一、混合像元及混合像元分析（论文文献综述）
崔文煜,汪兰霞,易维宁[1]（2021）在《地物三维结构的像元混合辐射响应》文中认为地物三维结构在像元尺度下的光学辐射特征并不等同于其表面材质的反射特性,这给基于图像信息的目标特征提取与识别造成困难。结合对三维几何体的外场零视距测量实验,分析了地物几何结构对像元综合反射率的影响效应。基于线性混合像元模型,尝试加入方向辐射特性、光照阴影和端元分布等修正因子进行改进。结果表明,较之于目前广泛使用的线性混合模型,改进模型对像元综合反射率的计算精度有所提高,相对误差由原先的13.08%平均减小至8.79%。鉴于三维异质结构混合像元综合辐射作用的复杂性,改进方法的完备性和模型普适性有待进一步研究和验证。
王亚利,都伟冰,王双亭[2]（2021）在《高斯混合模型自动阈值法遥感冰川信息提取》文中研究表明利用阈值法进行遥感地物提取效率高、准确率高,但是在阈值的选取方面,传统的手动选取阈值,自动化低,需反复试操作,且易受主观因素影响。文中通过期望最大算法对局部冰川区域归一化雪覆盖指数建立高斯混合模型,去除区域内的混合像元类,再利用高斯混合模型模拟纯净化后的冰川类、非冰川类的NDSI分布情况,根据改进后的高斯混合模型分布情况,自动计算出区域内的冰川提取阈值。本文对不同海拔的3个区域进行算法实验,然后将新疆哈密的哈尔里克山冰川提取边界与冰川编目数据进行对比验证。研究结果表明,该方法自动计算的冰川提取阈值结果可靠、精度高,在差异较大区域仍较稳定,有一定的应用价值。
曹见飞[3]（2021）在《基于空谱约束解混的土壤盐分高光谱遥感反演》文中研究表明土壤盐渍化严重制约了我国土地资源高效利用和农业发展。高效高精度监测土壤盐渍化是土地资源改良与可持续发展规划的重要前提条件。传统土壤盐分监测方法是通过野外采样和化学分析实现,耗时耗力,且难以满足动态的、大尺度的土壤盐渍化监测。遥感技术具有易获取、尺度大、时效强等特点,很好的弥补了传统方法的不足。随着遥感技术的发展,高光谱遥感具有光谱分辨率高、波段数多、图谱合一、信息量大等特点,成为土壤盐分定量估测的新手段。然而,现实场景下的盐渍化区域下垫面受植被遮盖影响,高光谱遥感影像往往以混合像元形式存在,这也成为土壤盐分高光谱遥感定量监测的瓶颈问题。因此本文选择黄河三角洲南部区域作为试验区,设置土壤盐分含量和植被覆盖度的不同梯度分组,分别进行实验室混合场景模拟及野外植被覆盖度（FVC）原位测量,获得实验室模拟混合光谱和高光谱遥感混合像元数据集。结合土壤盐分化验数据,开展混合光谱对土壤盐分估测的影响探究;混合分解模型与遥感定量模型的耦合的思考与研究;引入光谱欧式距离度量和Heat Kernel加权,设计“唯一变异光谱”约束和“平滑空间”约束,构建面向复杂地表的空谱约束的非负矩阵分解（UVSNMF）,并进行区域土壤盐分估测和制图应用验证。主要研究内容与结论如下:（1）基于实验室模拟混合光谱和高光谱遥感混合像元为数据,理清混合光谱的光谱特征以及对土壤盐分估测的影响。首先通过土壤样本采集、植被覆盖原位测量、室内光谱测定、理化性质分析等野外与室内工作为基础,开展实验室混合模拟实验和高光谱影像混合像元采集实验,并通过光谱分析和统计方法进行定量评价。混合光谱中FVC增加,植被吸收特征逐渐加强,土壤盐分影响下的吸收特征将被掩盖,从而降低了土壤盐分估测的准确性;对于实验室模拟光谱,42.28%FVC以上的分组不再具备土壤盐分含量定量估测的有效性,PLSR模型的RPD<1.4。对于卫星高光谱,植被混合更大程度的影响盐分评估,当53%FVC及以上分组,光谱表现出典型的植被光谱特征,与裸土光谱几乎不具备相似性;卫星高光谱遥感混合像元构建的土壤盐分估测PLSR模型,其精度不理想(R2<0.45,RMSE>4.15 g·kg-1,RPD<1.2)。不同的光谱预处理对模拟混合光谱和卫星混合像元的建模均起到了不同的弱影响作用,但并不能作为剔除混合光谱对土壤盐分估测的影响的有效手段。（2）提出了基于无监督解混的土壤盐分高光谱信息深层提取方法,解决高光谱解混与定量遥感耦合困难问题。该方法基于非负矩阵分解（NMF）,发挥无监督的优势,以样本点周边像元为光谱解混输入单元,迭代获取所有样本点提纯土壤光谱,并作为遥感定量模型的光谱变量,利用PLSR、BPNN、SVR和RF进行验证光谱的有效性。结果表明:深层提纯的动态土壤土壤盐分光谱信息,大幅度提高高光谱的土壤盐分评估精度。但当混合光谱存在较高额外噪声时,NMF的分解效果存在不确定性,导致土壤盐分估测结果具有较高的不稳定性。（3）联合Spearman相关系数和VIP值分析,解释混合光谱对土壤盐分估测的影响,以及无监督解混能够提升土壤盐分估测原因。其机理为:随着混合噪声的增加,与盐分相关的重要波长逐渐被覆盖且增了很多不确定的噪声波长;无监督高光谱解混恰好能够有效的剔除了植被光谱干扰,成功提取了土壤光谱且包含了土壤盐分的光谱重要波长特征;但是当混合像元中包含63.55%及以上的FVC,无监督高光谱解混则失去了提纯土壤盐分光谱的能力。（4）提出了面向土壤盐分估测的空谱约束解混方法,提高基于无监督解混的土壤盐分高光谱信息深层提取方法的鲁棒性。通过野外实际场景调查,设计“唯一光谱变异约束（UV）”和“空间平滑约束（SA）”条件,推导端元矩阵和丰度矩阵的更新规则,联合构成一种空谱约束的非负矩阵分解（UVSNMF）方法。“唯一光谱变异约束（UV）”通过引入光谱欧式距离度量对植被光谱进行相似约束,使得土壤光谱不会被过度分解而失去盐分光谱响应特征,又能够考虑到植被变异引起的植被端元的误差。“空间平滑约束（SA）”利用Heat Kernel加权表达临近像元的光谱相似原则,限制丰度矩阵的误差积累。验证结果表明:唯一异光谱约束和平滑空间约束都能够更好的提纯光谱,提升土壤盐分估测的稳定性。联合约束后的UVSNMF算法在复杂植被混合场景下的光谱约束效果最佳,可使估测精度整体维持在较高水平,提高了无监督解混的在土壤盐分评估中鲁棒性。（5）基于UVSNMF对研究区进行高光谱遥感土壤盐分估测与区域制图研究,对UVSNMF在土壤盐分评估中的应用检验和探索。在土壤盐分估测模型构建中,部分植被覆盖地区的高光谱影像直接反演精度较低,无法满足土壤盐分估测要求。部分植被覆盖区域经NMF解混提纯土壤光谱后,一定程度提高模型估测精度;但建模集与验证集估测精度相差较大且RPD值小于1.53,再次表明NMF分解后光谱的模型具有不稳定。UVSNMF分解后光谱模型不仅精度提高了(R2>0.63,RMSE<3.99 g·kg-1,RPD>1.79),其模型也具有较高的鲁棒性。另外,相比克里金插值的空间分布预测结果,NMF和UVSNMF逐像元估测的土壤盐分分布与其具有相同的空间结构,且具有更多的空间细节。UVSNMF考虑了空间平滑约束和光谱变异约束后,消除了土壤盐分异常值,比NMF制图结果更符合土壤盐分分布规律。
