文档介绍：杭州电子科技大学
硕士学位论文
基于非负矩阵分解的高光谱图像解混技术研究
姓名:吕亚丽
申请学位级别:硕士
专业:计算机应用技术
指导教师:赵辽英
20091001
杭州电子科技大学硕士学位论文
摘要
高光谱遥感图像是由二维空间信息和一维光谱信息组成的三维数据。同时具有地物目标
的辐射、几何和光谱信息,能够从光谱空间中对地物予以细分和鉴别,在资源、环境、城市、
生态等领域得到了广泛应用。受传感器的空间分辨率限制和自然界地物复杂多样性的影响,
使得单个像元中往往包含多种地物覆盖类型(如:植被、河流、道路等),从而形成混合像
元。混合像元的普遍存在不仅影响地物的识别和分类精度,而且是遥感技术向定量化发展的
重要障碍。因此如何有效地进行混合像元分解是高光谱遥感图像应用的关键问题之一。
非负矩阵分解(Nonnegative Matrix Factorization, NMF)方法是 Lee 和 Seung 等人提出的,
该方法利用非负约束,将一个非负矩阵分解为两个非负矩阵的乘积。其分解模型与混合像元
解混模型十分相似,非常适用于线性模型意义下的光谱解混问题,但直接应用于高光谱图像
混合像元分解时会存在局部最小问题。因此,本论文主要研究基于非负矩阵分解方法的混合
像元分解技术。在系统分析前人研究成果的基础上,根据高光谱图像中端元光谱及其空间分
布的非负性和连续性约束,以及端元分布的稀疏性约束,与非负矩阵分解方法相结合来获得
关于混合像元的光谱合成信息及其空间分布。
论文的主要研究工作如下:
1) 针对已有的约束非负矩阵分解(Constrained NMF, CNMF)本文提出了一种顶点成分
分析与约束非负矩阵分解相结合的改进的约束非负矩阵分解方法(MCNMF),该方
法用顶点成分分析求得的端元和最小二乘法求得的丰度作为非负矩阵分解迭代的初
始值,再利用平滑约束的非负矩阵分解方法迭代求解实现混合像元分解。通过对模
拟高光谱数据和真实遥感影像的仿真研究,证明了该方法的有效性。
2) 针对非负矩阵分解(NMF)方法易陷入局部最小的问题,提出了一种 MCNMF 与遗传
算法(ic Algorithm, GA)相结合的混合像元分解新方法(GA-MCNMF),该
方法用 MCNMF 提取的端元作为遗传算法的初始种群,再用遗传算法获得全局最优
值。合成数据及真实高光谱数据集的实验证明了该方法的有效性。
3) 利用高光谱图像中光谱的连续性和端元分布的空间连续性,以及光谱数据在特征空
间中呈凸面单形体的特殊结构,提出了受复杂度和最小体积同时约束的非负矩阵分
解方法(CMVC-NMF),该算法消除了 NMF 对初值敏感的缺陷,进一步提高了光谱
解混的精度。

关键词:高光谱图像混合像元分解,非负矩阵分解,遗传算法,复杂度分析,最小体积
5
杭州电子科技大学硕士学位论文
ABSTRACT
With the advance of remote sensing images in these years, hyperspectral imagery is being
applied widely in military and civilian fields. However, due to the limit of spatial resolution, mixed
pixels are widespread in hyperspectral imagery. The mixed pixels problem not only influences the
precision of object recognition and classification, but also es an obstacle to quantification
analysis of remote sensing images. Hence, how to effectively interpret the mixed pixels is a critical
problem for hyperspectral remote sensing applications.
Non-negative matrix factorization (NMF), a new method proposed by Daniel. D. Lee et al,
poses a positive matrix into a product of two positive matrices and has been used for