论文部分内容阅读
光谱遥感在农业、地理、资源以及军事领域有着重要应用。由于光谱探测器空间分辨率普遍较低导致了混合像元的大量存在，混合像元的问题影响了光谱影像的分类与目标识别，所以研究混合像元分解算法对于提高光谱影像分类精度和小目标识别能力等领域有着重要的意义。 目前已有的混合像元分解算法大多是基于成像光谱数据而设计的，对于点源超光谱，没有空间信息可以利用。因此本文针对点源超光谱的特点，提出把连续多帧超光谱序列作为解混对象，将时间上的统计信息代替原有的空间信息的方法。另外，已有的非负矩阵分解（NMF）光谱解混算法为保证丰度值和为一，在计算的过程中利用了带约束条件的迭代来控制丰度矩阵，由于这种算法一般会利用空间信息且计算度复杂，不适用于点源超光谱。为此，本文改进了NMF算法，提出了基于丰度值和为一约束的ASC-NMF算法，该算法通过增加约束项保证了分解结果丰度值和为一，并有效防止了算法中局部最小值的出现。 本文随后对所提算法进行仿真实验验证，针对在天空背景下飞行器混合光谱的特性，进行了三组不同丰度混合的仿真实验。三组实验的分解曲线与原始值基本重合，特别是在模拟飞行混合实验下，总体的平均均方误差约为0.02，满足光谱后续处理的需求。实验证明了ASC-NMF算法对于点源超光谱混合像元分解具有可行性。