于文涛[4]（2021）在《复杂地表时空连续植被参数遥感反演方法研究》文中进行了进一步梳理植被是地球表面植物群落的总称,是生态环境的重要组成部分。植被参数的精确获取和相关信息产品的生成在全球变化等研究中至关重要。空间异质性和地形起伏是复杂地表的显着特征,对地表辐射传输过程、植被参数反演具有重要的影响,是限制植被参数遥感产品精度提升的瓶颈。现有植被参数反演算法通常针对单一均匀地物构成的场景建立,反演过程中缺少对地表异质性和地形特征的考虑,导致现有产品精度在复杂地表区域精度较低。随着计算能力的提升,基于计算机模拟模型模拟复杂地表的辐射传输过程成为可能。同时,高分辨率的地表分类数据的出现也为描述复杂地表的场景结构提供了数据支撑,为复杂地表植被参数反演提供了新的可能。围绕着复杂地表连续植被参数反演的目标,本文首先对复杂地表特征进行了参数化和定量分析,然后模拟分析了山地LAI反演的地形误差并在此基础上提出了山地森林LAI的反演方法,最后针对植被参数产品时空不连续的问题,发展了耦合气候数据的植被参数时间序列重建方法。论文主要的研究内容和结论如下:（1）分析了全球地表公里尺度的地表覆盖异质性特征,统计了30m尺度植被和地形特征的耦合关系。基于30m土地覆盖数据Globe Land30提出定量描述1km像元非均质特征的参数化方案。使用像元场景内的地物类型数量和各地物的面积比例描述像元的混合特征;对不同植被类型的冠层高度等级进行划分,描述像元内斑块拼接的边界特征,刻画混合像元的破碎程度;生成了全球1km的地表混合类型分布图和边界长度分布图。基于30m分辨率的DEM数据和地表分类数据分析了全球1km尺度下地表的异质性特征和30m尺度下植被的地形分布关系,并得出以下结论:在1km尺度上,不同土地覆盖类型的混合所导致的异质性在全球范围内广泛存在。陆地/植被区域分别只有35%/25.8%的像元由单一的地表类型覆盖,即为纯像元。由多种植被类型组成的像元占据植被区域所有像元的65.0%。混合像元在生态过渡带中更为常见。具有较多端元数量的混合像元地表通常破碎程度较高,但由两种端元组成的混合像元也可能十分破碎,如北方的针叶林地区。植被生态类型的内部地表覆盖异质性由高到低依次为:稀树草原、落叶针叶林、常绿针叶林、落叶阔叶林、灌木、阔叶作物、草地/谷物作物、常绿阔叶林。全球超过16%的地表面积坡度超过15°。山地区域中,森林和草地所占的面积比例远高于其他植被类型,其中森林更是占据主导地位。在全球尺度上,不同植被类型在坡向上没有明显的分布差异。（2）基于计算机模拟模型（DART）分析了LAI遥感反演的地形效应。论文使用DART模型模拟了坡面连续植被不同参数设置（包括叶片参数、冠层结构参数、土壤背景参数和地形参数等）下的红和近红外反射率数据,定量分析了地形对坡地LAI反演的影响。首先使用人工神经网络（ANN）构建了不考虑地形的LAI反演算法。然后将模拟的坡地反射率输入到ANN模型中,得到有偏差的LAI反演值用于分析LAI反演的地形误差。结果表明,LAI反演的地形误差随着坡度的增加呈线性增长趋势,在坡度为60°时,平均相对偏差可达51%。LAI反演的地形误差与冠层密度有关,除稀疏冠层外,地形的存在通常会导致LAI反演结果偏低。LAI反演误差随着坡向的变化趋势与局部入射角密切相关。浓密冠层中,LAI的反演值从阳坡到阴坡逐渐变低,而稀疏冠层的规律与之相反。这是因为在稀疏冠层场景中,红波段反射率的地形效应更强,而在浓密冠层中,红波段接近饱和,近红外波段受地形的影响程度更大。此研究结果有助于更好地理解LAI反演的地形效应,为山地LAI产品提供更好的反演策略。（3）基于随机森林和DART模型,提出了山地森林的LAI遥感反演方法。论文以DART模型为基准模拟了不同叶片参数、冠层结构参数、土壤背景参数和地形参数条件下坡地森林场景的可见光到近红外的反射率。使用不同传感器的光谱响应函数,卷积得到传感器特定的波段反射率,基于生成的波段反射率数据集,使用随机森林模型训练得到山地森林的LAI反演模型。输入遥感影像的反射率数据、成像几何参数和地形参数得到山地LAI的反演结果。使用模拟数据、四川王朗区域的LAI真值参考图对本算法进行了验证并与现有LAI反演方法（3D-RT查找表）和山地反演策略进行了对比分析。结果表明,本算法能够纠正不同地形特征下的LAI反演误差。本算法的反演精度（RMSE:0.973;r2:0.508）优于现有的山地LAI反演策略（成像几何参数校正策略（RMSE:1.465;r2:0.193）和反射率地形校正策略（RMSE:1.720;r2:0.278））,在山地森林LAI反演中具有很大的应用潜力。（4）提出了耦合气候数据的植被指数时空重建（CGF）方法。论文提出了一种耦合气候因子（包括太阳下行辐射,降水量和温度）的植被指数时间序列重建方法。针对祁连山区域30多年来Landsat-5、Landsat-7和Landsat-8遥感观测数据进行了重建,得到了8天时空连续的植被指数产品。以Sentinel-2的观测数据作为参考,比较分析了本方法和传统的时间序列重建方法（如HANTS,SG滤波）在Landsat数据上的重建效果。结果表明,本方法在数据缺失较少的时候,能够与主流的方法达成相似的重建效果（RMSE接近于0.066）,而当数据缺失大于50%时,本方法的重建成功率（RI:99.9%）和重建精度（RMSE:0.089）均明显高于传统的时间序列重建方法（平均RI:45.3%;RMSE:0.178）。此方法的重建结果可为研究区域长时间序列植被分析提供有效的数据支撑。
魏娇娇[5]（2021）在《基于空间辅助信息的高光谱解混算法研究》文中认为高光谱遥感技术快速发展并被广泛地应用于各个领域。然而,由于高光谱图像的空间分辨率通常是数米或数十米,而实际地物确具有复杂的空间分布,从而导致一个像元内包含多种地物,就形成了混合像元。混合像元的存在会影响到高光谱图像的实际应用,而混合像元分解是一个行之有效的方法。随着高光谱混合像元分解研究的不断深入,真实高光谱图像中的先验知识是可以获得的,而且高光谱数据中含有大量的二维空间信息,表现出了丰富的空间相关性,空间信息成为了一个非常重要的辅助信息,因此基于空间辅助信息对解混算法进行了研究。针对高光谱图像中先验信息和空间辅助信息利用不充足的问题,本文提出了基于空间信息与先验信息的线性高光谱解混方法,将已知地物间存在的互斥关系作为先验信息应用到解混中,再设定一个结构元素来充分的利用高光谱图像的空间信息,并在平滑约束非负矩阵分解解混得到的第一次解混结果基础上,利用先验互斥信息和空间结构元素来确定每个含有互斥端元混合像元中不含互斥端元的端元子集。在各个像元端元集合已知的条件下,基于全约束线性解混模型,进行含有互斥端元混合像元的二次解混来估计每个像元中各端元的丰度,使得解混结果更接近真实情况。将提出的算法在所构建出的两个模拟数据集和两个真实的真实数据集Urban和Jasper Ridge上进行实验验证,并与经典4种高光谱解混算法进行了对比实验分析,实验结果表明,本文算法得到的平均均方根误差值相比其他的对比算法有所减小,尤其是在Urban场景中互斥端元中的树的均方根误差值相比第一次解混值减小了0.025,因此相比较于其他几种算法在模拟高光谱数据集和真实高光谱数据集的丰度反演中都具有更好的表现。
