購物車(0)
融合數(shù)據(jù)內(nèi)部變化信息的豐度估計算法
關(guān)鍵詞：豐度估計 clr 變化信息 稀疏低秩 admm
摘要：豐度估計(AE)是從高光譜圖像中識別地物的關(guān)鍵預(yù)處理技術(shù)。由于線性模型的可解釋性以及數(shù)學(xué)上的可操作性,基于該模型的線性回歸技術(shù)CLR(Constrained Linear Regression)在豐度估計中受到了廣泛關(guān)注。目前,該方法僅僅考慮到了估計數(shù)據(jù)與被估計數(shù)據(jù)之間的能量相似性,沒有考慮數(shù)據(jù)內(nèi)部的變化信息之間的相似性,比如一階梯度之間的相似性以及二階梯度之間的相似性。為了提高豐度估計精度,本文提出了融合數(shù)據(jù)內(nèi)部變化信息的稀疏低秩豐度估計算法。首先通過增加一階梯度和二階梯度的約束項改進(jìn)傳統(tǒng)的豐度估計的數(shù)學(xué)模型。其次,通過采用范數(shù)不等式和優(yōu)化理論證明了在約束條件下,該模型的有效性及該模型在相關(guān)領(lǐng)域的可拓展性。接著,采用輔助變量將改進(jìn)的數(shù)學(xué)模型變?yōu)樵鰪娎窭嗜蘸瘮?shù)。最后,采用交替雙向乘子技術(shù)ADMM(Altemating Direction Method of Multipliers)求解該模型并估計高光譜圖像的豐度。經(jīng)仿真實驗和實際高光譜圖像的實驗證明該方法能夠改善仿真數(shù)據(jù)和實際高光譜數(shù)據(jù)的豐度估計的效果,特別是當(dāng)端元的豐度存在豐富的變化細(xì)節(jié)時,豐度估計的精度和抗噪性能均優(yōu)于當(dāng)前較流行的豐度估計算法。
遙感學(xué)報雜志要求:
{1}如果來稿為科研項目成果，請在正文標(biāo)題后打※ 號，用頁注的方式提供項目名稱以及項目號。
{2}稿件中的漢字一般使用簡化字形（因字形分析或有別義需要的繁體字、異體字除外）。
{3}文題：應(yīng)以簡明、確切的詞語反映文章中最特定的內(nèi)容，避免使用非公知、公認(rèn)的縮寫詞。文題一般不超過20字，必要時可加副標(biāo)題。
{4}關(guān)鍵詞：必須是意義明確的術(shù)語，一般應(yīng)選取3～5個能準(zhǔn)確反映研究方向、研究領(lǐng)域及研究地點的詞。詞與詞之間用分號“；”分隔。
{5}來稿請注明真實姓名、工作單位、職稱、詳細(xì)通訊地址和郵政編碼（若有變更請及時通知）、電子郵箱、電話和傳真號碼，以便聯(lián)絡(luò)。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
