关键词：
星地协同
高光谱图像
波段融合
目标检测
光谱解混
摘要：
由于数据传输质量高且不受复杂地理条件和人为事件的影响,星载高光谱遥感得到了广泛的应用。然而,传统的星载遥感数据处理系统存在应用模式复杂、数据处理集中、各个环节之间相互独立、响应速度慢等问题,无法满足对海量高光谱数据进行高效处理的需求。数据融合技术是一种从海量数据中挖掘出有效信息的重要手段,常被用于高光谱遥感数据处理系统。根据融合层级的不同,遥感影像的数据融合方法可以分为像元级融合、特征级融合与决策级融合。像元级融合信息损失量小、处理精度高,但实时性较差;特征级融合进行了部分数据压缩,存在一定程度的信息损失;决策级融合处理速度快、通信量小,但存在信息损失量大、处理精度低的缺点。为了减少遥感数据的信息损耗、提高数据处理的速度与精度,本文提出基于星地协同数据处理的波段融合模型,面向不同的任务设计高光谱波段融合方法,联合波段评价准则设计加权迭代融合优化方法。主要研究内容如下:(1)基于波段级的星地协同数据融合处理模型。为了实现星地的高效互联,提出基于星地协同数据处理的波段融合模型,根据融合模块的不同提出了两种融合模型,卫星-基站融合模型与基站-基站融合模型。卫星-基站融合模型通过序贯融合单一波段分布式处理星载高光谱数据,基站-基站融合模型通过渐近融合波段子集整合分析星载高光谱数据。实验表明,基于星地协同数据处理的波段融合模型实现了数据传输与数据处理的同步运行,应用模式简单,响应时间短,能够满足对海量高光谱数据进行高效处理的需求。(2)面向不同任务的高光谱实时融合处理方法。为了解决海量高光谱数据对遥感处理系统造成的存储负荷过高、处理速度过慢问题,首先,为不同的数据分析任务确定目标函数,基于Woodbury矩阵恒等式以及分块矩阵求逆原理等理论,根据融合场景的不同分别设计单一波段之间的融合算法、波段集合与单一波段的融合算法以及波段集合之间的融合算法。然后,面向目标检测、异常检测与光谱解混任务,基于RAD(Autocorrelation matrix R-based anomaly detector)算法、CEM(Constrained Energy Minimization)算法和LSOSP(Least Squares Orthogonal Subspace Projection)算法推导波段融合公式,提出基于采集顺序的波段融合方法、基于初始波段驱动的波段融合方法、基于波段排序的波段融合方法与基于波段选择的波段融合方法。实验结果表明,所提方法实现了数据传输、波段融合与应用分析的同步处理,降低了卫星硬件配置的要求,提高了星载高光谱数据的处理效率。(3)联合波段评价准则的加权迭代融合优化方法。基于正交投影定理定义波段优先级分数,制定基于排序的波段评价准则和基于搜索的波段评价准则,通过调整波段的次序优化波段融合方法。面向检测任务,充分利用波段内部丰富的空间信息,联合相应的波段评价准则构建全局权重与局部权重相结合的加权迭代实时融合方法,通过增大地物目标与背景像元之间的差异度对空间信息进行正向迭代反馈。实验结果表明,所提方法增强了波段的地物表征能力,在目标检测任务和异常检测任务中都有很好的表现,提高了检测任务的准确率和效率,实现了高光谱数据的精确融合与动态分析,在星载高光谱图像检测任务中具有广阔的应用前景。
欢迎来到三峡大学图书馆！