胡杰,张莹,谢仕义[6]（2021）在《国产遥感影像分类技术应用研究进展综述》文中研究说明遥感影像分类技术为我国遥感影像应用于生态建设、绿色发展、乡村振兴、脱贫攻坚和"一带一路"构建等提供了重要的技术支撑,在服务经济社会发展、建设美丽中国、保障民生安全等方面具有重要意义。近年来,大数据、人工智能技术的飞速发展,使得国产遥感影像在分类应用的研究取得重大发展。简要分析了遥感影像分类技术及每阶段存在的问题;对国内主要六个系列遥感卫星数据进行了概述;综合分析了国产遥感影像基于像元的、混合像元的、面向对象的、基于深度学习的四种分类方法,并探讨其在分类应用中的研究进展,通过国产遥感影像分类领域中的应用情况,进一步在方法上对四种分类分别进行比较分析;提出国产遥感影像分类应用中存在的问题,对未来国产遥感影像应用发展的趋势进行了预估。
黄志浩[7]（2020）在《联合空谱信息的高光谱遥感图像稀疏解混研究》文中研究指明空谱信息是高光谱遥感影像的特征信息,利用高光谱遥感技术可同时获取探测区域的空谱信息,该技术广泛应用于地物分类、目标探测、军事安全等领域。然而由于获取高光谱图像仪器精准度不足及探测区地物多样,造成获取的高光谱图像中存在大批混合像元,混合像元问题会限制高光谱遥感图像的信息利用率。因此,解决混合像元问题是高光谱图像信息化处理的重要环节,也是国内外研究者的重点研究方向。解决混合像元问题最有效的方法就是对混合像元进行分解,分解得到混合像元中所包括的端元及各端元丰度占比。现有的稀疏解混方案大多从高光谱图像的光谱与空间维度两方面展开研究,但存在丰度的稀疏性表征不充分及信息利用率低等问题,在一定程度上限制了解混的性能。基于此,本论文提出两种高光谱图像稀疏解混模型。具体研究内容如下:（1）提出了光谱加权协同稀疏和全变差正则化的稀疏解混算法（RCLSUn SAL-TV算法）。传统的稀疏解混方法仅利用了高光谱图像的光谱信息,忽略了图像包含的丰富空间特征信息。为深度挖掘高光谱图像的空间信息,该算法在2,1协同稀疏解混模型的基础上,引入各项异性全变差空间正则化促进图像同质区域的平滑性,同时引入光谱加权因子进一步刻画丰度系数的行稀疏性,以促进所有像元之间的联合稀疏性,达到提高解混精度的目的。模拟和真实的高光谱数据实验结果均表明该算法与现有同类算法相比能大幅提高混合像元分解的精度,在稀疏解混方面展现出了巨大的潜力.（2）提出了光谱加权协同稀疏和图正则化高光谱解混算法。针对传统的稀疏解混算法对图像空间信息利用不充分问题,提出了一种联合稀疏回归与图正则化的解混模型。该模型基于2,1协同稀疏与图正则化框架,一方面引入图正则化项挖掘高光谱图像的高维空间信息,充分利用高光谱数据间的流形结构;另一方面利用光谱加权因子增强识别光谱库中端元的能力。实验结果表明,该算法可以保留丰度图像更丰富的空间特征信息,提升丰度估计结果的精确性。本文针对传统高光谱稀疏解混算法中存在的丰度系数稀疏性表征不足以及空间信息利用不足等问题,提出了两种高光谱遥感图像混合像元稀疏分解算法,并通过实验证明了所提算法的可靠性,进一步提升了高光谱遥感混合像元分解的精度。
赵怡[8]（2020）在《亚像元尺度下不透水面优化提取及其热环境效应时空分析》文中提出不透水面是城市化的重要产物,也是城市区别于乡村的显着特征,在衡量城市发展中起到关键作用,且这种土地覆盖类型给城市生态环境带来了诸多不良影响。近年来,城市不透水面的高精度提取及其热环境效应已经成为城市相关研究领域的热点和难点。本文基于六个时相的Landsat系列卫星遥感影像（1994年～2019年）,在亚像元和像元尺度上,从植被-不透水面-土壤（V-I-S）模型和线性光谱混合分解模型出发,提出了端元选取优化方案和后处理模型,采用光谱解混的方式,成功提取了粤港澳大湾区内高精度的不透水面盖度;并且利用地理加权平均中心方法和标准偏差椭圆方法,阐述了研究区域内的城市发展特点;并结合2000年以来的MODIS城市地表温度产品,分析了城市高温区的变化趋势,基于不同不透水面密度等级上的地表温度,分析了二者相关性的季节性差异;同时计算了长时间序列上不透水面地理加权平均中心与地表温度地理加权平均中心的地理位置,基于它们各自的移动距离以及二者之间的距离,分析了研究范围对不透水面热环境效应研究的影响。结果表明:（1）在不透水面的亚像元提取中,端元选取优化方案在像元尺度下,利用相关光谱指数（归一化植被指数、归一化建筑指数、干旱裸土指数,以及缨帽变换后的第一、第三分量的归一化结果）,可以快速、准确地选取目标像元,确定目标端元的“纯净”像元。（2）后处理模型可以大幅度提高线性光谱混合分解对不透水面盖度提取结果的精度,可以改善甚至完全解决不透水面盖度在较低密度不透水面被高估和在不透水区域被低估的问题,即高值低估和低值高估的问题。（3）粤港澳大湾区内各城市发展模式和速度差异较大,在长时间序列中城市自身发展方向性变化较小,其中广州市（中部和南部）、深圳市、香港特别行政区和澳门特别行政区的城市化水平较高;珠海市、中山市、佛山市和东莞市的城市化水平中等;江门市、肇庆市和惠州市的城市化水平较低。（4）不透水面与城市地表温度之间的相关性具有明显的季节特征。二者的相关性在夏季较强,冬季较弱。不透水面盖度越大,单位面积的不透水面升温能力越强。温度越高,单位面积的不透水面升温能力越强。（5）不透水面的城市热环境效应研究结果会受到研究区域范围的影响。研究范围越大,不透水面地理位置变化引起的城市高温区地理位置的变化越明显;研究范围越小,城市不透水面高密度区域的地理位置变化引起的研究区域内部高温区的变化越小。研究范围较小时,不足以阐述二者之间的相关关系,需要其他相关数据的辅助,例如与城市结构,城市建设材料和城市地理位置等。
