实际的物理意义,由于地物环境的复杂性、噪声、光照、端元纯净性等多种因素的影响,导致ρ和光谱均方根误差之间存在密切的关系,对任意混合像元,只有找到混合像元最佳的偏差ρz,全约束丰度估计才能达到最佳效果。基于以上结论,论文的第二项工作是结合原始对偶内点法,不断的改进全约束丰度估计算法,最终形成了优化FCLS+PDIP(含ρ)算法和优化FCLS+PDIP (N=1,ρ)算法。优化FCLS+PDIP (ρ)算法同时继承了IIM-FCLS和PDIP算法的特点,而且论文将光谱重构误差作为一项结束条件添加到算法之中,使得该算法对最佳ρz有了一定的自适应性,提高了算法丰度估计的精度。通过数据分析可知,该算法分解精度的提高主要集中在首次迭代。为了兼顾算法的运行时间,可以限制迭代次数,因此令N=1,通过牺牲部分分解精度,极大的降低算法的分解时间,即优化FCLS+PDIP(N=1,ρ)算法。通过模拟高光谱数据,真实Hydice数据,以及真实高光谱溢油数据,都验证了优化FCLS+PDIP (N=1,ρ)算法在分解精度上有了较大的提高,同时在分解时间也有较高的效率,因此优化FCLS +PDIP (N=1,ρ)算法是一个比较高效的算法。