论文基于简单L12稀疏正则化高光谱混合像元分解是关于简单方面的的相关大学硕士和相关本科毕业论文以及相关简单造句论文开题报告范文和职称论文写作参考文献资料下载。
摘 要：高光谱图像解混方法中基于稀疏性的混合像元分解方法成为近来研究的热点,其中稀疏正则化高光谱混合像元分解方法（SUnSAL）得到了较好的解混效果.尽管如此,但正则化解的稀疏性和稳健性并不好.基于正则子比正则子更易于求解,同时比正则子具有更好的稀疏性和稳健性,本文引入用正则子来代替正则子.同时,采用了一种简单有效的稀疏正则化的求解方法,将正则化非凸优化问题转化为一系列迭代重复加权正则化问题,并利用变量分裂和增广拉格朗日算法（ADMM）对加权正则化问题进行求解.实验数据表明,此方法不但实现简单,而且可以获得更好的混合像元分解精度.
关键词：高光谱；混合像元分解；稀疏正则化
中图分类号：H131 文献标识码：A 文章编号：1007-3558（2016）06-0082-08
Abstract： Sparse unmixing is based on the assumption that every mixed pixel in the hyperspectral image can be expressed in the form of linear combinations of a number of pure spectral signatures that are known in advance. Despite the success of sparse unmixing based on the l0 or l1 regularizer, the limitation of this approach is its computational complexity or sparsity of the efficiency or accuracy. This paper chooses the l1/2 norm as an alternative regularizer which is much easier to be solved than l0 regularizer and has better sparsity and robustness than l1 regularizer. Here, a l1/2 sparsity regularized unconvex variation model was proposed for the hyperspectral unmixing, namely SL1/2SU model. The unconvex optimization problem was simply transformed into a series of re-weighted l1 regularization problems, and they can be solved by variable splitting and augmented Lagrangian algorithm. The experimental results with both simulated and real hyperspectral data sets demonstrate that the proposed SL1/2SU method is an effective and simple spectral unmixing algorithm for hyperspectral unmixing.
Key words： sparse unmixing； iteratively re-weighted； regularization
一、引言
高光譜遥感技术能够获取高光谱分辨率的连续、窄波段的图像数据,其实现了成像技术和光谱技术的结合.但由于受到传感器空间分辨率的限制和自然界地物复杂多样性的影响,使得高光谱遥感图像中存在有大量的混合像元.而混合像元的普遍存在极大影响了地物识别和分类精度,同时也成为遥感技术向定量化发展的重要障碍[1].所以,如何从高光谱图像中准确地提取出典型地物的光谱（称为端元）,同时有效地进行混合像元分解[2-3],获得它们之间混合比例关系（称为丰度）是高光谱遥感图像应用的关键问题之一,在实际应用中的着重要的意义,是遥感领域的一个研究热点.
要将高光谱遥感图像的混合像元进行分解,首先必须建立和图像相适应的混合像元分解物理模型. 通常在高光谱混合像元分解中,主要有线性光谱混合模型和非线性光谱混合模型.而由于线性光谱混合模型比较简单,且效率高,物理含义明确,同时在一般情况下也能够得到令人满意的效果,是目前混合像元分解研究的主流.
(一)模拟数据测试
在文中模拟数据测试实验中,光谱库A采用来源于美国地质勘探局USGS的矿物光谱库splib06[12].该光谱库splib06中包含了498种不同的物质种类,反射值大小范围为0.4-25/μm,光谱波段数L等于224.在本实验中随机选取了240种物质种类数目作为光谱库,即光谱库A∈R224×240.基于光谱库A,生成不同的包含500个混合像元的数据块,则得到了都有500个混合像元组成的模拟高光谱遥感图像.实验采用的三组模拟数据块包含不同的端元数,分别为数据块SD1：k1等于2,数据块SD2： k2等于4和数据块SD3：k3等于6.并且对于每组模拟数据的像元,端元丰度满足Dirichlet分布[13],并随机生成.同时,每组高光谱数据块中又都包含了3种高斯噪声作为干扰的不同信噪比（SNR）的模拟高光谱数据,SNR分别设为20dB,30dB,40dB.
表1中给出了文中SL1/2SU算法和SUnSAL算法的重构误差比（SRE）的相互比较,可以看出当端元数为SD3时,低信噪比时两种算法的SRE值都不是很好,但当信噪比提高到40dB时,文中SL1/2SU算法有较好的提升.当为少端元数时,文中SL1/2SU方法得到的SRE值都优于SUnSAL算法得到的值.两种算法总体来看,都随着信噪比的增大,算法的重建误差比SRE值也逐渐变大；随着端元数目的增加,算法的重建误差比SRE值也逐渐变小.但是,总体来讲,文中SL1/2SU算法得到的SRE值在不同端元数目和不同信噪比时较SUnSAL算法都有所提升,特别是在高信噪比和少端元数时提升效果更好.
总结:本论文可用于简单论文范文参考下载，简单相关论文写作参考研究。
参考文献：
1、 从高安博物馆藏元青花看元代蒙汉关系的演变 江西高安博物馆 有19件元青花，在数量上仅次于土耳其托普卡比宫博物馆和伊朗国家博物馆，在全世界各大博物馆 的元青花中排名第三[1]。。
2、 高光谱遥感技术在林业监测中的应用 摘要：各种不同地物之间光谱数据的不同时区r分不同物种的基础。基于对不同光谱数据的处理，我们通过LSD数据分析和构建折线图来比较不同地物的不同波段。
3、 基于改进高斯混合模型的体育视频运动目标检测和跟踪 摘 要： 针对当前体育视频运动目标检测存在的弊端，提出改进高斯混合模型的体育视频运动目标检测与跟踪方法。通过分析高斯混合模型的弊端，保留原有的“。
4、 基于改进高斯混合回归球磨机料位软测量 摘 要： 针对球磨机系统多模态复杂过程中的料位不确定性，球磨机振动信号存在非线性、噪声和外界干扰等问题，采用一种基于改进的高斯混合回归（GMR）。
5、 高光谱遥感影像技术现状和应用 摘要：遥感作为一种常用的地质勘查技术，具有更为分辨率高、图谱合一等优势和特点。因此被广泛地应用到地质、环境监测、农林资源调查、海洋研究等等方面。。
6、 中国杠杆率高企成因和去化 【摘 要】 中国仍处于去杠杆的初期、杠杆率水平仍处于上升阶段、居民和金融部门杠杆上升过快、部分地方政府的杠杆率“隐藏”在企业部门，这些是中国区别。