邹建军[9]（2020）在《基于深度学习和结构化矩阵分解的高光谱图像解混研究》文中认为随着光谱成像技术和光谱分析技术的发展,高光谱图像的应用越来越广泛。从传统遥感领域的矿物勘探到食品安全领域的果蔬农药残留检测,高光谱图像正逐渐走进人们的生活,不再“遥”感。高光谱图像蕴藏了丰富的数据信息,既承载了空间影像特征,又承载了光谱域信息。高光谱图像在光谱维度上进行了更为细致的划分,具有很高的光谱分辨率,这也正是它的优势所在。然而,受制于器件性能和其它环境因素,高光谱图像中普遍存在着混合像元。混合像元严重制约了高光谱图像从定性化描述向定量化分析方向的发展。因此,对高光谱图像的混合像元解混就显得十分迫切和必要。深度学习虽然并不是一类新生的技术,但在如今的大数据时代和具有强大计算能力的计算设备作支撑的条件下,深度学习开始逐渐展现出巨大的潜力和优势。从图像识别到语音处理再到智能机器人,深度学习无处不彰显着它强大的学习能力和特征提取能力。基于这样的机遇和挑战,本文主要开展了深度学习在高光谱图像解混中的研究,同时也兼顾了一些统计学方法在高光谱图像解混中的应用。本文所做的工作主要有:1.设计了一个基于全连接神经网络的端元提取网络。在全连接神经网络结构的基础上,通过增加一些具有明确意义的功能层（如和为一约束层、稀疏促进层等）,使网络输出能够按照设想给出有意义的结果。在进行网络性能测试时,分别考虑了数据噪声以及混合像元中的端元数目对端元提取正确率的影响。2.结合模型驱动方法和数据驱动方法的优势,利用Deep Unfolding的思想设计了一个基于模型驱动的深度学习网络——CLSUnSAL-Net。CLSUnSAL-Net既避免了模型驱动方法中对精确建模的要求,又克服了深度学习中难以选择网络拓扑结构的难题。CLSUnSAL-Net能够同时实现端元提取和丰度估计,在仿真数据集和真实数据集上都收获了良好的解混性能。3.提出了一种利用MISSO优化采样策略的随机最大似然的结构化矩阵分解算法。在线性混合模型下,高光谱图像解混问题可以抽象成一个单纯形结构矩阵分解问题。借助统计学方法的框架,可以将噪声、丰度的先验信息融入到矩阵结构化分解模型中,然后采用随机最大似然进行求解。在样本平均近似过程中,使用了利用MISSO优化后的采样策略,并因此收获了更好的解混结果。
杨飞霞[10]（2020）在《遥感图像特征提取与融合方法的研究》文中进行了进一步梳理随着微电子与传感器技术的不断发展,遥感卫星的图像采集能力日益增强,可以获取全色图、多光谱、高光谱等多种类型图像,并且其光谱分辨率、空间分辨率等方面都得到显着的提升。高光谱图像包含丰富的光谱信息与空间分布信息,具有极强的地物探测能力,被广泛应用到地表矿物探测、环境监测、军事目标检测与分析等领域。然而,由于传感器工艺以及技术等因素制约,全色图像仅含有一个光谱波段但空间分辨率较高,多光谱图像空间分辨率较低但包含几个至十几个波段,而高光谱图像包含几十至数百个波段但空间分辨率很低。因此,高光谱图像中存在大量的混合像元,这为图像处理带来两大问题:一是如何从高光谱混合像元中准确地提取图像所包含物质（端元）的光谱特征及相应的空间分布（丰度）;二是如何提升高光谱图像的空间分辨率,尽可能地减少混合像元。高光谱图像的特征提取即为光谱解混过程,而基于光谱解混的图像融合则是获取高光谱超分辨率图像一条非常有效的途径。此外,高光谱与多光谱图像都是立方体数据,利用矩阵分解实现特征提取与图像融合时需要将三维数据展开成矩阵形式,这将导致部分数据结构信息丢失等问题。本论文在光谱解混的框架下,利用凸几何理论中最小体积准则,深入挖掘遥感图像光谱特征与空间特征的内在关系,研究了基于空谱正则化的特征提取方法;并且在非负矩阵分解与低秩张量分解的基础上,利用近似最小体积、各向异性总变分、低秩稀疏等正则化方法,对高光谱与多光谱图像融合方法进行了深入研究。论文主要研究工作及创新点包括以下几个方面:（1）利用凸几何最小体积准则以及向量总变分平滑特性,提出了基于矩阵分解与空谱正则的高光谱图像特征提取方法。首先,该方法引入了三种基于最小体积的二次正则表达式,挖掘高光谱图像端元特征与空间特性的相关性。最小体积单纯形是由端元作为顶点构成的凸几何体,应包含图像中所有的像元,因此最小体积单纯形同时携带丰富的光谱信息与空间分布信息,能够有效提升特征提取方法的性能。其次,由于高光谱图像中存在大量的混合像元,特别是受到噪声干扰时会导致解混性能的下降,因此引入基于总变分的空谱平滑正则项,提升算法的抗噪性能。最后,构造结构化矩阵将解混模型转换为基于矩阵变量的凸优化问题,利用交替优化算法高效地求解图像数据的端元矩阵与丰度矩阵。经过合成数据集与真实数据集测试,实验结果表明该特征提取算法能够有效地提取高光谱数据的端元特征与丰度特征。（2）将高光谱与多光谱图像融合看作是一个交变动力系统,在凸几何理论基础上提出了一种近似最小体积的遥感融合方法。首先,根据子空间观测模型,定义了一种近似最小体积的表达式,将单纯形体积等效于端元顶点与高维空间迭代重构数据的质心之间距离和,充分利用高光谱与多光谱子空间特征的相关性,改善数据矩阵化所导致结构信息丢失等问题。其次,利用近似交替优化与交替方向乘子法设计快速的求解算法,将一个双凸的融合问题进行解耦分解为两个凸的单变量优化子问题,并增加等式约束实现多变量分离再利用交替方向乘子法分别进行求解,加快了算法的收敛速度。最后,在Pavia大学、Moffett和Washington DC三组数据集上测试结果显示,该融合算法能够显着提高重构图像质量与空间分辨率。（3）利用各向异性总变分对最小体积单纯形内的像元进行平滑去噪,提出一种单纯形空间稀疏平滑的遥感图像融合方法。首先,将最小体积单纯形等效为端元之间距离平方和,利用这个二次项表达式对端元特征进行正则化,缓解矩阵分解所引起的空间结构信息的损失。其次,在基于耦合非负矩阵分解的数据拟合项基础上引入各向异性总变分,利用相邻像元空间特征的渐变性,分别在垂直和水平方向对每个谱带的二维图像进行平滑,提升融合方法的抗噪性能。再次,构建结构化矩阵对正则项进行优化处理,采用交替优化等方法设计高效的求解算法,并且利用张量算子对大规模矩阵进行降维处理。真实数据集仿真测试结果表明,该融合优化方法不仅能有效地提升重构图像的性能,而且具有良好的抗噪性能。（4）为了更充分利用遥感图像的空谱结构信息,提出了一种基于低秩张量分解的遥感图像融合方法。首先,在Tucker张量分解基础上构建高光谱与多光谱图像的张量观测模型,利用因子矩阵的低秩特性,消除空间维度的冗余信息以及光谱维度的阴影效应。其次,核张量包含因子矩阵的权重系数,利用核张量的稀疏性强化目标图像在三个模态上的稀疏分解表示。再次,考虑到光谱维度因子矩阵中特征向量的渐变性,利用总变分对光谱因子矩阵进行垂直方向平滑消除噪声;最后,利用共轭梯度与交替方向乘子法设计出一组高效的求解算法,降低了算法复杂度。仿真结果表明该算法能够明显提升重构图像的分辨率,降低了融合方法的噪声敏感性。
