文档介绍：第二章基于线性模型的混合像元分解模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..第一章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.研究背景⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。高光谱遥感图像数据简介⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯混合像元分解研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯选题意义及应用价值⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。本文章节安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯线性光谱混合模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯端元个数确定方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.惴ā辮惴āⅡ算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯丰度解混算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。.钚《《⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第三章基于数据空间正交基的遥感图像混合像元分解方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..狥及惴ú∷⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第四章基于斡氲バ嗡惴ǖ囊8型枷袷荽矸椒ā已有方法在处理高混合数据的不足⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。最小二乘意义下丰度估计的模型及其几何解释⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯缫目录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.
㈣川咖洲算法及肛算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯基于噪声估计的全约束丰度估计方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.实验结果与分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.总结与讨论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第六章总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯定理闹っ鳌换哪V档牡サ飨陆抵っ鳌饣旆匠套榈耐频肌岫裙兰平峁降牡燃酃叵抵っ鳌参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯攻读硕士期问发表论文情况⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯●方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯。附患骸:.¨■■螈,
摘要通常,多光谱和高光谱遥感图像是以像元为单位来检测和获取地物信息。由于遥感图像空间分辨率的限制,一个像元往往覆盖几十甚至几百平方米的地面范围,在其中可能包含着多种地物类型,这就形成了混合像元。混合像元问题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。如果通过一定方法,找出组成混合像元的各种地物种类的比例,则可解决混合像元问题,提高定性和定量遥感精度。混合像元的精确分解在基于多光谱和高光谱遥感图像的高精度地物分类以及地面目标的检测和识别方面有重要应用价值。本文针对这个问题作了大量深入的研究,创新内容主要包括以下几部分:疚奶岢鲆恢中碌幕谑菘占湔换亩嗤ǖ酪8型枷窕旌舷裨7纸算法。该算法通过在数据集中确定一个具有最大体积的单形体来搜索端元。本算法将原基于行列式的单形体体积计算,等价于一组正交基的模值乘积计算,从而大大提高了算法的计算效率;同时,由于顺序搜索概念的引入,确保了本算法总能获得相同的端元提取结果。此外,利用这组正交基,本文所提出的算法还可以同时完成端元个数的确定与丰度的估计两项工作。诟呋焓葜薪谢旌舷裨7纸馐且幌罘浅@训奈侍狻1疚奶岢鲆恢新的基于非负矩阵因式分解琋法和单形方法相结合的混合像元分解方法去解决上述问题。并在惴中加入适当的约束条件用于多通道混合像元分解问题。模拟与实际数据实验结果表明,本文提出的算法在端元光谱特性提取和丰度解混两方面均有很好的精度。疚奶岢鲆恢只谠肷兰频娜际岫裙兰品椒ā8梅椒ú隽约束最小二乘估计的几何意义,通过引入噪声估计以及条件判断机制,可以有效的避免