二、混合像元及混合像元分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、混合像元及混合像元分析（论文提纲范文）
（1）地物三维结构的像元混合辐射响应（论文提纲范文）
| 0 引言 |
| 1 混合像元建模原理 |
| 1.1 混合像元形成 |
| 1.2 传统线性混合模型 |
| 2 三维结构异质混合像元模型 |
| 2.1 基于方向性因素的改进模型 |
| 2.2 基于光照阴影因素的改进模型 |
| 2.3 基于端元分布因素的改进模型 |
| 3 实验验证 |
| 3.1 方向性因素验证 |
| 3.2 光照阴影因素验证 |
| 3.3 端元分布因素验证 |
| 4 结论 |
（2）高斯混合模型自动阈值法遥感冰川信息提取（论文提纲范文）
| 1 引言 |
| 2 遥感冰川提取的阈值计算原理 |
| 2.1 遥感冰川提取方法 |
| 2.2 基于NDSI的高斯混合模型分析 |
| 3 研究方法 |
| 3.1 实验数据准备和预处理 |
| 3.2 实验数据分析和技术流程 |
| 3.3 高斯混合模型计算冰川提取阈值 |
| 3.4 实验结果分析 |
| 4 结论 |
（3）基于空谱约束解混的土壤盐分高光谱遥感反演（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪言 |
| 1.1 研究背景和需求 |
| 1.2 国内外研究现状 |
| 1.2.1 土壤盐渍化遥感估测研究 |
| 1.2.2 高光谱混合干扰研究现状 |
| 1.2.3 高光谱解混方法研究现状 |
| 1.2.4 研究评述 |
| 1.3 研究目标与研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 论文组织结构 |
| 2 理论基础与数据基础 |
| 2.1 土壤盐分高光谱定量估测原理 |
| 2.1.1 土壤盐分定量估测理论 |
| 2.1.2 土壤盐分定量估测模型 |
| 2.1.3 土壤盐分定量估测流程 |
| 2.2 高光谱混合像元解混原理 |
| 2.2.1 高光谱线性解混理论 |
| 2.2.2 高光谱无监督解混模型 |
| 2.2.3 高光谱解混流程 |
| 2.3 研究区与样点采集 |
| 2.3.1 研究区概况 |
| 2.3.2 野外调查与样点采集 |
| 2.3.3 土壤属性测定 |
| 2.3.4 土壤属性统计性描述 |
| 2.4 实验室控制实验 |
| 2.4.1 室内光谱测量 |
| 2.4.2 光谱预处理方法 |
| 2.4.3 “植被-土壤”混合光谱模拟 |
| 2.4.4 “多植被-土壤”混合光谱模拟 |
| 2.5 野外控制实验 |
| 2.5.1 高光谱遥感数据获取 |
| 2.5.2 高光谱卫星数据预处理 |
| 2.5.3 卫星高光谱混合光谱提取 |
| 2.6 小结 |
| 3 土壤盐分高光谱估测的混合干扰分析 |
| 3.1 实验室模拟混合光谱影响分析 |
| 3.1.1 含盐土壤光谱特征 |
| 3.1.2 混合光谱特征 |
| 3.1.3 混合干扰分析 |
| 3.1.4 基于光谱预处理的去噪分析 |
| 3.2 高光谱遥感混合像元影响分析 |
| 3.2.1 含盐土壤高光谱特征 |
| 3.2.2 混合高光谱特征 |
| 3.2.3 混合干扰分析 |
| 3.2.4 基于光谱预处理的去噪分析 |
| 3.3 讨论 |
| 3.3.1 混合干扰机理解释 |
| 3.3.2 模拟光谱与高光谱像元 |
| 3.4 小结 |
| 4 光谱解混与土壤盐分定量估测模型耦合 |
| 4.1 模型耦合的难点与思路 |
| 4.2 土壤盐分的高光谱信息深层提取方法 |
| 4.2.1 非负矩阵分解(NMF) |
| 4.2.2 模型耦合策略 |
| 4.3 模拟数据验证 |
| 4.3.1 解混光谱特征 |
| 4.3.2 土壤盐分估测 |
| 4.4 卫星数据验证 |
| 4.4.1 解混光谱特征 |
| 4.4.2 土壤盐分估测 |
| 4.5 讨论 |
| 4.5.1 基于光谱解混的去噪分析 |
| 4.5.2 解混优化机理解释 |
| 4.5.3 解混参数分析 |
| 4.5.4 模拟光谱与混合像元 |
| 4.6 小结 |
| 5 面向土壤盐分估测的空谱约束解混(UVSNMF) |
| 5.1 空谱约束的需求分析 |
| 5.2 唯一变异光谱约束构建 |
| 5.2.1 植被标定光谱测量 |
| 5.2.2 光谱欧式距离度量 |
| 5.2.3 目标函数 |
| 5.3 平滑空间约束构建 |
| 5.3.1 Heat Kernel图加权 |
| 5.3.2 目标函数 |
| 5.4 空谱约束的非负矩阵分解(UVSNMF) |
| 5.4.1 目标函数 |
| 5.4.2 更新规则推导 |
| 5.4.3 方法步骤 |
| 5.5 模拟实验验证 |
| 5.6 讨论 |
| 5.6.1 空谱约束参数分析 |
| 5.6.2 UVSNMF优势分析 |
| 5.7 小结 |
| 6 基于UVSNMF的土壤盐分高光谱反演 |
| 6.1 FVC空间分布 |
| 6.1.1 FVC指数计算方法 |
| 6.1.2 FVC空间分布 |
| 6.2 土壤盐分空间分布 |
| 6.2.1 克里金插值方法 |
| 6.2.2 土壤盐渍化的空间分布格局 |
| 6.3 基于UVSNMF的高光谱遥感土壤盐渍化估测与制图 |
| 6.3.1 实验数据 |
| 6.3.2 土壤盐分反演评价 |
| 6.3.3 空谱约束参数分析 |
| 6.3.4 土壤盐分估测制图 |
| 6.4 讨论 |
| 6.5 小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 本文创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
| 致谢 |
（4）复杂地表时空连续植被参数遥感反演方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂地表场景建模与参数化方法 |
| 1.2.2 复杂地表叶面积指数反演方法 |
| 1.2.3 植被参数的时空重建方法 |
| 1.3 存在的问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文组织结构 |
| 第2章 复杂地表特征的参数化与定量分析 |
| 2.1 地表覆盖异质性特征参数化方法 |
| 2.1.1 实验数据 |
| 2.1.2 参数化方案 |
| 2.1.3 地表覆盖异质性提取流程 |
| 2.2 全球地表覆盖异质性特征分析 |
| 2.2.1 公里尺度混合像元组合特征和破碎特征 |
| 2.2.2 公里尺度典型植被类型的内部异质性特征 |
| 2.2.3 边界有效长度分析 |
| 2.2.4 地表覆盖异质性特征不确定性分析和应用前景 |
| 2.3 全球地表地形特征分析 |
| 2.3.1 全球地形的分布特征 |
| 2.3.2 全球植被区域地形特征分布 |
| 2.4 小结 |
| 第3章 山地叶面积指数遥感反演误差分析 |
| 3.1 山地LAI反演理论背景 |
| 3.1.1 重要的参数定义 |
| 3.1.2 山地叶面积指数反演不确定性来源 |
| 3.1.3 现有山地叶面积指数反演策略 |
| 3.2 数据与分析方法 |
| 3.2.1 卫星观测数据 |
| 3.2.2 基于DART模型的模拟坡面反射率数据 |
| 3.2.3 基于人工神经网络(ANN)的LAI反演模型 |
| 3.2.4 LAI反演地形效应分析方法 |
| 3.2.5 不同山地LAI反演策略对比 |
| 3.3 研究结果及讨论 |
| 3.3.1 基于神经网络的平地LAI反演模型精度 |
| 3.3.2 坡地LAI反演误差分布 |
| 3.3.3 坡地LAI反演模型输入的误差分布 |
| 3.3.4 山地区域不同LAI反演策略的表现 |
| 3.3.5 其他因素对分析结果的影响 |
| 3.4 小结 |
| 第4章 基于DART模型的山地森林叶面积指数遥感反演算法 |
| 4.1 实验区域与数据介绍 |
| 4.2 山地叶面积指数反演算法 |
| 4.2.1 山地查找表的构建 |
| 4.2.2 基于随机森林的山地LAI反演方法 |
| 4.2.3 山地不同LAI反演策略 |
| 4.3 结果与分析 |
| 4.3.1 随机森林模型的参数选择 |
| 4.3.2 算法在模拟数据集上的表现 |
| 4.3.3 反演算法在遥感数据集中的表现 |
| 4.3.4 反演误差分析—模拟空间和影像空间一致性分析 |
| 4.4 小结 |
| 第5章 耦合气候因素的植被指数时空重建方法 |
| 5.1 研究区域与数据介绍 |
| 5.1.1 研究区域 |
| 5.1.2 实验数据 |
| 5.2 耦合气候数据的时空重建方法 |
| 5.3 研究结果及讨论 |
| 5.3.1 基于RBFN的 NDVI预测模型理论精度 |
| 5.3.2 初始合成NDVI数据的缺失模式 |
| 5.3.3 基于模拟数据的不同重建方法定量评估 |
| 5.3.4 基于Landsat观测数据的不同重建方法定量评估 |
| 5.3.5 不同分辨率气候数据的影响 |
| 5.3.6 CGF方法局限性和不确定性 |
| 5.4 小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 论文创新点 |
| 6.3 问题与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（5）基于空间辅助信息的高光谱解混算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于几何学解混研究现状 |
| 1.2.2 基于稀疏解混研究现状 |
| 1.2.3 基于非负矩阵分解解混研究现状 |
| 1.3 研究内容及组织结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文的组织结构 |
| 第2章 高光谱解混理论基础 |
| 2.1 混合像元分解模型 |
| 2.1.1 线性光谱混合模型 |
| 2.1.2 非线性光谱混合模型 |
| 2.1.3 高光谱解混流程 |
| 2.2 端元数目估计 |
| 2.2.1 主成分分析 |
| 2.2.2 虚拟维度 |
| 2.2.3 最小误差信号子空间识别 |
| 2.3 经典端元提取算法 |
| 2.3.1 纯像元指数 |
| 2.3.2 内部最大体积法 |
| 2.3.3 顶点成分分析 |
| 2.4 典型丰度估计算法 |
| 2.4.1 无约束最小二乘算法 |
| 2.4.2 和为一约束最小二乘算法 |
| 2.4.3 非负约束最小二乘算法 |
| 2.4.4 全约束最小二乘算法 |
| 2.5 高光谱混合像元分解精度评价 |
| 2.6 本章小结 |
| 第3章 基于空间信息与先验信息的线性高光谱解混 |
| 3.1 非负矩阵分解算法 |
| 3.1.1 非负矩阵分解原理算法 |
| 3.1.2 基于非负矩阵分解模型的光谱解混方法 |
| 3.1.3 平滑约束非负矩阵分解模型的光谱解混方法 |
| 3.2 混合像元分解的端元互斥先验信息 |
| 3.3 基于空间信息与先验信息的线性高光谱解混 |
| 3.3.1 刻画空间邻域相关性的局部结构元素 |
| 3.3.2 基于空间信息与先验信息的端元子集确定 |
| 3.3.3 基于空间与先验信息线性高光谱解混算法 |
| 3.3.4 算法总体流程 |
| 3.4 本章小结 |
| 第4章 实验验证与结果分析 |
| 4.1 模拟数据集 |
| 4.1.1 模拟数据集Data1 |
| 4.1.2 模拟数据集Data2 |
| 4.2 模拟数据集实验 |
| 4.2.1 模拟数据集Data1 实验 |
| 4.2.2 模拟数据集Data2 实验 |
| 4.3 真实数据集 |
| 4.3.1 Urban高光谱数据集 |
| 4.3.2 Jasper Ridge高光谱数据集 |
| 4.4 真实数据集实验 |
| 4.4.1 Urban数据集实验 |
| 4.4.2 Jasper Ridge数据集实验 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得学术成果 |
（6）国产遥感影像分类技术应用研究进展综述（论文提纲范文）
| 1 国产遥感数据概述 |
| 1.1 环境系列遥感卫星 |
| 1.2 资源系列遥感卫星 |
| 1.3 风云系列遥感卫星 |
| 1.4 高分系列遥感卫星 |
| 1.5 海洋系列遥感卫星 |
| 1.6 小卫星系列遥感卫星 |
| 2 国产遥感影像分类应用研究进展 |
| 2.1 基于像元分类技术 |
| 2.1.1 基于像元的统计识别分类 |
| 2.1.2 基于像元的多分类器融合分类 |
| 2.1.3 基于像元在国产遥感影像分类应用中的研究进展 |
| 2.1.4 基于像元的分类比较 |
| 2.2 混合像元分类技术 |
| 2.2.1 混合像元的分解 |
| 2.2.2 混合像元的分类 |
| 2.2.3 混合像元在国产遥感影像分类应用中的研究进展 |
| 2.2.4 混合像元分解的方法比较 |
| 2.3 面向对象分类技术 |
| 2.3.1 遥感影像分割 |
| 2.3.2 面向对象的分类 |
| 2.3.3 面向对象在国产遥感影像分类应用中的研究进展 |
| 2.3.4 面向对象的分割方法比较 |
| 2.4 基于深度学习分类技术 |
| 2.4.1 基于深度学习在国产遥感影像分类应用中的研究进展 |
| 2.4.2 基于深度学习的分类方法比较 |
| 3 国产遥感影像分类应用中存在的问题与发展趋势 |
| 4 结束语 |
（7）联合空谱信息的高光谱遥感图像稀疏解混研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 高光谱遥感 |
| 1.1.2 主要挑战 |
| 1.2 国内外研究现状 |
| 1.3 本文的结构安排 |
| 第二章 高光谱遥感影像混合像元稀疏分解 |
| 2.1 混合像元分解基本理论 |
| 2.1.1 光谱混合基本模型 |
| 2.1.2 线性混合模型 |
| 2.2 线性混合模型下稀疏解混问题描述 |
| 2.3 几种经典的稀疏解混算法 |
| 2.3.1 SUn SAL算法 |
| 2.3.2 SUn SAL-TV算法 |
| 2.3.3 CLSUn SAL算法 |
| 2.4 稀疏解混结果评价指标 |
| 2.4.1 模拟数据稀疏解混评价 |
| 2.4.2 真实数据稀疏解混评价 |
| 2.5 本章小结 |
| 第三章 光谱加权协同稀疏和全变差正则化的高光谱解混算法 |
| 3.1 引言 |
| 3.2 光谱加权因子 |
| 3.3 解混算法 |
| 3.3.1 解混模型 |
| 3.3.2 模型求解 |
| 3.4 实验结果与分析 |
| 3.4.1 模拟数据实验与分析 |
| 3.4.2 真实数据实验与分析 |
| 3.5 本章小结 |
| 第四章 光谱加权协同稀疏和图正则化的高光谱解混算法 |
| 4.1 引言 |
| 4.2 图拉普拉斯矩阵 |
| 4.3 解混算法 |
| 4.3.1 解混模型 |
| 4.3.2 模型求解 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果和参与项目 |
| 致谢 |
（8）亚像元尺度下不透水面优化提取及其热环境效应时空分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外研究现状综述 |
| 1.2.1 不透水面特征 |
| 1.2.2 城市不透水面提取研究现状 |
| 1.2.3 城市不透水面的时空变化研究现状 |
| 1.2.4 城市不透水面热环境效应研究现状 |
| 1.3 研究中存在的问题 |
| 1.3.1 城市不透水面亚像元遥感提取存在的问题 |
| 1.3.2 城市不透水面时空分析存在的问题 |
| 1.3.3 城市不透水面热环境效应存在的问题 |
| 1.4 研究内容及创新点 |
| 1.5 技术路线 |
| 1.6 论文架构 |
| 第2章 研究区域与数据 |
| 2.1 研究区域概况 |
| 2.2 遥感数据 |
| 第3章 城市不透水面遥感提取 |
| 3.1 概述 |
| 3.2 城市不透水面遥感提取的实验设计 |
| 3.3 实验方法 |
| 3.3.1 端元选取优化方案(Endmember Selection Optimization Schemes) |
| 3.3.2 后处理模型(Post-Processing Model) |
| 3.4 实验结果 |
| 3.4.1 端元选取优化结果 |
| 3.4.2 不透水面盖度提取结果 |
| 3.5 小结 |
| 第4章 粤港澳大湾区城市不透水面动态分析 |
| 4.1 粤港澳大湾区不透水面盖度提取结果 |
| 4.2 粤港澳大湾区不透水面面积统计及密度分级分析 |
| 4.3 地理加权平均中心(Weighted Mean Center,WMC) |
| 4.4 加权标准偏差椭圆(Weighted Standard Deviation Ellipse) |
| 4.5 小结 |
| 第5章 粤港澳大湾区城市不透水面热环境效应时空分析 |
| 5.1 多时相城市地表温度数据处理 |
| 5.2 城市地表温度分布 |
| 5.3 不透水面热环境效应时空分析 |
| 5.3.1 不透水面盖度热环境效应季节性分析 |
| 5.3.2 不透水面盖度热环境效应空间分析 |
| 5.3.3 研究范围对不透水面盖度热环境效应研究的影响 |
| 5.4 小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录1 |
| 附录2 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（9）基于深度学习和结构化矩阵分解的高光谱图像解混研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 高光谱图像简介及混合像元问题 |
| 1.1.2 深度学习简介及其发展历程 |
| 1.1.3 深度学习的优势 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱解混方法的研究现状 |
| 1.2.2 深度学习的研究现状 |
| 1.3 论文的结构安排 |
| 第二章 高光谱图像解混的基本理论 |
| 2.1 光谱混合模型 |
| 2.1.1 线性混合模型 |
| 2.1.2 非线性混合模型 |
| 2.2 高光谱图像解混的处理流程 |
| 2.3 高光谱图像解混算法的性能评价指标 |
| 2.4 本章小结 |
| 第三章 基于全连接神经网络的端元提取网络 |
| 3.1 引言 |
| 3.2 M-P神经元模型简介 |
| 3.3 全连接神经网络简介 |
| 3.4 基于全连接神经网络的端元提取网络 |
| 3.4.1 网络结构分析 |
| 3.4.2 网络复杂度分析 |
| 3.5 实验验证与结果分析 |
| 3.6 本章小结 |
| 第四章 基于模型驱动的深度学习网络CLSUnSAL-Net |
| 4.1 引言 |
| 4.2 Deep Unfolding方法介绍 |
| 4.3 CLSUnSAL算法简介 |
| 4.4 CLSUnSAL-Net介绍 |
| 4.4.1 网络结构分析 |
| 4.4.2 网络复杂度分析 |
| 4.5 实验验证与结果分析 |
| 4.5.1 在仿真数据集上的实验结果 |
| 4.5.2 在Jasper Ridge数据集上的结果 |
| 4.6 本章小结 |
| 第五章 基于MISSO优化采样的最大似然结构化矩阵分解算法 |
| 5.1 引言 |
| 5.2 相关数学知识介绍 |
| 5.3 高光谱图像解混中的结构化矩阵分解问题 |
| 5.4 利用随机最大似然求解SMF问题 |
| 5.5 结合MISSO的随机最大似然算法 |
| 5.6 实验验证与结果分析 |
| 5.6.1 在仿真数据集上的实验结果 |
| 5.6.2 在Jasper Ridge数据集上的结果 |
| 5.7 本章小结 |
| 第六章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
（10）遥感图像特征提取与融合方法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号列表 |
| 第一章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 高光谱图像特征提取方法及研究现状 |
| 1.2.1 端元特征 |
| 1.2.2 丰度特征 |
| 1.2.3 矩特征 |
| 1.3 高光谱与多光谱图像融合方法及研究现状 |
| 1.3.1 基于全色锐化的融合方法 |
| 1.3.2 基于贝叶斯推理的融合方法 |
| 1.3.3 基于深度神经网络的融合方法 |
| 1.3.4 基于矩阵分解的融合方法 |
| 1.3.5 基于张量分解的融合方法 |
| 1.4 优化方法与基础 |
| 1.4.1 交替方向乘子法 |
| 1.4.2 共轭梯度法 |
| 1.4.3 基于张量的向量-矩阵算子 |
| 1.5 遥感图像质量评价指标 |
| 1.6 论文主要工作及结构安排 |
| 1.6.1 研究内容及创新点 |
| 1.6.2 论文组织结构与章节安排 |
| 第二章 基于矩阵分解与空谱正则的高光谱图像特征提取方法 |
| 2.1 引言 |
| 2.1.1 相关工作 |
| 2.1.2 研究动机与贡献 |
| 2.2 基于矩阵分解与空谱正则的特征提取方法 |
| 2.2.1 线性混合模型 |
| 2.2.2 特征提取问题的定义 |
| 2.2.3 空谱正则化方法 |
| 2.3 优化求解算法 |
| 2.3.1 丰度特征提取 |
| 2.3.2 端元特征提取 |
| 2.4 实验仿真和性能分析 |
| 2.4.1 实验设置 |
| 2.4.2 参数选择与分析 |
| 2.4.3 实验结果与性能分析 |
| 2.5 本章小结 |
| 第三章 基于近似最小体积的遥感图像融合方法 |
| 3.1 引言 |
| 3.1.1 相关工作 |
| 3.1.2 研究动机与贡献 |
| 3.2 基于近似最小体积的融合方法 |
| 3.2.1 信号模型 |
| 3.2.2 融合问题的定义 |
| 3.3 优化求解算法 |
| 3.3.1 丰度矩阵估计 |
| 3.3.2 端元矩阵估计 |
| 3.4 实验仿真和性能分析 |
| 3.4.1 实验设置 |
| 3.4.2 参数选择与分析 |
| 3.4.3 实验结果与性能分析 |
| 3.4.4 计算复杂度分析 |
| 3.5 本章小结 |
| 第四章 基于单纯形空间稀疏平滑的遥感图像融合方法 |
| 4.1 引言 |
| 4.1.1 相关工作 |
| 4.1.2 研究动机与贡献 |
| 4.2 基于单纯形空间稀疏平滑的的融合方法 |
| 4.2.1 信号模型 |
| 4.2.2 融合问题的定义 |
| 4.3 优化求解算法 |
| 4.3.1 丰度矩阵估计 |
| 4.3.2 端元矩阵估计 |
| 4.4 实验结果和性能分析 |
| 4.4.1 实验配置 |
| 4.4.2 参数选择与分析 |
| 4.4.3 实验结果与性能分析 |
| 4.4.4 算法复杂度分析 |
| 4.5 本章小结 |
| 第五章 基于低秩张量分解的遥感图像融合方法 |
| 5.1 引言 |
| 5.1.1 相关工作 |
| 5.1.2 研究动机与贡献 |
| 5.2 张量分解 |
| 5.3 基于低秩张量分解的融合方法 |
| 5.3.1 张量观测模型 |
| 5.3.2 融合问题的定义 |
| 5.3.3 张量分解的正则化 |
| 5.4 优化求解算法 |
| 5.4.1 因子矩阵W估计 |
| 5.4.2 因子矩阵H估计 |
| 5.4.3 因子矩阵A估计 |
| 5.4.4 核张量C估计 |
| 5.5 实验仿真与性能分析 |
| 5.5.1 实验设置 |
| 5.5.2 参数选择与分析 |
| 5.5.3 实验结果与性能分析 |
| 5.5.4 计算复杂度分析 |
| 5.6 三种融合方法的性能比较 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 下一步研究工作计划 |
| 参考文献 |
| 附录一 缩略语列表 |
| 附录二 优化解的推导证明 |
| 1 优化解(3-14)式证明 |
| 2 优化解(3-17)式证明 |
| 3 优化解(4-18)式证明 |
| 4 优化解(4-19)式证明 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
四、混合像元及混合像元分析（论文参考文献）
- [1]地物三维结构的像元混合辐射响应[J]. 崔文煜,汪兰霞,易维宁. 大气与环境光学学报, 2021(06)
- [2]高斯混合模型自动阈值法遥感冰川信息提取[J]. 王亚利,都伟冰,王双亭. 遥感学报, 2021(07)
- [3]基于空谱约束解混的土壤盐分高光谱遥感反演[D]. 曹见飞. 山东师范大学, 2021(12)
- [4]复杂地表时空连续植被参数遥感反演方法研究[D]. 于文涛. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [5]基于空间辅助信息的高光谱解混算法研究[D]. 魏娇娇. 黑龙江大学, 2021(09)
- [6]国产遥感影像分类技术应用研究进展综述[J]. 胡杰,张莹,谢仕义. 计算机工程与应用, 2021(03)
- [7]联合空谱信息的高光谱遥感图像稀疏解混研究[D]. 黄志浩. 南昌工程学院, 2020(06)
- [8]亚像元尺度下不透水面优化提取及其热环境效应时空分析[D]. 赵怡. 中国科学院大学(中国科学院广州地球化学研究所), 2020(01)
- [9]基于深度学习和结构化矩阵分解的高光谱图像解混研究[D]. 邹建军. 电子科技大学, 2020(01)
- [10]遥感图像特征提取与融合方法的研究[D]. 杨飞霞. 北京邮电大学, 2020(01)